Hvordan påvirker kunstig intelligens læringsutbytte og vurderingsgrunnlag?

Høyere utdanning mottar og underviser nå studentkull som har brukt KI-verktøy gjennom hele videregående skole, og for mange studenter og arbeidstakere har verktøy som ChatGPT og andre språkmodeller blitt like naturlige hjelpemidler som kalkulatoren var for tidligere generasjoner.

Samtidig ligger det en risiko i at KI kan gjøre oss mer passive, redusere graden av selvstendig vurderingsevne og svekke evnen til å ta faglige beslutninger på opparbeidet kunnskapsgrunnlag. 

Her er det viktig å påpeke at funnene ikke er ensidige: KI kan ha både positiv og negativ påvirkning på studentenes læringsutbytte (Wu & Yu, 2024).

Det reiser flere viktige spørsmål vi må prøve å finne gode svar på: Hvordan påvirker dette studentenes læringsutbytte og deres evne til å utvikle kritisk refleksjon som ferdighet? Hvordan påvirker det kunnskaps- og ferdighetsnivået hos fremtidens yrkesutøvere? Og hvordan kan vi sikre at vi setter karakter på studentenes kunnskap og selvstendige prestasjon, og ikke primært deres ferdigheter når det kommer til anvendelse av KI?

En ny pedagogisk virkelighet

Høyskoler og universiteter står midt i et paradigmeskifte. I høyere utdanning skal studentene utvikle evnen til kritisk tenkning, selvstendig vurdering og faglig skjønn. 

Ved omfattende bruk av KI kan refleksjonsprosessen der innsikt, forståelse og modning utvikles i noen tilfeller reduseres til en formell prosedyre hvor studenten primært vurderer og redigerer verktøyets løsningsforslag fremfor å selv analysere og tenke frem egne løsninger og argumenter.

Når studenter kan generere tekster, analysere data eller løse oppgaver med språkmodeller, utfordres i tillegg tradisjonelle forestillinger om hva som er egen prestasjon, egen vurderingsevne og selvstendig arbeid. 

Fra refleksjon til redigering

Faglig refleksjon forutsetter tid, kognitiv motstand og en viss grad av usikkerhet. I møtet med det komplekse og tvetydige utvikles dyp læring, når studenten må integrere ny kunnskap med tidligere erfaringer og selvstendig konstruere mening (Biggs & Tang, 2011). Det er resonneringen, selve prosessen der studenten utforsker, vurderer og argumenterer seg frem til forståelse, som danner grunnlaget for læring (Laurillard, 2012). 

KI kan støtte slike prosesser ved å fungere som en sparringspartner, men den kan også undergrave dem. Når språkmodeller raskt genererer velformulerte og tilsynelatende fullstendige svar, svekkes ofte studentens behov for aktiv bearbeiding og refleksjon. Resultatet kan bli en overfladisk forståelse, der studenten forstår svaret, men ikke den resonnerende prosessen som leder dit. Det blir som å bruke kalkulatoren uten først å ha forstått prinsippet bak regnestykket.

Så hvordan skal undervisere vurdere studenters arbeid på en måte som både anerkjenner bruk av nye verktøy og ivaretar kravene til akademisk integritet? 

Kriteriene for karakteren A er ifølge UHR «fremragende prestasjon som klart utmerker seg. Kandidaten viser svært god vurderingsevne og stor grad av selvstendighet.» Men hvordan kan vi vurdere dette når tekstene som leveres, i økende grad kan tilsløre studentens egen resonnering og selvstendige bidrag?

Hva er rettferdig vurdering?

Dette har vært en utfordring også før KI, men vi må uansett ta en diskusjon om hvordan teknologien utfordrer grunnleggende prinsipper for rettferdig karaktersetting. 

Når studenter bruker KI i ulik grad og med varierende kvalitet, blir vurderingsgrunnlaget både mer ujevnt og mer jevnt. Noen leverer tekster som bærer preg av høy akademisk modenhet, men hvor det er uklart hvor mye som er egen refleksjon. Andre velger å skrive alt selv fra bunnen og risikerer lavere karakter, ikke fordi de har lært mindre, men fordi de ikke har brukt digitale hjelpemidler for å korrigere eventuelle feil og mangler.

Samlet rokker dette ved tilliten til vurderingssystemet. Hvis vi ikke kan vite hva som er studentens eget kunnskapsnivå og hva som primært er KI-genererte resultater, undergraves verdien av vitnemålet som dokumentasjon på kompetanse. 

Et tydelig verdistandpunkt

Utfordringen med KI handler ikke bare om læringsutbyttet og hvordan vi vurderer studenter, men om hva høyere utdanning skal være. Høyskolenes og universitetets oppgave har vært å styrke studentenes kritiske tenkning, dømmekraft og evne til å resonnere selvstendig gjennom aktiv utforskning og refleksjon. 

Hvis språkmodeller tar over en større del av dette arbeidet, kan studentens rolle bli mer passiv, og gå fra å utvikle egne resonnementer til å redigere ferdige svar. Da risikerer vi at læring mister noe av dybden, og at utdanning beveger seg bort fra sitt mål om å fremme menneskelig innsikt og forståelse.

Dersom vi lander på at den fremtidige hensikten med høyere utdanning først og fremst handler om å kunne bruke språkmodeller effektivt, kan vi fortsette med hjemmeeksamener utdanningsløpet gjennom uten videre bekymring. 

Men hvis vi mener at et vitnemål skal dokumentere at kandidaten besitter kunnskap, forståelse og ferdigheter som er forankret i egen innsikt og refleksjon, da må vurderingsformene reflektere det. Så enkelt, og samtidig så vanskelig.

Mange språkmodeller skriver fortsatt en slags sjelløs gjennomsnittsprosa som det ikke automatisk blir gode tekster av. Likevel kan studenter i prinsippet allerede nå få språkmodeller til å skrive tekstene for dem med minimal egeninnsats. 

De fleste studenter arbeider heldigvis ikke slik og er etter vår erfaring svært lærelystne. Det er også mange som aktivt velger bort KI fordi de allerede har hatt negative erfaringer knyttet til redusert læringsutbytte. Det viser høy grad av ansvarlighet for egen læring. 

For at høyere utdanningsinstitusjoner skal bevare sin faglige og samfunnsmessige integritet og legitimitet, må vi sørge for at studentene fortsatt blir evaluert på egen kunnskap og egne ferdigheter. Det betyr at innføringsemner og grunnleggende skrive- og kodebaserte kurs bør ha eksamensformer der KI ikke kan brukes i utstrakt grad, for eksempel eksamen med fysisk oppmøte eller muntlig vurdering. 

KI kan være en verdifull støtte i læringsprosessen, men det er studentens egen refleksjon, innsats og resonnering som må være drivkraften i læringen. Høyere utdanning skal ikke være bakstreversk eller teknologifiendtlig, men det skal heller ikke gi fra seg den grunnleggende verdien som ligger i at et vitnemål representerer kunnskap, forståelse og ferdighet iboende i mennesket selv, ikke bare evnen til å skrive gode prompts. 

Referanser:

Biggs, J., & Tang, C. (2011). Teaching for quality learning at university: What the student does (4th ed.). Maidenhead, England: Open University Press/McGraw-Hill Education.

Laurillard, D. (2012). Teaching as a Design Science: Building Pedagogical Patterns for Learning and Technology (1st ed.). Routledge. https://doi.org/10.4324/9780203125083

Wu, R., & Yu, Z. (2024). Do AI chatbots improve students learning outcomes? Evidence from a meta‐analysis. British Journal of Educational Technology, 55(1), 10-33.