Diskusjonsdokument – ideorientert utkast

[bg_collapse view="button-orange" color="#4a4949" expand_text="Utforske m/KI" collapse_text="Lukk" ]

Problemstillingen kan utforskes i muntlig samspill med en KI-maskin, - her ChstGPT (i utdrag)

Ja, det er et tankevekkende poeng. Hvis lærere selv sklir over i samme mønster som studentene, da peker det på at dette ikke nødvendigvis er et generasjonsproblem, men heller et generelt oppmerksomhetsproblem i et miljø med mye konkurrerende stimuli. En annen måte å se det på, er at deltakerne kontinuerlig vurderer den opplevde verdien av å lytte. Hvis innholdet ikke føles relevant eller engasjerende, da velger folk andre stimuli. En tredje linse er rolleperspektivet. Det vil si at når lærere selv blir deltakere, så viser de samme atferd som de ofte tilskriver «studentene», altså den rollen som passiv mottaker inviterer til distraksjon. Til slutt kan man se undervisning som en sosial praksis. Hvis normen i rommet blir at mange ser på skjermen sin, forsterker det seg selv. Kanskje er ikke hovedproblemet at studentene mangler motivasjon, men at selve undervisningsformatet forutsetter passiv mottakelse. Når selv erfarne undervisere strever med å holde oppmerksomheten i slike settinger, så er det kanskje lite rimelig å forklare studentenes atferd kun med dårlig disiplin. Hva tenker du, er målet ditt å beskrive hvorfor dette skjer, eller er du mer ute etter prinsipper for hvordan undervisninga kan utformes annerledes?

Jeg kjenner at jeg blir dratt mer mot å tenke at du beskriver et strukturelt læringsproblem som har engasjement som forutsetning og samtidig resultat for læring.

Kanskje nøkkelen er å senke terskelen for den første investeringen. Det vil si at undervisningen bør gi en tydelig grunn til å investere oppmerksomhet helt i starten. Det kan bety små konkrete oppgaver som gjør at deltakerne investerer seg selv tidlig.

En annen måte er å tenke at handling ofte kommer før motivasjon. Altså, interessen vokser gjennom deltakelse, ikke omvendt. Undervisningssituasjonen må derfor fungere som en slags utløser, ikke bare en overføring av kunnskap til allerede motiverte.

Jeg synes faktisk det kan formuleres som et eget prinsipp at undervisning bør organiseres for å muliggjøre at umotiverte deltakere gradvis får sitt eget engasjement, fremfor å anta motivasjon på forhånd.

[/bg_collapse]

Et læringsproblem - ikke  «studieteknikk»

Anatomi, fysiologi og biokjemi representerer et særpreget læringslandskap. Studentene skal tilegne seg store mengder begreper, strukturer, prosesser og sammenhenger, men samtidig utvikle en forståelse som gjør kunnskapen anvendbar i kliniske og profesjonelle situasjoner. Det innebærer at arbeidsvaner og motivasjon ikke kan betraktes som to separate fenomener. Hvordan studenten arbeider, påvirkes av hvorfor studenten arbeider, og hva studenten opplever at det er verdt å lære.

Et sentralt spørsmål blir derfor ikke bare «Hvordan kan vi få studentene til å lese mer?», men:

• Hva slags arbeidsvaner fremmer faktisk forståelse?
• Hva får studenter til å opprettholde disse vanene over tid?
• Hvordan påvirker vurderingsformer studentenes prioriteringer?
• Hvordan kan undervisningen gjøre krevende grunnlagskunnskap meningsfull?
• Hvordan kan vi støtte studenter uten å gjøre dem avhengige av ytre kontroll?

Dette åpner for en bredere diskusjon om forholdet mellom arbeidsinnsats, motivasjon, mestring, identitet, læringsdesign, vurdering og profesjonsforståelse.

Underliggende paradoks

Studentene vet ofte at anatomi, fysiologi og biokjemi er viktige. Likevel er det ikke gitt at denne erkjennelsen fører til gode arbeidsvaner. «Dette er viktig» er en annen type motivasjon enn «jeg forstår hvorfor dette er viktig».

Det kan derfor være nyttig å skille mellom minst fire former for drivkraft:

Skillet mellom indre og ytre motivasjon bør dermed ikke gjøres for enkelt. En student kan for eksempel ha liten interesse for biokjemi, men samtidig ha en sterk og internalisert forståelse av at biokjemisk kunnskap er nødvendig for å bli en kompetent helsearbeider. Det er ikke nødvendigvis «indre motivasjon» i betydningen interesse eller glede, men det kan likevel være en svært sterk og selvbestemt motivasjon.

Ide 1: Arbeidsvaner må studeres som praksis, ikke som personlighet

Det er lett å beskrive studenter som «flinke», «late», «strukturerte» eller «umotiverte». Slike beskrivelser kan imidlertid skjule hvordan læringsmiljøet faktisk fungerer.

En student som leser lite, kan ha mange ulike årsaker:

• Studenten mangler studieplan og tidsstruktur.
• Studenten arbeider mye, men med ineffektive metoder.
• Studenten opplever pensum som fragmentert.
• Studenten har ikke forstått hva som forventes.
• Studenten har negative erfaringer med tidligere skolegang.
• Studenten opplever oppgavene som for vanskelige og unngår dem.
• Studenten prioriterer det som vurderes, snarere enn det som er faglig viktig.
• Studenten opplever undervisningen som løsrevet fra framtidig yrkesutøvelse.

