> ## Content Index
> Fetch the complete content index at: https://det3sted.no/llms.txt
> Use this file to discover other available public pages before exploring further.

# Analysenivåer
- URL: https://det3sted.no/analysenivper/
- Published: 2026-09-11T17:49:10.000Z
- Updated: 2026-09-11T17:49:10.000Z
- Author: helge
- Tags: Teori, #Migrated-1792977741314, #wp, #wp-post, #Import 2026-10-26 02:22

Man spør om studentene lærer nok, om forelesningen fungerer, om KI gjør studentene mindre kritiske eller om universitetene bruker teknologien riktig. Det er relevant, men spørsmålene er på ulike analysenivåer. Man kan ikke bruke ett nivå som forklaring på hele systemet.

**Universitetets utfordringer bør analyseres som et koblet system av læring, praksis, teknologi, organisasjon, profesjon, økonomi og samfunn.**

Her kan vi skille mellom minst fire påstander som ofte blandes:

1. **Studentene lærer for lite.**
2. **Undervisningen er for dårlig.**
3. **Universitetenes organisering gjør god undervisning vanskelig.**
4. **Universitetene utdanner til en verden som er annerledes enn den arbeids- og samfunnspraksisen studentene skal inn i.**

**Det er mulig å ha høyere utdanning med høy gjennomstrømning, gode karakterer, høy studenttilfredshet og betydelig ressursbruk uten at de viktigste læringsprosessene nødvendigvis er særlig sterke.**

KI aktualiserer dette fordi den kan gjøre studentens *produkt* bedre samtidig som den i enkelte situasjoner gjør *læringsprosessen* svakere.

En nyere systematisk oversikt over 67 empiriske studier finner nettopp at effekten av ChatGPT på kritisk og kreativ tenkning er sterkt avhengig av pedagogisk innramming: strukturerte. Undersøkende oppgaver kan gi læringsgevinster, mens ustrukturert bruk kan føre til overflatisk engasjement og kognitiv avlastning.

Her foreslås **åtte analytiske nivåer:**

| Nivå                                 | Det vi analyserer                                     | Det sentrale spørsmålet                                                      | Typisk løsning                          |
| ------------------------------------ | ----------------------------------------------------- | ---------------------------------------------------------------------------- | --------------------------------------- |
| **1\. Samfunn**                      | Formål, politikk, økonomi, arbeidsliv                 | Hva skal høyere utdanning være til for?                                      | Ny samfunnskontrakt                     |
| **2\. Institusjon**                  | Universitetets organisering og styring                | Hva belønner systemet faktisk?                                               | Endre insentiver og arbeidsdeling       |
| **3\. Profesjon**                    | Lærer-, forsker- og profesjonsarbeid                  | Hvilken kunnskap kreves for å kunne utføre arbeidet?                         | Tettere kobling mellom teori og praksis |
| **4\. Sosiomateriell infrastruktur** | LMS, KI, rom, medier, data, læremidler                | Hvordan former teknologien faktisk handlingene?                              | Designe miljøet, ikke bare verktøyet    |
| **5\. Pedagogisk aktivitet**         | Oppgaver, undervisning, veiledning, samarbeid         | Hva gjør studenten faktisk?                                                  | Aktivitets- og oppgavedesign            |
| **6\. Kognisjon**                    | Oppmerksomhet, hukommelse, resonnering, metakognisjon | Hva må studenten selv gjøre for å lære?                                      | Bevisst kognitiv belastning og øving    |
| **7\. Epistemologi**                 | Viten, autoritet, argumentasjon, dømmekraft           | Hvordan lærer studenten å vite at noe er sant, godt eller faglig forsvarlig? | Epistemisk praksis og dømmekraft        |
| **8\. Tid og utvikling**             | Hvordan læring og profesjon utvikles over tid         | Hva blir studenten i stand til å gjøre etter måneder og år?                  | Langsiktige læringsbaner og praksis     |

Det avgjørende er forbindelsen mellom nivåene.

## Nivå 1: Samfunnets formål med universitetet

Dette er det høyeste, og kanskje mest neglisjerte, analysenivået.

Universitetet har gradvis fått mange oppgaver samtidig: kunnskapsproduksjon, profesjonsutdanning, sosial mobilitet, arbeidsmarkedsforberedelse, regional utvikling, innovasjon, demokratisk dannelse og individuell sertifisering. Når alle disse formålene ligger i samme institusjon, kan de trekke i forskjellige retninger.

OECD har i flere analyser pekt på et kvalitativt misforhold mellom ferdighetene arbeidslivet etterspør og ferdighetene høyere utdanning faktisk utvikler. I en nyere studie av europeiske virksomheter rapporteres det blant annet om betydelige mangler innen tekniske ferdigheter, problemløsning og samarbeid.

For Norge er dette særlig interessant. OECD peker på at Norge har betydelig kompetanse- og ferdighetsmismatch, samtidig som næringslivet har relativt svak tilstedeværelse i høyere utdanning.

- **Den nye problemformuleringen blir derfor ikke:** «Hvordan kan universitetet bli flinkere til å undervise?»
- **Men:** «Hvilke former for menneskelig kapasitet skal høyere utdanning produsere, og hvordan skal denne kapasiteten utvikles?»

Det åpner for en langt mer interessant utdanningsmodell: Universitetet bør ikke bare produsere *kunnskap om* et fag, men gradvis utvikle evnen til å *handle med* denne kunnskapen.

## Nivå 2: Universitetet som organisasjon

Her blir problemet mer strukturelt.

