Undervisning i AI Fluency

Fire måder at undervise i rammeværket på

1. Lineær. Delegation, så Description, så Discernment, så Diligence, i rækkefølge. Bedst for begyndere, der har brug for struktur.
2. Ikke-lineær. Start hvor som helst, og bevæg dig fleksibelt. Undervis i alle fire D'er som et sammenhængende netværk. Det passer til erfarne studerende, der allerede har AI-vaner, som rammeværket kan hægtes på.
3. Fokuseret. Dyb udforskning af én kompetence ad gangen. Bedst når dybde betyder mere end at nå det hele.
4. To sløjfer. Undervis i det som indlejrede processer: den strategiske Delegation-Diligence-sløjfe, der rummer den taktiske Description-Discernment-sløjfe.

Tilpas tilgangen til de studerendes parathed, den tid du har, og målene. Der findes ikke én rigtig rækkefølge, kun en rækkefølge, der er rigtig for dette rum.

Undervisning i den ydre sløjfe: Delegation og Diligence

Den ændring, du skaber hos de studerende: fra "hvordan bruger jeg AI?" til "hvordan træffer jeg gode beslutninger om AI?" Delegation-Diligence-sløjfen handler om strategisk og etisk beslutningstagning, om hvorvidt, hvornår og hvordan AI skal bruges, og om at tage ansvar for resultaterne. Den går begge veje: Valg om Delegation rejser spørgsmål om Diligence, og erkendelser om Diligence ændrer Delegation.

Undervis i det gennem scenarier med beslutningspunkter, ikke tjeklister. Et scenarie tvinger den vurdering frem, som en tjekliste skjuler, og scenarier hjælper de studerende med at forstå, hvordan kompetencerne hænger sammen i praksis. Ét greb mere: Præsenter begrænsninger ikke som hindringer, men som kreative katalysatorer. Den bedste tænkning om Delegation sker inden for virkelige begrænsninger.

Undervisning i den indre sløjfe: Description og Discernment

Ændringen her: fra kommandoer til samtaler. Studerende kommer typisk med fokus på prompt-tricks. Målet er at tænke i arbejdsrelationer. Det centrale begreb er det kognitive miljø: et fælles ordforråd, etablerede interaktionsmønstre og mekanismer til at bygge videre på tidligere udvekslinger.

Undervisningsgreb, der virker: opgaver, der strækker sig over flere interaktioner over tid, så relationer faktisk kan dannes, at dele din egen AI-samarbejdsproces, også de rodede dele, og at få de studerende til at dokumentere, hvordan deres interaktioner udvikler sig.

Vurdering af de 4D'er

Vurderingstriaden består af tre dele, og alle tre er nødvendige for at få det fulde billede:

1. Resultatbaseret: det, de studerende producerer gennem AI-samarbejde.
2. Procesbaseret: hvordan de studerende arbejder med AI over tid.
3. Refleksionsbaseret: metakognitiv bevidsthed, altså hvordan de studerende tænker om deres egen tænkning.

To principper holder det sammen: Observerbare handlinger og konkrete artefakter er mere pålidelige end antagelser om forståelse, og vurdering bør være en læringsmulighed, ikke kun måling.

Dokumentation pr. kompetence: Delegation viser sig i målsætning, opdeling af opgaver og valg af værktøj. Description viser sig i samtalekvalitet og iterativ forfinelse. Discernment viser sig i kritisk vurdering. Diligence viser sig i etisk beslutningstagning og ansvarlighed.

Design af opgaver

Tre designprincipper: autenticitet (afspejl samarbejde fra virkeligheden, ikke ritualer, der kun hører til i undervisningslokalet), iteration (forfinelse er dér, udvikling viser sig), og pædagogisk gennemsigtighed (vurder selve samarbejdsprocessen åbent, ikke kun resultaterne).

Opgavetyper, der er værd at stjæle

• Forbedr et AI-output: Giv de studerende et middelmådigt AI-udkast, og bedøm forbedringen.
• Sammenlign AI-systemer på samme opgave.
• Annoterede chatlogs: De studerende kommenterer deres egne samtaler og navngiver, hvad der virkede.
• Optagede fortællinger om processen.
• Læringsjournaler gennem et semester.
• Personlige AI-politikker: De studerende skriver deres egne værdier, strategier og metoder for AI-samarbejde. De virker på alle niveauer på én gang: De studerende udvikler deres egen tilgang, føler sig handlekraftige og ansvarlige og reflekterer dybt.
• Peer review, som udvikler Discernment gennem vurdering af andres arbejde.

Håndtering af omfang, fordi procesvurdering er tungt: detaljerede rubrikker, peer review, lynkorte konferencer og selektiv stikprøve af de fulde logs.

AI's betydning for dit fag

Tre spørgsmål, som hvert fag nu skal besvare, og alle tre er værd at stille:

1. Hvad bliver automatiseret i dit felt?
2. Hvor skaber partnerskab mellem mennesker og AI mest værdi?
3. Hvordan forbliver de studerende ansvarlige for AI-systemer i deres fremtidige karrierer?

Omvæltningen er ikke ensartet. Nogle ændringer er muligheder, andre er problemer, der skal løses, og din faglige ekspertise afgør, hvad der er hvad. Byg, som en planlagt øvelse, dit klare svar på det spørgsmål, de studerende faktisk vil stille: "Hvorfor lære det her, når AI kan gøre det?"

At gøre tavs viden eksplicit

Eksperter bærer de fleste af deres standarder tavst, og undervisning i AI-tiden kræver, at de bringes frem. Arbejd sammen med kolleger gennem hvert D:

• Discernment: hvordan ser kvalitet faktisk ud i vores felt, ud over vage ord?
• Description: hvad er de reelle artefakter i vores arbejde, og hvilke ekspertmæssige tankeprocesser ligger bag dem?
• Delegation: opdel feltets arbejde, og beslut element for element: Automation, Augmentation eller Agency?
• Diligence: kodificer feltets etik, normer for oplysning og forventninger til ansvarlighed.