Arbeidsvaner bør derfor forstås som noe som oppstår i møtet mellom individ og læringsmiljø. Spørsmålet blir ikke bare hvilke vaner studenten har, men hvilke vaner utdanningen inviterer til.

Ide 2: «Mye arbeid» er ikke nødvendigvis «godt arbeid»

Anatomi, fysiologi og biokjemi kan invitere til store mengder lesing og pugging. Det kan gi en illusjon av produktivitet. En student kan bruke flere timer på å lese et kapittel uten å kunne forklare innholdet etterpå.

Det kan derfor være nyttig å diskutere et skille mellom:

Aktivitet → læringsaktivitet → læringsutbytte.

Å lese, markere, skrive av og se forelesninger er aktiviteter. De blir ikke automatisk gode læringsaktiviteter. Gode læringsaktiviteter må i større grad kreve at studenten henter fram, forklarer, sammenligner, anvender, visualiserer og kobler kunnskap.

Dette aktualiserer en viktig pedagogisk utfordring: Studentene kan være svært arbeidsomme og samtidig utvikle arbeidsvaner som gir svak læring.

Ide 3: Pugging er ikke nødvendigvis problemet

Det er en risiko for at diskusjonen om «dyp læring» utvikler en kunstig motsetning mellom pugging og forståelse. I disse fagene må studenten faktisk kunne huske betydelige mengder informasjon. Anatomiske strukturer, fysiologiske mekanismer og biokjemiske begreper må være tilgjengelige i hukommelsen dersom de senere skal kunne anvendes.

Det interessante spørsmålet er derfor ikke:

«Skal studentene pugge?»

men:

«Hva skal pugges, hva skal forstås, og hvordan skal kunnskapen organiseres slik at den kan brukes?»

En mulig progresjon er:

1. Gjenkjenne strukturer og begreper.
2. Gjengi sentral kunnskap.
3. Forklare sammenhenger.
4. Anvende kunnskapen på nye situasjoner.
5. Integrere kunnskapen med andre fagområder.
6. Resonnere faglig i profesjonelle situasjoner.

Arbeidsvanene bør dermed utvikles i takt med denne progresjonen.

Ide 4: Vurderingen er kanskje den sterkeste motivasjonsmekanismen

Det er vanskelig å diskutere studentenes motivasjon uten å diskutere eksamen. Dersom eksamen først og fremst belønner reproduksjon av detaljkunnskap, er det rasjonelt at studentene utvikler arbeidsvaner som prioriterer reproduksjon.

Dette skaper et mulig misforhold:

Utdanningen sier: «Forstå sammenhengene.»

Studenten oppfatter: «Lær deg det som kommer på eksamen.»

Hvis studentens tolkning er korrekt, er problemet ikke nødvendigvis motivasjonen. Studenten kan være svært rasjonell.

Dette peker mot en mer systemisk forståelse av motivasjon. Studentenes arbeidsvaner formes av det utdanningen faktisk belønner, etterspør og vurderer.

Ide 5: Ytre motivasjon kan være nødvendig – og produktiv

Det finnes en tendens til å betrakte ytre motivasjon som pedagogisk mindreverdig. Det er for enkelt. En krevende profesjonsutdanning inneholder stoff som studentene ikke alltid vil være interessert i. Man kan ikke bygge hele utdanningen på at studentene til enhver tid skal være nysgjerrige.

Eksamen, krav, progresjon, karakterer og profesjonelle forventninger kan fungere som ytre strukturer som hjelper studenten gjennom krevende læringsperioder.

Det avgjørende spørsmålet er derfor kanskje ikke om motivasjonen er ytre eller indre, men hvordan ytre motivasjon internaliseres.

«Jeg gjør dette fordi læreren krever det» kan utvikle seg til:

«Jeg gjør dette fordi jeg forstår at det inngår i den kompetansen jeg trenger.»

Dermed kan ytre regulering være et utgangspunkt for mer selvbestemt motivasjon.

Ide 6: Mestring kan være viktigere enn interesse

Interesse er ikke alltid tilgjengelig. Mestring kan derimot skapes. En student som i utgangspunktet synes fysiologi er vanskelig og lite interessant, kan gradvis oppleve tilfredsstillelse når systemene begynner å henge sammen.

Dette gir et interessant pedagogisk prinsipp:

Motivasjon kan være en konsekvens av læring, ikke bare en forutsetning for læring.

Hvis studenten får erfare at innsats faktisk fører til økt kompetanse, kan mestringserfaringen i seg selv bli motiverende. Dette taler for læringsdesign som gjør progresjon synlig.

Ide 7: «Jeg forstår ingenting» kan være et arbeidsvanproblem

Studenters opplevelse av faglig vanskelighet kan føre til unngåelse. Unngåelse kan igjen føre til mindre arbeid, som fører til svakere forståelse, som igjen bekrefter opplevelsen av at faget er «umulig».

Det kan oppstå en negativ spiral:

Lav forståelse → lav mestring → unngåelse → mindre arbeid → enda lavere forståelse.