Burton Clark viste allerede på 1980-tallet hvordan akademiske systemer inneholder grunnleggende motsetninger mellom disipliner, administrative strukturer og ulike organisatoriske nivåer. Dette er fortsatt svært relevant.

Universitetet kan nemlig si at studentenes læring er det viktigste, mens organisasjonen i praksis belønner andre ting: publikasjoner, ekstern finansiering, rangeringer, akkreditering, gjennomstrømning, dokumentasjon og administrativ måloppnåelse.

Forskning på akademisk administrativ belastning viser hvordan stadig flere rapporterings- og kontrolloppgaver kan trekke tid og oppmerksomhet bort fra forskning og undervisning.

Her finner vi en mulig forklaring på et paradoks: **Universitetet kan bruke stadig mer teknologi for å effektivisere undervisningen samtidig som den organisatoriske kompleksiteten gjør lærernes tid og oppmerksomhet stadig knappere.**

Da er KI lett å forstå som «løsningen»: automatiser vurdering, generer tekst, oppsummer møter, produser undervisningsmateriale. Men hvis problemet egentlig er organisatorisk arbeidsdeling, kan KI bare akselerere et dårlig system.

## Nivå 3: Profesjons- og arbeidsnivået

Dette nivået mener jeg er spesielt viktig dersom målet er å utvikle nye løsninger.

Akademisk kunnskap er ofte organisert etter *disipliner*. Profesjonell kompetanse er derimot organisert etter *oppgaver, situasjoner og problemer*.

En sykepleier, lærer, journalist, ingeniør eller medieprodusent møter ikke «kunnskapsområder». De møter konkrete situasjoner hvor flere kunnskapsformer må kobles samtidig.

Dermed kan skillet mellom **teori og praksis** være en viktigere forklaringsvariabel enn skillet mellom digital og analog undervisning.

En ny utdanningsmodell bør derfor starte med spørsmålet:

> Hvilke situasjoner skal den ferdige kandidaten kunne håndtere, og hvilken kunnskap, dømmekraft og ferdighet kreves for å kunne håndtere dem?

Deretter kan man baklengs konstruere utdanningen.

Dette er også en bedre måte å forstå «employability» på. Det handler ikke primært om å gjøre universitetet mer markedsorientert. Det handler om å gjøre **kompetansen operasjonell**.

## Nivå 4: Teknologien som del av praksisen – ikke som et verktøy utenfra

Her kommer den sosiomaterielle tradisjonen inn.

Aditya Johri argumenterer for at læringsteknologi bør analyseres som en del av den sosiale og materielle organiseringen av praksis, ikke som en nøytral gjenstand som en lærer «bruker». 6 Forskning på læringsplattformer viser tilsvarende at teknologien selv bidrar til å forme lærerens handlingsrom og undervisningspraksis. Dette gir et mye mer presist spørsmål om KI:

- **Ikke: «Hvordan bruker vi ChatGPT i undervisningen?»**
- **Men: «Hvordan endrer generativ KI relasjonene mellom student, lærer, tekst, oppgave, vurdering, kunnskapskilde og institusjon?»**

Da ser vi at ChatGPT ikke bare er et skriveverktøy. Det kan bli:

- medstudent,
- veileder,
- tekstprodusent,
- kritiker,
- simulator,
- søkeverktøy,
- automasjonsagent,
- og i verste fall en erstatning for selve læringsarbeidet.

Det siste skillet er avgjørende.

## Nivå 5: Aktiviteten – hva gjør studenten egentlig?

Diana Laurillards samtaleramme er nyttig her fordi den flytter oppmerksomheten fra «undervisningsformen» til læringsaktiviteten. Hun skiller blant annet mellom tilegnelse, diskusjon, undersøkelse, praksis, samarbeid og produksjon. Dette gir en enkel diagnose av mye KI-bruk.

| Tradisjonell oppgave           | KI-risiko                             | Mulig redesign                                                      |
| ------------------------------ | ------------------------------------- | ------------------------------------------------------------------- |
| «Skriv en analyse på 3000 ord» | KI kan gjøre hovedarbeidet            | Dokumenter analyseprosessen, kilder, valg og revisjoner             |
| «Oppsummer pensum»             | KI kan erstatte lesingen              | La studenten sammenligne egen forståelse med KI og kontrollere feil |
| «Finn fem kilder»              | KI kan produsere plausible referanser | Vurder kildevalg, relevans og epistemisk begrunnelse                |
| «Lag en presentasjon»          | KI kan produsere både tekst og bilder | Vurder beslutningsprosessen og faglig begrunnelse                   |
| «Løs problemet»                | KI kan gi løsningen                   | Vurder problemdiagnose, alternativer, testing og refleksjon         |

Det interessante er at dette ikke egentlig er et KI-problem. **KI avslører at mange utdanningsoppgaver har vært svake læringsdesign lenge før ChatGPT eksisterte.**

Det finnes også solid eldre evidens for at aktiv læring kan gi bedre resultater enn ren forelesningsbasert undervisning. En stor metaanalyse innen STEM fant bedre studentprestasjoner og lavere strykprosent ved aktiv læring. 9

## Nivå 6: Kognisjon – hva må studenten faktisk gjøre selv?

Dette nivået er avgjørende fordi læring ikke er det samme som produksjon.

En student kan levere en bedre tekst uten å ha lært å skrive bedre. Studenten kan løse en matematisk oppgave uten å ha utviklet matematisk forståelse. Studenten kan få et glimrende svar uten å ha utviklet evnen til å avgjøre om svaret er riktig.

