Vad mäter vi egentligen när studenterna använder AI?

Det finns två vanliga sätt att hantera AI utan att egentligen hantera den. Det ena är att tillåta den utan att förändra något annat. Det andra är att förbjuda den. Förbudet är förståeligt som impuls, men det besvarar inte frågan om hur kursen ska designas för att lärandet ska bli synligt. Det skjuter designproblemet framför sig.

En studie av Castro-Lopez m.fl. (2026) visar att studenter som använder AI på eget initiativ presterar sämre, inte för att AI är skadligt i sig utan för att användningen saknar pedagogisk inramning. Kursen är inte designad för den. Hausman m.fl. (2025) beskriver ett parallellt mönster i en policyanalys från det europeiska forskarnätverket CEPR: betygen stiger när AI blir vanligt i kurserna, men de färdigheter som betygen traditionellt har signalerat gör det inte. Signalvärdet och det faktiska kunnandet glider isär. Samtidigt konstaterar Ranganathan och Ye  (2026) att AI inte frigör tid, den intensifierar arbetet. Det som var ett godkänt slutresultat igår är ett ingångsvärde idag. Den logiken gäller lika mycket våra studenter som oss själva. När vi tillåter, eller förutsätter, att studenter använder AI förändras förutsättningarna för hela kursen. Men om lärandemålen är desamma, aktiviteterna desamma och examinationen densamma som innan AI fanns, mäter vi inte längre det vi tror att vi mäter. Vi mäter något annat, och vi vet inte riktigt vad.

Här blir konstruktiv länkning ett nödvändigt redskap, inte ett pedagogiskt modeord. John Biggs idé är enkel: lärandemål, läraktiviteter och examination måste hänga ihop. Studenten ska träna på det som examineras, och examinationen ska mäta det som målen pekar mot. När kedjan håller är kursen begriplig och rättvis. När den brister uppstår luckor som studenten rationellt fyller med det som finns till hands, och idag finns AI till hands.

Det är i dessa luckor två besvärliga fenomen uppstår. Skugglärandet byggs fram när kursen inte erkänner att AI finns, eller inte bygger in ett pedagogiskt genomtänkt sätt att arbeta med den. Studenten använder den ändå, men utanför lärarens synfält och utan den inramning som skulle kunna göra användningen till ett lärande. Fasadlärandet är något annat. Det är förmågan att producera något som ser ut som kunskap men är hantering av digitala verktyg. Välformaterat, ämnesmässigt tomt. Sejdiu och Sejdiu (2025) tar upp att 86 procent av studenters AI-användning i inlämningar gick oupptäckt av lärarna, och att även erfarna bedömare har svårt att skilja AI-text från studenters egna. Skugglärandet är ett designproblem. Fasadlärandet är ett bedömningsproblem. Båda hanteras bäst med en kurs där kedjan är genomtänkt.

Den snabbaste lösningen när AI-frågan uppstår är att återinföra salstentamen. Kontrollerad miljö, inga hjälpmedel, problemet löst. Det är en förståelig impuls, och i vissa sammanhang är det en fullt rimlig examinationsform. Men när salstentamen väljs som svar på AI snarare än som svar på lärandemålen har den blivit en kontrollösning för personidentifikation, ett sätt att säkerställa att det är rätt student som skriver, men inget som säkerställer att examinationen mäter det kursens lärandemål pekar mot. Alla lärandemål låter sig inte mätas under ett par timmar i ett tyst rum. Förmågan att resonera, värdera källor eller kommunicera till olika målgrupper kräver format som salstentan sällan medger.

Kursutveckling i ljuset av AI handlar till sist också om rättvisa. När vi höjer kraven på vad studenter förväntas producera förutsätter vi att alla möter AI-verktygen på ungefär samma villkor, och det stämmer sällan. En student med etablerad AI-vana producerar mer med samma ansträngning, medan den som saknar den vanan möter samma höjda krav utan att ha fått möjlighet att utveckla den kompetens som krävs för att möta dem. Högskolan är en av de få arenor som kan motverka den ojämlikheten, men det förutsätter att vi tar ansvar för att träna studenterna i AI-användning, inte som ett kursmoment bland andra utan som en del av hur vi tänker kring vad det innebär att kunna något inom ett ämne idag.

Det här är inte ett arbete som kan vänta till nästa termin. Vad är det första du behöver ompröva i din egen kurs?

Text skriven av Lars Johansson, avdelningschef Akademus

Källor

Castro-Lopez, A., El Abed, M., Cervero, A., & Álvarez-Blanco, L. (2026). From AI adoption to underperformance? Investigating the impact of interactive AI tools on student outcomes in higher education. European Journal of Higher Education. https://doi.org/10.1080/21568235.2026.2620686

Hausman, N., m.fl. (2025). Generative AI in universities: Grades up, signals down, skills in flux. CEPR/VoxEU.

Ranganathan, A., & Ye, X. M. (2026, februari). AI doesn't reduce work, it intensifies it. Harvard Business Review.

Sejdiu, N. P., & Sejdiu, S. (2025). The quiet transformation of higher education in the AI era. Open Research Europe.