Den motsatte spiralen er også mulig:

Avgrenset oppgave → innsats → mestring → økt forventning om mestring → mer innsats.

Et viktig designspørsmål blir derfor hvordan utdanningen kan gi studentene tilstrekkelig utfordring uten å produsere hjelpeløshet.

Ide 8: Fagene har ulik motivasjonsprofil

Anatomi, fysiologi og biokjemi bør ikke nødvendigvis behandles som ett homogent fagområde.

Det kan derfor være en feil å utvikle én universell «studieteknikk». Arbeidsvanene bør tilpasses kunnskapens karakter.

Ide 9: Profesjonsidentitet kan være en sterk motivasjonsmotor

En student kan spørre: «Hvorfor skal jeg kunne alle disse detaljene?» Et mulig svar er ikke bare «fordi de står i læringsutbyttet», men å knytte kunnskapen til profesjonelle handlinger.

Eksempelvis kan anatomisk kunnskap forstås som grunnlag for å:

• orientere seg i kroppen,
• kommunisere presist med andre profesjoner,
• forstå symptomer og funn,
• utføre prosedyrer,
• forstå bildediagnostikk og kliniske beskrivelser.

Fysiologi kan knyttes til spørsmålet:

«Hva skjer når kroppen går fra normaltilstand til sykdom?»

Biokjemi kan knyttes til:

«Hva skjer på molekylært nivå når kroppen mangler, produserer eller bryter ned bestemte stoffer?»

Profesjonsrelevans bør imidlertid ikke reduseres til «Dette kommer du til å bruke på jobb». Den kan også handle om å utvikle en bestemt måte å se, forklare og resonnere om menneskekroppen på.

Ide 10: Studentene trenger kanskje mindre informasjon – og flere gode arbeidsritualer

Et mulig tiltak er å flytte oppmerksomheten fra «pensumdekning» til læringsrytme.

En bærekraftig arbeidsuke kan for eksempel inneholde:

• kort forhåndsarbeid før undervisning,
• aktiv deltakelse under undervisning,
• gjenhenting av kunnskap etter undervisning,
• korte tester uten karakterpress,
• forklaring av mekanismer med egne ord,
• visuell bearbeiding av strukturer og prosesser,
• arbeid med kliniske eller profesjonsrelaterte eksempler,
• ukentlig repetisjon av tidligere stoff.

Poenget er ikke å skape enda flere oppgaver. Poenget er å gjøre god læringsatferd konkret, regelmessig og forventet.

Ide 11: Læringsmiljøet kan fungere som en «stillasstruktur»

Studenter forventes ofte å være selvregulerte. Men selvregulering er ikke nødvendigvis en ferdighet studenten allerede har. Utdanningen kan derfor gradvis overføre ansvar til studenten.

En mulig modell er:

1. Læreren modellerer → 2. studenten arbeider med støtte → 3. studenten arbeider selvstendig → 4. studenten planlegger og evaluerer egen læring.

Dette innebærer en annen forståelse av studiekompetanse. Den skal ikke bare forventes; den skal også læres.

Ide 12: Fravær av kontroll er ikke det samme som autonomi

Autonomi kan misforstås som «studenten bestemmer selv». Men en student som får full frihet uten tilstrekkelig kompetanse til å organisere læringen, kan oppleve friheten som belastende.

Et godt læringsmiljø kan derfor kombinere:

• tydelige forventninger,
• valgmuligheter,
• forutsigbar progresjon,
• tilbakemelding,
• mulighet for fordypning.

Autonomi handler dermed mindre om fravær av struktur og mer om opplevd eierskap innenfor en meningsfull struktur.

Ide 13: Konkurranse kan både motivere og undergrave læring

Karakterer, rangeringer og prestasjonskultur kan øke innsatsen. Samtidig kan de gjøre læring instrumentell. Studenten kan begynne å spørre:

«Hva må jeg gjøre for å få A?»

i stedet for:

«Hva må jeg forstå for å bli faglig kompetent?»

Det betyr ikke at karakterer nødvendigvis bør fjernes. Spørsmålet er hvordan vurderingskulturen kan utformes slik at prestasjon og kompetanse ikke trekkes for langt fra hverandre.

Ide 14: Sosial læring kan endre arbeidsvanene

Individuell lesing er bare én form for læring. Studiegrupper, kollokvier, muntlig forklaring og problemløsning sammen med andre kan gjøre kunnskapen mer aktiv.

Samtidig er studiegrupper ikke automatisk gode. De kan også bli sosiale arenaer hvor studentene bekrefter hverandres misforståelser eller fordeler arbeidet slik at enkelte lærer mindre.

Det interessante spørsmålet er derfor:

Hvordan designer vi sosial læring slik at den faktisk krever individuell tenkning?

Ide 15: Teknologi kan forbedre arbeidsvaner – eller gjøre dem mer overflatiske

Digitale ressurser, flashcards, videoer, simuleringer og generativ kunstig intelligens kan gjøre læringen mer tilgjengelig. Men tilgjengelighet er ikke det samme som læringsverdi.

En sentral risiko er at studenten outsourcer deler av tenkingen:

«Forklar dette for meg.»

«Lag spørsmål til meg.»

«Oppsummer kapitlet.»