En nyere randomisert studie fant eksempelvis lavere langtidsretensjon hos studenter som brukte ChatGPT som studiehjelp sammenlignet med studenter som brukte tradisjonelle læringsmetoder. Studien er relativt liten, så den bør ikke generaliseres ukritisk, men den illustrerer mekanismen som kalles *cognitive offloading*: når et verktøy utfører den kognitive anstrengelsen, kan læringsgevinsten bli mindre.

Den motsatte konklusjonen er imidlertid også viktig. En nyere metaanalyse av 57 studier fant positive effekter av generativ KI på flere læringsutfall, men ingen signifikant effekt på metakognisjon. Effekten var dessuten svært kontekstavhengig.

Det peker mot et sentralt designprinsipp:

**KI bør brukes til å øke kvaliteten på studentens kognitive arbeid, ikke til å fjerne det kognitive arbeidet utdanningen skulle utvikle.**

## Nivå 7: Epistemologi – kanskje det viktigste nivået

Her mener jeg mye av dagens KI-debatt stopper for tidlig. Spørsmålet er ikke bare om studenten kan produsere et riktig svar. Det er:

- Hvordan vet studenten at svaret er riktig?
- Hvilke kilder fortjener tillit?
- Hva teller som et godt argument?
- Hvordan oppdages feil?
- Hvem har autoritet til å avgjøre hva som er faglig holdbart?
- Hvordan håndteres usikkerhet?

Dette er spesielt viktig med generativ KI fordi modellen produserer språk med høy overbevisningskraft uten at språklig kvalitet nødvendigvis innebærer sannhet. KI gjør derfor universitetets epistemiske oppgave mer, ikke mindre, viktig. Studenten må lære forskjellen mellom:

> **å produsere et svar** → **å forstå et svar** → **å begrunne et svar** → **å etterprøve et svar** → **å kunne handle forsvarlig på grunnlag av svaret.**

Dette kan bli en ny kjerne i høyere utdanning: **epistemisk dømmekraft**.

## Nivå 8: Universitetet som utviklingssystem over tid

Et siste nivå som ofte mangler i utdanningsanalysen, er tid. Utdanning vurderes gjerne gjennom eksamen, studiepoeng, karakterer og gjennomføring. Men profesjonell kompetanse utvikles gjennom gjentatt erfaring, tilbakemelding, feil, revisjon og gradvis økende kompleksitet. Det betyr at en bedre utdanningsmodell kan organiseres som en **kompetansebane**:

**begrep → modell → simulering → øvelse → veiledet praksis → selvstendig praksis → kompleks praksis → refleksjon → ny teori.**

Dette ligger nær Engeströms teori om ekspansiv læring, hvor læring ikke bare betyr at individet tilegner seg kunnskap, men at en aktivitet gradvis omformes når aktørene møter motsetninger mellom eksisterende og nye måter å arbeide på.

## Det mest interessante resultatet: KI er sannsynligvis en diagnostisk teknologi

Her mener jeg litteraturen åpner for en mer interessant fortolkning enn «KI ødelegger utdanningen» eller «KI revolusjonerer utdanningen».

**KI fungerer som en stresstest av utdanningens eksisterende design.**

- Hvis en oppgave kan løses tilfredsstillende av en språkmodell uten at studenten trenger å forstå stoffet, er det ikke nødvendigvis først og fremst et problem med språkmodellen. Det kan være et problem med oppgaven.
- Hvis en eksamen kan bestås ved å generere en tekst, kan problemet ligge i hva eksamen forsøker å måle.
- Hvis læreren må bruke store deler av tiden på å kontrollere om studenttekster er KI-genererte, kan problemet ligge i vurderingssystemet.
- Hvis læreren bruker KI til å produsere undervisningsmateriale fordi det ikke finnes tid til å utvikle god undervisning, kan problemet ligge i organiseringen av lærerarbeidet.
- Hvis studenten bruker KI fordi den eksisterende oppgaven oppleves som meningsløs, kan problemet ligge i forholdet mellom utdanningen og den profesjonelle praksisen.

Dette er et langt mer produktivt utgangspunkt enn en ren «AI literacy»-strategi.

## Fra «AI literacy» til «epistemisk og profesjonell literacy»

UNESCOs anbefalinger legger vekt på en menneskesentrert tilnærming til generativ KI, og nyere forskning på vurdering peker mot behov for å utvikle selvregulert læring, ansvarlig bruk og nye vurderingsformer. Det er mulig å gå ett skritt videre. Studentene trenger ikke bare å lære *hvordan KI fungerer*. De må lære:

- **når** KI bør og ikke brukes,
- **hva** den kan overlate til studenten og hva studenten selv må beherske,
- **hvordan** KI-output skal etterprøves,
- **hvordan** menneskelig dømmekraft skal kobles til maskintekst

Dette er mer enn digital kompetanse. Det er **kompetanse i arbeidsdelingen mellom menneske og maskin**.

## Et mulig nytt designprinsipp: «human cognitive responsibility»

På bakgrunn av litteraturen vil jeg foreslå et begrep som kan være nyttig i videre arbeid: **kognitivt ansvar**.

Hvert utdanningsløp bør eksplisitt definere hvilke kognitive funksjoner studenten må kunne utføre selvstendig ved slutten av utdanningen.

| Funksjon                | Kan KI hjelpe?        | Må studenten selv mestre?        |
| ----------------------- | --------------------- | -------------------------------- |
| Informasjonssøk         | Ja                    | Vurdere relevans og kilde        |
| Idégenerering           | Ja                    | Faglig seleksjon                 |
| Tekstproduksjon         | Ja                    | Argumentasjon og faglig kontroll |
| Analyse                 | Ja                    | Problemforståelse og metode      |
| Vurdering               | Delvis                | Epistemisk dømmekraft            |
| Profesjonell beslutning | Delvis                | Ansvar og skjønn                 |
| Etisk vurdering         | Som diskusjonspartner | Menneskelig ansvar               |

Da blir ikke målet «AI-free education» eller «AI-first education». Målet blir **human-responsible education**.