Slike verktøy kan være svært nyttige, men de bør helst brukes til å øke studentens kognitive aktivitet, ikke til å eliminere den.

Et relevant prinsipp kan være:

Teknologien bør gjøre studenten mer aktiv, ikke mer passiv.

Ide 16: Arbeidsvaner må være realistiske

En pedagogisk modell som forutsetter at studenter kan arbeide konsentrert åtte timer hver dag, er ikke nødvendigvis en god modell. Arbeidsvaner må ses i sammenheng med studentenes totale livssituasjon, andre emner og kravene i studieprogrammet.

Det kan derfor være mer hensiktsmessig å undersøke:

• Hvor ofte arbeider studenten med stoffet?
• Hvor langt er det mellom læringsøktene?
• Hvor mye av arbeidet er aktivt?
• Hva skjer når studenten ikke forstår?
• Hvordan prioriteres repetisjon?
• Hvor raskt får studenten tilbakemelding?

Regelmessighet kan i mange sammenhenger være viktigere enn heroiske arbeidsøkter rett før eksamen.

Mulig syntese: Fra «motivasjon» til læringsøkologi

En fruktbar måte å samle perspektivene på kan være å betrakte studentens læring som en læringsøkologi.

Den kan illustreres slik:

Profesjonsidentitet
↓
Opplevd mening og verdi
↓
Motivasjon og forventning om mestring
↓
Arbeidsvaner
↓
Læringsaktiviteter
↓
Kunnskap og forståelse
↓
Mestringserfaring
↓
Ny motivasjon og sterkere studievaner

Men økologien påvirkes samtidig av:

• undervisningsformer,
• læringsressurser,
• vurderingsformer,
• lærerforventninger,
• studentkultur,
• timeplan og arbeidsbelastning,
• digitale verktøy,
• profesjonsrelevans.

Dermed blir studentens arbeidsvaner både et individuelt fenomen og et institusjonelt fenomen.

Spørsmål til diskusjon

1. Hva kjennetegner en «god arbeidsuke» for en student i anatomi, fysiologi og biokjemi?
2. Hvilke arbeidsvaner ønsker vi faktisk at studentene skal utvikle?
3. Er disse arbeidsvanene eksplisitt undervist, eller bare forventet?
4. Belønner vurderingssystemet de arbeidsvanene vi ønsker?
5. Hvor mye detaljkunnskap må studentene kunne utenat?
6. Hva bør forstås framfor pugges?
7. Hvordan kan vi gjøre faglig progresjon synlig?
8. Hvordan kan vi bruke ytre motivasjon uten å skape ren eksamensmotivasjon?
9. Hvordan kan vi styrke studentenes opplevelse av autonomi uten å fjerne nødvendig struktur?
10. Hvordan kan profesjonsidentitet brukes som motivasjonsressurs?
11. Hvordan kan vi skille mellom lav motivasjon og dårlige læringsstrategier?
12. Hvordan kan vi oppdage studenter som arbeider mye, men lærer lite?
13. Hvordan kan lærere og studenter utvikle et felles språk for læringskvalitet?
14. Hvilken rolle bør digitale verktøy og generativ KI spille i studentenes arbeidsvaner?
15. Hvordan kan vi unngå at studentene blir avhengige av kontinuerlig ytre oppfølging?

Mulige posisjoner

Et diskusjonsopplegg kan med fordel la ulike normative posisjoner møte hverandre:

Et mulig hovedspørsmål

Hele diskusjonen kan kanskje kondenseres til ett overordnet spørsmål:

Hvordan kan vi utvikle et læringsmiljø der studentene både vil, kan og må arbeide på måter som gir varig forståelse av anatomi, fysiologi og biokjemi?

Dette spørsmålet er interessant fordi det kombinerer tre dimensjoner:

• Vil – motivasjon, mening, interesse og profesjonsidentitet.
• Kan – studiekompetanse, læringsstrategier og mestring.
• Må – krav, vurdering, progresjon og profesjonelle standarder.

En ensidig satsing på én av disse dimensjonene vil sannsynligvis være utilstrekkelig. En utdanning som bare sier «studentene må ta ansvar», kan undervurdere betydningen av læringsdesign. En utdanning som bare forsøker å gjøre alt interessant, kan undervurdere nødvendigheten av disiplinert arbeid. Og en utdanning som primært styrer gjennom eksamen, kan skape arbeidsinnsats uten nødvendigvis å skape den typen kunnskap profesjonen trenger.

En mulig avsluttende tese

Det sentrale pedagogiske problemet er kanskje ikke studentenes mangel på motivasjon, men mangelen på en tilstrekkelig tydelig forbindelse mellom det studentene gjør, det de opplever som meningsfullt, det de blir vurdert i, og den kompetansen profesjonen faktisk krever.

Arbeidsvaner oppstår ikke i et vakuum. De utvikles gjennom gjentatte møter mellom forventninger, oppgaver, vurdering, mestring og mening. Dersom utdanningen ønsker studenter som arbeider jevnt, aktivt og selvregulert, må den derfor ikke bare fortelle studentene at de bør arbeide slik. Den må gjøre slike arbeidsformer synlige, mulige, nødvendige og meningsfulle.