## En dypere modell: universitetet som aktivitetssystem

Her kan Engeströms aktivitetsteori være særlig interessant fordi den binder sammen flere av nivåene ovenfor. Et aktivitetssystem består grovt av **subjekt, objekt, redskaper, regler, fellesskap, arbeidsdeling og resultat**.

Hvis vi bruker universitetet som analyseenhet, kan vi for eksempel modellere:

- **Subjekt:** student og lærer
- **Objekt:** utvikling av faglig/profesjonell kompetanse
- **Redskaper:** bøker, språk, laboratorier, LMS, KI
- **Regler:** studieplaner, vurderingsforskrifter, akademiske normer
- **Fellesskap:** medstudenter, lærere, profesjoner og arbeidsliv
- **Arbeidsdeling:** hvem underviser, vurderer, veileder, produserer kunnskap og bestemmer?
- **Resultat:** ikke bare grad, men faktisk kompetanse.

Dette er analytisk kraftfullt fordi det gjør **motsetninger** synlige. Hvis KI gjør produksjon billig, men vurderingen fortsatt belønner produksjon, oppstår en strukturell motsetning. Hvis arbeidslivet krever problemløsning, mens utdanningen vurderer reproduksjon, oppstår en annen. Hvis læreren forventes å gi individuell veiledning samtidig som institusjonen øker antallet studenter uten tilsvarende ressurser, oppstår en tredje.

Nyere forskning bruker nettopp aktivitetsteori til å analysere hvordan KI kan endre relasjonene mellom lærere, studenter, verktøy, regler og kontekst. 14

## Hva den populære KI-debatten ofte overser

Den populære debatten har en tendens til å være teknologisk deterministisk. Den spør om KI «vil gjøre studentene dummere» eller «gjøre lærere overflødige». Den vitenskapelige litteraturen gir et langt mer interessant svar: **effekten avhenger av hvordan teknologien er innvevd i aktiviteten.**

Dette går igjen i både nyere systematiske oversikter og sosiomaterielle teorier. En scoping review av 32 empiriske studier om KI og vurdering konkluderer med at vurdering må utvikles mot mer selvregulert, ansvarlig læring og nye former for vurdering. 15 En annen systematisk oversikt av 39 empiriske studier finner samtidig at faktiske læringsutfall ved bruk av generativ KI ofte er positive, men at bildet varierer betydelig med hvordan teknologien brukes. 16

Det finnes derfor ikke noe seriøst vitenskapelig grunnlag for enten «KI er bra» eller «KI er dårlig» som generell påstand. Den riktige variabelen er snarere:

**KI × oppgave × student × lærer × fag × vurdering × institusjonell kontekst.**

## Hva dette betyr for høyere utdanning

Jeg ville derfor ikke starte en reform med å kjøpe ny teknologi. Jeg ville starte med en **diagnostisk rekonstruksjon av utdanningen**.

1. **Identifiser sluttkompetansen.** Hva skal kandidaten kunne gjøre i virkelige situasjoner?
2. **Identifiser de kritiske kognitive handlingene.** Hva må kandidaten kunne gjøre uten hjelp?
3. **Identifiser profesjonelle situasjoner.** Hvilke typer problemer møter kandidaten?
4. **Analyser dagens studentaktiviteter.** Hva bruker studenten faktisk tiden på?
5. **Analyser vurderingen.** Hva belønner eksamen faktisk?
6. **Analyser teknologien.** Hvilke handlinger flyttes fra mennesket til maskinen?
7. **Analyser organisasjonen.** Hva hindrer lærerne i å realisere den ønskede pedagogikken?
8. **Design læringsbanen på nytt.** Bygg opp progresjon fra teori til øvelse til profesjonell praksis.
9. **Bruk KI som del av designet.** Ikke legg KI oppå eksisterende pedagogikk; redesign aktiviteten rundt den.
10. **Mål faktisk kompetanse.** Ikke bare tilfredshet, karakterer og gjennomføring.

## Den viktigste konseptuelle endringen

Det kan være nyttig å gå fra en modell hvor utdanning forstås slik:

**informasjon → undervisning → oppgave → eksamen → grad**

til en modell som ser slik ut:

**profesjonell situasjon → faglig problem → kunnskap → handling → tilbakemelding → refleksjon → ny handling → gradvis selvstendighet.**

Da får også KI en annen plass. Den kan være:

- kunnskapskilde,
- simulator,
- motpart i argumentasjon,
- kritiker,
- generativ partner,
- feedbacksystem,
- og automatiseringsverktøy.

Men **den bør ikke uten videre være læringsarbeidets erstatning**. Den mest fruktbare analysen av «utdanningsproblemet» er derfor ikke at studentene er blitt dårligere, at lærerne underviser dårlig, at universitetene er for akademiske, eller at KI ødelegger læringen. Alle disse påstandene kan være riktige i bestemte situasjoner, men ingen av dem er tilstrekkelige forklaringer.

Problemet ligger snarere i **manglende samsvar mellom flere systemnivåer**:

**samfunnets behov → universitetets formål → organisasjonens insentiver → profesjonens praksis → pedagogisk aktivitet → studentens kognitive arbeid → teknologiens handlingsmuligheter → vurderingens signaler.**

Når disse nivåene peker i samme retning, kan KI bli et kraftig læringsverktøy. Når de peker i forskjellige retninger, vil KI sannsynligvis forsterke problemene som allerede finnes.