Det åpner for en mer ambisiøs forståelse av motivasjon: Målet er ikke nødvendigvis å gjøre studentene konstant interesserte i anatomi, fysiologi og biokjemi. Målet er å utvikle studenter som har lært å verdsette kunnskapen, tåle faglig motstand, arbeide systematisk og erfare at innsats kan omsettes til kompetanse.

Da blir arbeidsvaner ikke bare et spørsmål om studentens individuelle disiplin. De blir en del av selve utdanningens pedagogiske og profesjonelle design. Vaner & motivasjon

Review and make a comprehensive summary of current global research into student motivation and how to increase it in a variety of university settings and educational designs.

[bg_collapse view="button-orange" color="#4a4949" expand_text="Review" collapse_text="Lukk" ]

Student motivation in higher education: a synthesis of current global research

Scope. The following is a research synthesis of the international literature, with particular emphasis on systematic reviews, meta-analyses and recent studies available up to August 2026. I have treated motivation as broader than attendance or engagement: motivation concerns why students initiate, sustain and regulate learning, while engagement is the observable cognitive, behavioural, emotional and increasingly agentic expression of that motivation.

The central conclusion is relatively clear. Universities do not increase motivation primarily by making teaching more entertaining. The strongest body of evidence points instead toward learning environments that make students feel competent, autonomous and socially connected, while also making the work meaningful, achievable, appropriately challenging and connected to valued future purposes. The design of teaching matters greatly, but its motivational effect is mediated by how students experience the design.

1. The most robust finding: motivation is largely a property of the learning environment

Self-Determination Theory (SDT) currently provides one of the strongest integrative frameworks for understanding student motivation. Its central proposition is that students are more likely to develop autonomous forms of motivation when three psychological needs are supported: autonomy, competence and relatedness.

A major meta-analysis covering 144 studies and more than 79,000 students found that competence satisfaction was the strongest predictor of self-determined motivation, followed by autonomy and relatedness. Teacher autonomy support was also more strongly associated with students' psychological need satisfaction and self-determined motivation than parental autonomy support. 0

This finding has an important implication for university teaching. Giving students choice is not sufficient. Choice without competence can produce uncertainty; competence without autonomy can produce compliance; autonomy without relatedness can produce isolation. The three dimensions need to be designed together.

A more recent meta-analysis of 637 samples and almost 389,000 participants similarly found that supportive teacher behaviours were positively associated with performance, engagement and well-being, whereas need-thwarting environments were associated with poorer outcomes. 1

2. Motivation is not one thing

One of the most important developments in the literature is the move away from treating students as simply being either “motivated” or “unmotivated”. Students can be highly motivated while nevertheless learning for very different reasons.

• Intrinsic motivation: learning because the activity itself is interesting or satisfying.
• Identified/autonomous motivation: learning because the student personally values the activity or its consequences.
• Introjected motivation: learning partly to avoid guilt, shame or damage to one's self-image.
• External motivation: learning for grades, rewards, employment requirements or avoidance of punishment.
• Amotivation: an absence of perceived purpose, value or efficacy.

A large meta-analysis of 344 samples involving more than 223,000 students found systematic differences in the consequences associated with these forms of motivation. More autonomous forms are generally associated with more adaptive academic, well-being and persistence outcomes than controlled forms of motivation. 2

This distinction matters because some familiar university strategies can increase short-term activity without increasing meaningful motivation. Grades, points, deadlines, leaderboards and compulsory participation may produce behavioural compliance while simultaneously weakening students' sense of autonomy.

3. What actually increases motivation?

3.1 Build competence before demanding independence

The evidence suggests that competence is particularly important. Students are unlikely to become intrinsically interested in a subject if they repeatedly experience themselves as incapable of mastering it.

Motivational design therefore needs to include:

• clear expectations and criteria;
• appropriately scaffolded tasks;
• early opportunities for success;
• frequent formative feedback;
• opportunities to revise work;
• explicit teaching of difficult learning strategies;
• progressive increases in complexity.

This is particularly important in university courses that assume considerable prior knowledge. What appears to an instructor as “student autonomy” may be experienced by a novice as abandonment.

3.2 Give meaningful rather than merely cosmetic choice

Autonomy support is not equivalent to allowing students to choose fonts, topics or deadlines. It means helping students experience their learning as something they can endorse and regulate themselves.

Effective autonomy-supportive practices include providing rationales for activities, acknowledging difficulty, offering meaningful alternatives, allowing appropriate choice and avoiding unnecessarily controlling language. The research on SDT interventions is particularly relevant here. A 2024 systematic review and meta-analysis synthesised 36 SDT-based interventions involving almost 12,000 participants and found improvements in intrinsic motivation as well as autonomy and competence. 3

The practical lesson is subtle: autonomy is designed through the structure of learning, not added to it afterwards.

3.3 Make learning consequential and intellectually meaningful

Expectancy-value approaches add an important dimension to SDT. Students are more likely to invest effort when they believe they can succeed and when they perceive the task as interesting, important or useful. They may nevertheless disengage when the perceived cost of participation becomes too high.

Recent research on university students therefore increasingly examines motivational profiles rather than single variables: combinations of expectancy, value and cost differ between students and can change over time. 4

Consequently, explaining why this knowledge matters is not motivational decoration. It is part of the learning design. Students need to see connections between disciplinary concepts, professional practice, intellectual questions, social problems and their own longer-term purposes.