Dette gir en mer interessant forskningsagenda enn spørsmålet «hvordan skal universitetene bruke ChatGPT?». Det sentrale spørsmålet blir:

> **Hvordan kan høyere utdanning organiseres slik at mennesker utvikler den kunnskapen, dømmekraften og handlingskompetansen de trenger, i et samfunn hvor stadig mer av kunnskapsarbeidet kan delegeres til intelligente maskiner?**

Det er et spørsmål om **utdanningsdesign, organisasjonsteori, profesjonsteori, kognitiv psykologi, medieteori, epistemologi og politisk økonomi samtidig**. Og nettopp derfor tror jeg en flernivåanalyse er mer lovende enn enda en diskusjon om hvorvidt forelesningen, LMS-et eller ChatGPT er «godt» eller «dårlig».

## Utvalgte kilder og videre lesning

- Arum, R. & Roksa, J. *Academically Adrift: Limited Learning on College Campuses*. University of Chicago Press. 17
- Clark, B. R. (1983). «The contradictions of change in academic systems». *Higher Education*. 18
- Engeström, Y. & Sannino, A. – forskning om ekspansiv læring og aktivitetssystemer. 19
- Laurillard, D. *Rethinking University Teaching* / *Teaching as a Design Science*. 20
- Freeman, S. et al. (2014). «Active learning increases student performance in science, engineering, and mathematics». *PNAS*. 21
- Johri, A. – forskning om sosiomaterialitet og læringsteknologi. 22
- Xia, Q. et al. (2024). Scoping review av generativ KI og vurdering i høyere utdanning. 23
- Weng, X. et al. (2024). Scoping review av vurdering, læringsutbytte og generativ KI. 24
- An, Q., Koh, J. H. L. & Liu, Q. (2026). Systematisk oversikt over studentbruk av generativ KI og læringsutfall. 25
- Chen, S. & Cheung, A. C. K. (2025). Metaanalyse av generativ KI og læringsutfall i høyere utdanning. 26
- UNESCO. *Guidance for generative AI in education and research*. 27
- OECD. *Does Higher Education Teach Students to Think Critically?* og nyere analyser av kompetansegap. 28
- UNESCO IESALC. *Higher Education Global Trends Report 2026*, som analyserer høyere utdanning på ti sammenkoblede dimensjoner. 29

\[bg\_collapse view="button-orange" color="#4a4949" expand\_text="Ny modell" collapse\_text="Lukk" \]

# En teoretisk modell for «det nye universitetet»

Jeg ville bygge videre på forrige analyse ved å gjøre modellen mer eksplisitt. Poenget er ikke å lage enda en modell for «digital læring». Det interessante er å lage en modell som kan forklare *hvorfor* høyere utdanning får problemer når teknologi, arbeidsliv, kunnskapsproduksjon og institusjonell organisering endres samtidig.

Forslaget nedenfor kombinerer særlig **medie- og dokumentteori, aktivitetsteori, sosiomaterialitet, profesjonsteori, kognitiv læringsteori, epistemologi og organisasjonsteori**. Nyere forskning støtter allerede deler av denne kombinasjonen: aktivitetsteori brukes nå eksplisitt til å analysere hvordan generativ KI endrer læring og arbeid, mens forskning på epistemisk agency kobler vurdering direkte til studentens forhold til kunnskap og samfunn. 0

## Grunnideen: Universitetet er et transformasjonssystem

Jeg foreslår å slutte å betrakte universitetet primært som et system som *overfører kunnskap*.

Det kan i stedet forstås som et **transformasjonssystem**:

**samfunnets problemer → profesjonelle praksiser → kunnskapsformer → læringsaktiviteter → studentens utvikling → profesjonell handling → samfunnsmessige resultater**

Dette innebærer en vesentlig forskyvning. Universitetets produkt er ikke først og fremst forelesninger, artikler, studiepoeng eller grader. Det egentlige produktet er **mennesker som kan utføre kvalifiserte handlinger under forhold der de ikke har fasitsvar**.

Det er her KI blir interessant. Generativ KI gjør stadig mer av det som tidligere var selve synlige produktet av studentens arbeid: teksten, sammendraget, analysen, presentasjonen, koden og bildet. Dermed blir det vanskeligere å bruke produktet som indirekte mål på læringen.

Dette betyr ikke at KI har skapt problemet. Snarere gjør KI et eksisterende problem synlig.

## Ti analysenivåer

Jeg ville utvide de åtte nivåene fra forrige svar til en modell med **ti nivåer**:

| Nivå | Teoretisk perspektiv    | Objektet vi analyserer    | Grunnspørsmål                                            |
| ---- | ----------------------- | ------------------------- | -------------------------------------------------------- |
| 1    | Samfunnsteori           | Samfunnsoppdrag           | Hvorfor har vi høyere utdanning?                         |
| 2    | Organisasjonsteori      | Universitetet             | Hva belønnes og prioriteres?                             |
| 3    | Profesjonsteori         | Arbeid og praksis         | Hva må kandidaten kunne gjøre?                           |
| 4    | Medie- og dokumentteori | Kunnskapsrepresentasjoner | Hvordan blir kunnskap lagret, formidlet og transformert? |
| 5    | Sosiomaterialitet       | Teknologi + mennesker     | Hvordan former teknologien praksisen?                    |
| 6    | Aktivitetsteori         | Handling og system        | Hvilke motsetninger oppstår i aktiviteten?               |
| 7    | Læringsteori/kognisjon  | Studentens mentale arbeid | Hva må studenten selv gjøre for å lære?                  |
| 8    | Epistemologi            | Kunnskap og dømmekraft    | Hvordan vet studenten at noe er holdbart?                |
| 9    | Vurderingsteori         | Eksamen og feedback       | Hva signaliserer systemet at det er viktig å kunne?      |
| 10   | Utviklingsteori         | Kompetanse over tid       | Hvordan blir novisen gradvis ekspert?                    |

Det sentrale er at nivåene ikke skal studeres isolert. **De skal analyseres som et koblet system.**

## Medie- og dokumentteori bør få større plass

Dette er kanskje det mest interessante stedet å videreutvikle modellen.

Universitetet er i stor grad et **dokumentproduserende system**. Studenter produserer oppgaver. Lærere produserer forelesningsnotater. Forskere produserer artikler. Institusjonen produserer studieplaner, rapporter, vurderingskriterier, akkrediteringsdokumenter og strategier.

Dokumentene gjør kunnskap stabil, flyttbar, sammenlignbar og vurderbar.

Men dokumentet er ikke kunnskap i seg selv.

Dette skillet blir kritisk med generativ KI.

KI er ekstremt god til å produsere **kunnskapslignende dokumenter**. Den kan produsere noe som ser ut som et faglig produkt uten at studenten nødvendigvis har gjennomgått den læringsprosessen som produktet tidligere fungerte som spor av.

Dermed oppstår en fundamental endring:

**Før:** Studentens dokument var et relativt godt spor etter studentens kognitive arbeid.

**Nå:** Dokumentet kan være resultatet av en blanding av studentens, KI-systemets, søkemotorens og andre aktørers arbeid.

Dette betyr at vi må utvikle en teori om **proveniens** i utdanning: Hvor kommer de ulike delene av et faglig produkt fra? Hva har studenten selv observert, tenkt, besluttet, skrevet, testet og revidert?

Det kan bli et helt nytt vurderingsområde.

## Fra dokumentet som produkt til prosessen som evidens

Her ligger en mulig løsning på KI-problemet.

Vi bør ikke nødvendigvis forsøke å oppdage KI i sluttproduktet. Vi bør gjøre **læringsprosessen mer synlig**.

| Gammel vurderingslogikk | Ny vurderingslogikk                                           |
| ----------------------- | ------------------------------------------------------------- |
| Vurder sluttproduktet   | Vurder utviklingsprosessen                                    |
| «Skriv en analyse»      | Dokumenter hvordan analysen ble utviklet                      |
| Én endelig tekst        | Problem → utkast → kilder → kritikk → revisjon → sluttprodukt |
| KI skjules              | KI-bruk dokumenteres og analyseres                            |
| Produktet er evidensen  | Prosessen er evidensen                                        |

Dette harmonerer godt med forskning på **epistemisk agency**. Nieminen og Ketonen argumenterer for at vurdering bør utvikle studentens evne til å evaluere, produsere, bruke og transformere kunnskap, snarere enn bare å dokumentere at studenten har tilegnet seg et bestemt kunnskapsinnhold. 1

## Aktivitetsteorien blir modellens «motor»

Aktivitetsteorien er særlig interessant fordi den gjør det mulig å koble individ, teknologi og institusjon.

En utdanningsaktivitet kan beskrives slik:

**Student → faglig mål → oppgave → verktøy → regler → lærer/fellesskap → arbeidsdeling → resultat.**

Generativ KI kommer inn som et nytt medierende redskap. Men redskapet endrer ikke bare effektiviteten. Det kan endre hele aktiviteten.

Et godt eksempel er akademisk skriving:

**Student → problem → litteratur → tenkning → tekst → veiledning → revisjon.**

Med KI kan dette bli:

**Student → prompt → KI → tekst → redigering.**

Det er ikke bare en raskere versjon av den samme aktiviteten. Det er **en annen aktivitet**.

Nyere forskning på generativ KI i arbeids- og universitetslæring bruker nettopp aktivitetsteori for å identifisere slike strukturelle motsetninger mellom teknologi, læringsmål og praksis. 2

## Den sentrale motsetningen: produksjon versus utvikling

Jeg tror dette kan formuleres som modellens viktigste motsetning:

**Universitetet organiserer seg rundt produksjon av kunnskapsprodukter, mens utdanning egentlig handler om utvikling av menneskelig kapasitet.**

Generativ KI gjør produksjonen stadig billigere.

Dermed øker avstanden mellom **produktets kvalitet** og **personens kompetanse**.

Det er denne avstanden som skaper mye av dagens uro rundt KI.

Problemet kan derfor modelleres slik:

**KI-produktivitet ↑ → kostnad ved produksjon ↓ → verdi av produkt som læringsindikator ↓ → behov for prosessevidens ↑.**

Dette er etter min vurdering en viktig teoretisk nøkkel.

## Profesjonsteorien gir neste brikke

Hvis sluttproduktet ikke lenger er tilstrekkelig som mål på kompetanse, må vi spørre hva kompetanse faktisk er.

I profesjonelt arbeid er kompetanse sjelden identisk med å kunne produsere en tekst. Det handler snarere om å kunne:

- identifisere et problem,
- tolke en situasjon,
- velge relevant kunnskap,
- generere mulige løsninger,
- vurdere konsekvenser,
- kommunisere med andre,
- handle under usikkerhet,
- og ta ansvar for beslutningen.

KI kan utføre flere av delhandlingene. Men det gjør det desto viktigere å avgjøre **hvilke deler av arbeidsprosessen kandidaten skal beherske selv**.