4. Problem-based, project-based and case-based learning

The evidence for student-centred learning is positive, but considerably more nuanced than the rhetoric sometimes suggests.

A major 2024 meta-analysis examined 139 subsamples from 132 reports covering problem-based learning (PBL), project-based learning (PjBL) and case-based learning (CBL). Across the studies, these approaches produced a small-to-moderate positive effect on motivation (d = 0.498) compared with more teacher-centred instruction. The effects were strongest for students' competence beliefs, perceived value and attitudes toward subjects. The effects on the underlying reasons for studying—intrinsic and extrinsic motivation—were much smaller. 5

The study is particularly useful because it included 24 countries and found substantial variation by academic domain and implementation. Effects were larger in STEM and healthcare and larger when problem-driven learning was implemented in an individual course rather than across an entire curriculum. 6

Thus, PBL should not be understood as intrinsically motivating. A poorly structured PBL course can create cognitive overload, group-work problems and uncertainty. Its motivational advantages emerge when authentic problems are accompanied by sufficient scaffolding, feedback, expertise and opportunities for students to experience competence.

5. Active learning and flipped learning

Active learning appears particularly promising when it changes what students do with knowledge rather than simply moving lectures online.

Recent research on flipped classrooms reinforces this point. A 2026 systematic review of 25 higher-education studies examined behavioural, cognitive, emotional and agentic engagement in flipped designs. The literature increasingly suggests that the motivational value of flipping comes less from the pre-recorded lecture itself than from the quality of the active learning that replaces passive classroom time. 7

A useful design principle is therefore:

Do not ask whether a course is “active”. Ask what students are actively thinking about, producing, deciding, explaining, testing or revising.

6. Blended and online education

Online and blended learning create a particular motivational problem because they can weaken social presence, structure and students' immediate perception of progress.

A 2024 systematic review of innovative teaching in online and blended learning identified motivational benefits from combinations of interactive teaching, collaborative activities, technology-supported learning and student-centred approaches. 8

The emerging evidence points toward four important motivational functions in digital environments:

1. Structure: students need to know what to do next.
2. Visibility of progress: students need evidence that their effort is producing competence.
3. Social connection: students need meaningful interaction with teachers and peers.
4. Agency: students need some control over how they approach learning.

This is why simply transferring a lecture to video is generally a weak motivational intervention. Digital delivery needs a different architecture of support.

7. Generative AI is beginning to change the motivational landscape

One of the clearest new developments in the literature is research on generative AI. A 2025 systematic review and meta-analysis examining university students found generally positive effects of GenAI on motivation and several dimensions of engagement. The strongest findings were associated with cognitive and emotional engagement, particularly in individual and small-group learning and with tools such as ChatGPT. The effects varied substantially according to subject, learning strategy and context. 9

This should not be interpreted as evidence that “AI motivates students” in isolation. The more useful interpretation is that AI can alter the motivational conditions of learning by providing:

• rapid feedback;
• explanations at different levels of difficulty;
• iterative dialogue;
• personalised scaffolding;
• opportunities to experiment without social embarrassment;
• greater learner control over pace and support.

At the same time, AI can remove productive struggle, reduce the need for retrieval and create an illusion of competence. A related 2025 meta-analysis of 57 studies found positive effects of GenAI on learning outcomes and affective-motivational status, but found no significant overall effect on metacognition. 10

The motivational design question is therefore not “How can AI make learning easier?” but “How can AI provide support while preserving students' need to think, decide, create and demonstrate competence themselves?”

8. Gamification: useful, but easily misunderstood

Gamification has a positive but qualified evidence base. A 2024 meta-analysis found that gamification increased intrinsic motivation and perceptions of autonomy and relatedness, but had only minimal effects on perceived competence. 11

This helps explain why gamification sometimes works spectacularly and sometimes produces little more than superficial participation. Points, badges and leaderboards can create immediate behavioural incentives without necessarily creating meaningful academic value.

The strongest design is therefore not “turn the course into a game”, but use selected game mechanics to support:

• progress visibility;
• appropriate challenge;
• choice;
• feedback;
• social interaction;
• mastery rather than comparison.

9. Assessment is a major motivational mechanism

Assessment is often treated as an evaluation system external to motivation. The research increasingly suggests that this is a mistake. Assessment communicates what counts as learning and shapes students' goals, effort and sense of competence.

Particularly promising are assessment designs in which students participate in judging the quality of their own work. A 2026 multilevel meta-analysis of experimental studies examined self-assessment and peer assessment and their effects on motivation, reflecting the growing evidence base for assessment as a mechanism for autonomy and self-regulation rather than merely measurement. 12

Motivationally productive assessment tends to have four characteristics:

• Transparency: students understand what good performance means.
• Formative value: feedback arrives while it can still be used.
• Agency: students have opportunities to make decisions about their work.
• Revision: students can convert feedback into demonstrable improvement.

The last point is particularly important. Feedback that cannot change anything is information, not formative learning.

10. Motivation and self-regulated learning are inseparable

Students must not only have motivation; they must be able to regulate it. University students routinely encounter tasks that are boring, difficult, ambiguous or delayed in their rewards. Consequently, the capacity to initiate work, sustain effort and recover from failure is itself part of academic competence.

A 2024 systematic review and meta-analysis of motivational self-regulation identified a broad range of strategies used to maintain academic motivation and concluded that motivational regulation should be treated as an explicit component of self-regulated learning. 13

This suggests that universities should teach students how to:

• set proximal learning goals;
• monitor progress;
• manage attention;
• identify motivational obstacles;
• change strategies when progress stalls;
• connect immediate tasks to longer-term values;
• use help strategically.

In other words, “motivation” should increasingly be taught as a learnable practice rather than treated as a fixed student characteristic.

11. Belonging and relatedness

Students learn within social environments. Relatedness therefore has both a motivational and an institutional dimension.

The importance becomes especially visible among students undergoing cultural and educational transitions. A 2026 systematic review of 35 studies on international students found recurring challenges involving language, academic expectations and institutional navigation. These challenges can reduce competence, restrict relatedness and increase isolation. 14

This has implications beyond international students. First-generation students, mature students, commuters, online students and students entering unfamiliar disciplines can similarly experience a weak sense of academic belonging.

Motivational interventions should therefore not be restricted to classroom pedagogy. They should include:

• early contact with academic staff;
• stable peer communities;
• accessible academic advising;
• clear institutional navigation;
• recognition of students' prior experiences;
• opportunities to participate in disciplinary communities.

12. Teacher behaviour remains central even in highly digital universities

One striking feature of the literature is that increasingly sophisticated educational technologies have not displaced the importance of teachers. Recent work continues to identify teacher support as a central mechanism connecting educational environments with engagement. A 2026 systematic review of teacher support in second-language education, for example, explicitly identifies motivational mechanisms linking teacher support to student engagement. 15

The teacher's motivational role is not primarily to “enthuse” students. It is to construct an environment in which students can understand the task, believe they can succeed, see why it matters and feel that they are participating rather than merely complying.

13. Motivation is strongly connected to self-efficacy

Recent research also reinforces the close relationship between motivation and self-efficacy—the student's belief that they can successfully perform the relevant activity.

A 2026 systematic review and meta-analysis covering 25 studies found positive associations between motivation, self-efficacy, resilience and learning engagement. Motivation showed associations ranging from small-to-medium to large, although substantial heterogeneity indicated that these relationships depend strongly on context. Importantly, the authors caution that the evidence is predominantly correlational and therefore does not establish simple causal relationships. 16

This reinforces the importance of mastery experiences. Telling students to “believe in themselves” is weaker than designing a sequence of tasks through which they can experience genuine improvement.

14. The importance of context and culture

There is no convincing evidence for a single motivational pedagogy that works identically across all universities and student populations.

Effects vary according to:

• discipline;
• level of study;
• student age and prior experience;
• national and institutional culture;
• class size;
• online versus campus-based study;
• assessment regime;
• degree of prior knowledge;
• teacher expertise;
• students' socioeconomic circumstances.

The international literature increasingly treats motivation as person × environment × task rather than as a stable psychological trait. This is particularly important when importing educational designs across national contexts.

For example, the recent international-student literature shows how cultural transitions can change the meaning of autonomy, competence and relatedness. 17 The relevant question is consequently not whether a particular pedagogical method is “student-centred”, but whether students in that context actually experience it as supportive.

15. A synthesis across educational designs

16. What the evidence says about common motivational strategies

Grades: useful as information and certification, but weak as a primary motivational strategy. Excessive emphasis on grades can shift attention from mastery toward performance and compliance.

Attendance requirements: can increase participation but do not necessarily increase motivation. The deeper issue is what students experience when they are present.

Rewards: can initiate behaviour but are less reliable for developing enduring autonomous motivation.

Competition: can motivate some students but undermine relatedness and competence for others.

Choice: generally valuable when meaningful and bounded; excessive choice can create decision costs.

Authentic problems: generally promising, especially when students can see the relevance and possess enough knowledge to tackle them.

Technology: neither inherently motivating nor demotivating. Its effects depend on what it enables students to do.

Personalisation: potentially powerful, but personalisation must not become the removal of productive challenge.

Feedback: highly important when it improves competence and can be acted upon.

Teacher enthusiasm: useful, but insufficient by itself. Motivational teaching is fundamentally about the structure of students' learning experience.

17. An emerging model of motivational university design

Taken together, the evidence suggests that effective motivational design can be represented as a chain:

Meaning → expectancy → manageable challenge → action → feedback → competence → agency → persistence → internalisation.

The student's perception of meaning answers “Why should I care?”. Expectancy answers “Can I do this?”. Challenge answers “Is this demanding but achievable?”. Feedback answers “Am I getting better?”. Agency answers “Do I have some ownership of this?”. Relatedness answers “Am I part of something?”.

When these conditions accumulate, motivation can become increasingly autonomous. When they fail, universities often compensate by increasing external pressure: more deadlines, more monitoring, more compulsory activity and more grading. That can increase short-term compliance while failing to solve the underlying motivational problem.

18. Implications for different university designs

Traditional campus programmes

The strongest opportunity is to transform lectures from the whole learning experience into one component of a broader learning sequence: explanation → application → feedback → revision → reflection.