Det er her universitet og arbeidsliv må kobles tettere sammen. OECDs analyse av akademiske karrierer peker samtidig på et institusjonelt problem: karriereinsentiver favoriserer ofte forskning på bekostning av undervisning, engasjement og andre oppgaver. 3

Dermed kan universitetet være organisert på en måte som gjør det vanskelig å realisere nettopp den profesjonsorienterte utdanningen samfunnet etterspør.

## Universitetet må gå fra faglogikk til oppgavelogikk

Dette er kanskje den største praktiske konsekvensen av modellen.

Tradisjonell studieplan:

**emne 1 + emne 2 + emne 3 + emne 4 → eksamen → grad.**

Alternativ modell:

**profesjonelle oppgaver → nødvendige kunnskaper → læringsaktiviteter → økende kompleksitet → praksis → vurdering.**

Det betyr ikke at disiplinene skal forsvinne. Tvert imot. Men disiplinkunnskapen blir **ressurser for handling**, ikke sluttpunktet.

## Ny arkitektur for studieprogrammet

Jeg ville derfor foreslå en studiearkitektur i fem lag:

1. **Grunnlag:** begreper, teorier, metoder og faktakunnskap.
2. **Situasjoner:** realistiske problemer og profesjonelle case.
3. **Praksis:** studenten utfører oppgaver med veiledning.
4. **Refleksjon:** studenten forklarer hvorfor bestemte valg ble gjort.
5. **Autonomi:** studenten håndterer nye og uforutsigbare situasjoner selvstendig.

KI kan brukes på alle nivåene, men på forskjellige måter.

| Lag        | KI-funksjon                      | Studentens ansvar     |
| ---------- | -------------------------------- | --------------------- |
| Grunnlag   | Forklare, eksemplifisere, teste  | Forstå og kontrollere |
| Situasjon  | Simulere og generere variasjoner | Diagnostisere         |
| Praksis    | Være assistent eller motpart     | Utføre                |
| Refleksjon | Kritisere og utfordre            | Begrunne              |
| Autonomi   | Støtte etter behov               | Ta ansvar             |

## Vurderingen må flyttes fra «hva leverte du?» til «hva kan du gjøre?»

Dette er ikke det samme som å avskaffe tradisjonelle eksamener.

Men vurderingen bør i større grad undersøke **handling under autentiske betingelser**.

Jeg ville derfor foreslå fire former for evidens:

**A. Produkt**  
Hva produserte studenten?

**B. Prosess**  
Hvordan kom studenten fram til produktet?

**C. Forklaring**  
Kan studenten forklare og forsvare valgene?

**D. Overføring**  
Kan studenten bruke kompetansen i en ny situasjon?

KI gjør særlig D viktig.

En student kan få hjelp til å løse en kjent oppgave. Men hvis studenten ikke kan overføre prinsippet til en ny situasjon, har utdanningen ikke nødvendigvis lykkes.

## «Epistemisk friksjon» bør bli et designprinsipp

Her vil jeg foreslå et annet begrep som kan utvikles videre: **epistemisk friksjon**.

God læring innebærer at studenten må møte motstand:

- informasjonen passer ikke helt,
- kilden er tvetydig,
- argumentet har en svakhet,
- resultatet blir ikke som forventet,
- en ekspert er uenig,
- studenten må velge mellom flere plausible løsninger.

KI kan redusere denne friksjonen dramatisk ved å levere et glatt og plausibelt svar med en gang.

Men læreren kan designe **kontrollert friksjon** tilbake i læringsaktiviteten.

Eksempel:

I stedet for «bruk KI til å skrive en analyse», kan oppgaven være:

> «Be KI lage tre konkurrerende forklaringer. Finn deretter tre steder hvor modellens forklaringer er utilstrekkelige. Finn empirisk materiale som avgjør mellom dem. Revider til slutt én av forklaringene og begrunn alle vesentlige endringer.»

Her blir KI ikke en snarvei rundt læringen. Den blir **materiale som studenten må lære å arbeide kritisk med**.

## Læreren får en ny funksjon

Dette innebærer ikke at læreren blir mindre viktig.

Snarere endres lærerens rolle fra primært å være **informasjonsformidler** til å bli **designer av epistemisk og profesjonell utvikling**.

Det krever imidlertid institusjonelle endringer. OECD finner at akademiske karrierer fortsatt ofte premierer forskningsproduksjon framfor undervisning, mens arbeidsbelastning og usikre arbeidsforhold samtidig er betydelige problemer. 4

Det er derfor lite realistisk å be læreren «designe bedre læring» uten å endre arbeidsbetingelsene.

**Pedagogisk innovasjon krever organisatorisk kapasitet.**

## Organisatorisk modell

Et nytt universitet må derfor ha en annen arbeidsdeling.

Jeg ville tenke i fire funksjoner:

| Funksjon         | Hovedoppgave                              |
| ---------------- | ----------------------------------------- |
| **Faglig**       | Utvikle og validere kunnskapsinnhold      |
| **Pedagogisk**   | Designe lærings- og vurderingsaktiviteter |
| **Teknologisk**  | Utvikle og forvalte læringsinfrastruktur  |
| **Profesjonell** | Koble utdanningen til faktisk praksis     |

Disse funksjonene bør arbeide sammen rundt **studieprogrammets kompetansemodell**, ikke hver for seg.

## Den egentlige reformen er derfor ikke «digitalisering»

Digitalisering betyr ofte at man gjør den eksisterende prosessen digital.

KI krever noe annet.

**Digitalisering:** papir → PDF → LMS.

**KI-transformasjon:** tenke nytt om hvem som gjør hva.

Det er en mye dypere endring.

Når en maskin kan produsere et dokument, blir spørsmålet ikke lenger hvordan studenten skal lære å produsere dokumentet raskere. Spørsmålet blir **hvilken menneskelig kompetanse som fortsatt skal utvikles rundt dokumentet**.

## En samlet modell

Jeg ville derfor formulere «det nye universitetet» slik:

> **Universitetet er et institusjonalisert system for å utvikle menneskers evne til å bruke, undersøke, vurdere, transformere og anvende kunnskap i profesjonelle og samfunnsmessige situasjoner.**

Det innebærer at kunnskap, medier, teknologi, læring og profesjonell praksis ikke bør forstås som separate komponenter.

De inngår i én transformasjonskjede:

**samfunn**  
↓  
**profesjonelle problemer**  
↓  
**kunnskapsformer**  
↓  
**dokumenter og medier**  
↓  
**læringsaktiviteter**  
↓  
**studentens kognitive arbeid**  
↓  
**epistemisk dømmekraft**  
↓  
**profesjonell handling**  
↓  
**samfunnsmessige konsekvenser**

## Ny forståelse av «akademisering»

Her mener jeg modellen kan bidra til en mer presis kritikk av høyere utdanning.

Problemet er ikke nødvendigvis at utdanningen er *for akademisk*. Akademisk kunnskap er ofte nettopp det som gjør profesjonell praksis mulig.

Problemet oppstår når **kunnskapens representasjon blir viktigere enn kunnskapens anvendelse**.

Studenten lærer da å produsere dokumentet som representerer kompetanse, snarere enn å utvikle kompetansen dokumentet skulle representere.

Generativ KI gjør denne forskjellen ekstremt tydelig.

Det er derfor mulig å formulere hele problemet slik:

> **Høyere utdanning har utviklet svært effektive systemer for å produsere og kontrollere representasjoner av kompetanse. Utfordringen er å utvikle tilsvarende effektive systemer for å utvikle selve kompetansen.**

## Forskningsagenda

Hvis denne modellen skal brukes forskningsmessig, ville jeg formulert minst sju forskningsprogrammer:

1. **Dokumentstudier:** Hvordan har akademiske dokumenter blitt brukt som proxy for kompetanse?
2. **Aktivitetsstudier:** Hva gjør studenter og lærere faktisk når KI er tilgjengelig?
3. **Profesjonsstudier:** Hvilke oppgaver bør universitetet faktisk utdanne til?
4. **Kognisjonsstudier:** Hvilke typer KI-bruk styrker versus erstatter kognitivt arbeid?
5. **Epistemologistudier:** Hvordan utvikles studentens evne til å vurdere KI-generert kunnskap?
6. **Organisasjonsstudier:** Hvilke universitetsstrukturer muliggjør eller hindrer denne typen utdanning?
7. **Medie-/dokumentstudier:** Hvordan endres forholdet mellom læring, dokumentasjon og evidens når dokumentproduksjon blir automatisert?

Den siste dimensjonen er etter min vurdering særlig underutviklet. Mye av KI-forskningen spør *hva KI gjør med læring*. Et mer grunnleggende spørsmål er **hva automatisert representasjonsproduksjon gjør med selve utdanningens evidenssystem**.

## Den korte teorien

Hvis modellen skal kondenseres til én figur eller ett teoretisk utsagn, ville jeg formulert den slik:

**Utdanningsproblemet oppstår når det er misforhold mellom samfunnets kompetansebehov, universitetets organisatoriske insentiver, profesjonenes arbeidspraksiser, medienes representasjon av kunnskap, studentens faktiske læringsaktivitet og vurderingssystemets mål på kompetanse.**

**Generativ KI øker dette misforholdet fordi den automatiserer produksjonen av kunnskapsrepresentasjoner.**

**Løsningen er derfor ikke primært bedre KI-bruk, men en rekonstruksjon av sammenhengen mellom praksis, kunnskap, aktivitet, dokumentasjon, vurdering og profesjonell handling.**

Det er etter min vurdering et mulig teoretisk fundament for en mer omfattende modell av **universitetet etter generativ KI**. Og den har en fordel framfor mye av dagens KI-litteratur: Den behandler ikke KI som et isolert pedagogisk verktøy, men som en **medieteknologisk endring som forstyrrer hele universitetets produksjons- og vurderingssystem**.

Den siste påstanden støttes også indirekte av nyere forskning som viser at studenters faktiske bruk av generativ KI ofte konsentreres om skriving, parafrasering og omformulering, mens mer krevende bruk til kritisk tenkning og meningsskaping er langt mindre vanlig. 5

Det gjør nettopp **aktivitetsdesignet**, ikke selve KI-verktøyet, til det sentrale forskningsobjektet.

## Mulig videreutvikling

Dette kan nå løftes ett nivå videre og bli et faktisk **teoretisk rammeverk for forskning**. Da ville jeg gjort tre ting: (1) tegnet modellen som en **kausal/systemisk figur**, (2) knyttet hvert av de ti nivåene til konkrete forskningsvariabler og metoder, og (3) formulert **10–15 testbare hypoteser** om hvorfor dagens høyere utdanning får svake resultater og hvordan KI kan brukes til å forbedre – eller forverre – dem.

Det ville gjøre modellen egnet ikke bare som pedagogisk idé, men som et mulig **forskningsprogram eller teoretisk rammeverk for en artikkel, bok eller prosjektbeskrivelse**.

\[/bg\_collapse\]