Professional education

Authentic cases, simulations, clinical/workplace problems and professional communities are especially promising because they increase perceived value and allow students to connect competence with professional identity. The evidence for PBL is particularly strong in healthcare and STEM. 18

Online degrees

The central motivational task is to compensate deliberately for lost proximity. Students need predictable structures, rapid feedback, visible teaching presence and meaningful peer interaction rather than merely more digital content.

Blended programmes

Use physical time for activities that benefit from interaction and digital time for activities that benefit from flexibility, repetition and individual pacing. The division should be pedagogical rather than technological.

Large introductory courses

Here, the critical motivational problem is often competence and belonging. Frequent low-stakes assessment, structured peer interaction, worked examples, rapid feedback and early mastery experiences can be more consequential than sophisticated technology.

Research-intensive programmes

Research projects can provide unusually strong autonomy and value, but students need explicit scaffolding. The research-skills literature similarly emphasises autonomy, competence and relatedness support. 19

International and culturally diverse programmes

Do not equate culturally unfamiliar teaching with autonomy-supportive teaching. Explain expectations explicitly, reduce unnecessary institutional ambiguity, create genuine peer communities and recognise that students may need different forms of scaffolding during educational transition. 20

19. What is still uncertain?

The literature is considerably stronger on correlations than on long-term causal effects. Many studies use one-time questionnaires, self-reported motivation and short interventions. Recent reviews of blended learning and psychological predictors of engagement explicitly identify the heavy reliance on cross-sectional self-report designs as a limitation. 21

There are also several important unresolved questions:

1. Durability: How long do motivational gains from gamification, PBL, AI or particular teaching interventions persist?
2. Transfer: Does motivation generated in one course transfer to other subjects?
3. Scale: Can highly personalised motivational support work in courses with hundreds or thousands of students?
4. Equity: Which interventions work for students with different prior preparation, socioeconomic circumstances and cultural backgrounds?
5. AI: How can AI increase agency without replacing the cognitive work through which competence develops?
6. Measurement: How should universities distinguish genuine motivation from behavioural compliance and platform activity?
7. Agentic engagement: How can institutions measure students' proactive contribution to shaping their own learning rather than only attendance, clicks or participation?

20. A practical hierarchy of interventions

If a university has limited resources, I would not begin with gamification, dashboards or sophisticated AI. The current evidence suggests a more fundamental hierarchy:

1. Improve the quality of teacher–student relationships.
2. Make expectations and pathways to competence explicit.
3. Provide frequent opportunities to experience genuine progress.
4. Increase the perceived value and authenticity of academic work.
5. Provide meaningful student agency.
6. Build peer belonging and disciplinary identity.
7. Use active, problem-driven learning where it fits the discipline.
8. Redesign assessment around feedback, agency and revision.
9. Teach motivational and self-regulatory strategies explicitly.
10. Then use technology—including AI—to strengthen these conditions rather than substitute for them.

21. Overall conclusion

The global literature has moved beyond the simplistic question “How do we motivate students?”. The more productive question is “What kinds of educational environments allow students to develop and sustain motivation?”

The answer emerging from the evidence is remarkably consistent across theories, countries and educational technologies. Students are more likely to persist when they experience competence, meaningful autonomy, relatedness, value, manageable challenge, progress and purpose. Teaching methods such as PBL, flipped learning, blended learning, gamification and generative AI can support these conditions, but none is motivational by itself.

The most important distinction is consequently between motivational techniques and motivational architecture. Techniques attempt to make students participate. Architecture changes the conditions under which participation becomes meaningful.

For universities, this points toward a significant design shift. Rather than asking instructors to “engage” students through increasingly novel activities, institutions should design coherent learning environments in which students can understand why the work matters, see how to succeed, experience themselves becoming more capable, exercise meaningful agency and belong to an academic or professional community.

That is also where the current research on generative AI becomes particularly interesting. AI can make learning more responsive and individually accessible, but it does not remove the fundamental motivational problem. Indeed, it may make the problem more important. When machines can produce answers immediately, the university must become better at designing learning in which the student's own intellectual activity has value.

Selected evidence base

• Bureau et al. — meta-analysis of antecedents of autonomous and controlled motivation, 144 studies and >79,000 students. 22
• Howard, Slemp & Wang — meta-analysis of need-supportive and need-thwarting educational environments, 637 samples and >388,000 participants. 23
• Wang et al. — systematic review and meta-analysis of 36 SDT-based educational interventions. 24
• Wijnia et al. — meta-analysis of PBL, project-based and case-based learning, 132 reports and 139 subsamples. 25
• Li, Hew & Du — systematic review and meta-analysis of gamification and intrinsic motivation. 26
• Xia et al. — 2025 systematic review and meta-analysis of GenAI, motivation and engagement in university students. 27
• Liang et al. — 2026 systematic review and meta-analysis of motivation, self-efficacy, resilience and engagement. 28
• Zhao & Salisbury-Glennon — 2026 systematic review of SDT and international students' cultural transitions. 29
• Yigiter — 2026 multilevel meta-analysis of self- and peer-assessment effects on motivation. 30

Bottom line: The best-supported strategy is not to “add motivation” to a course. It is to design the course so that motivation can develop through competence, autonomy, relatedness, value, feedback and meaningful participation. The evidence also suggests that these principles should be adapted to discipline, educational modality, student population and institutional context rather than implemented as a universal motivational recipe. 31

[/bg_collapse]