AI, kritiskt tänkande och den vana att öva på att hämta data som fortfarande fungerar

För föreläsaren som fortsätter att läsa att AI urholkar studenternas tänkande och vill veta vad man specifikt ska göra åt det i nästa lektion.

Varje ny termin står fakulteten inför någon version av samma fråga: lär sig studenterna, eller går de bara igenom en examensprocess? I år har den frågan en ny bakgrund, och siffrorna bakom den är svåra att vifta bort.

Vad fakulteten är rädd för

En undersökning från november 2025 bland 1 057 lärare, utförd av American Association of Colleges and Universities och Elon Universitys Imagining the Digital Future Center, visade att 90 % tror att generativ AI kommer att minska studenternas kritiska tänkande. 83 % tror att det kommer att förkorta deras uppmärksamhetsspann, och 95 % förväntar sig att det kommer att öka studenternas överberoende av själva verktygen. Nästan tre av fyra, 73 %, har personligen stött på ett problem med akademisk integritet som involverar AI.

Det här är inte oron från en motståndskraftig minoritet. Bland de lärare som svarade är detta majoritetens uppfattning, och den är specifik. Inte "AI är störande" i abstrakt mening, utan en gemensam känsla av att något mätbart händer med hur studenter tänker.

Samma verktyg, två olika elever

Studenterna gömmer sig inte heller för detta. HEPI:s Student Generative AI Survey från 2026, baserad på 1 054 brittiska studenter, fann att 95 % nu använder AI i någon form och 94 % använder det för bedömt arbete. Endast 12 % medger att de skickar in AI-genererad text direkt, även om den siffran har fyrdubblats sedan 2024, då den låg på 3 %. Gränsen mellan att "använda AI för att hjälpa" och "låta AI göra det" rör sig snabbt.

Två av undersökningens egna citat, placerade sida vid sida, berättar historien bättre än någon statistik. En student beskrev hur de använde AI för att sammanfatta täta läsningar så att de kunde "fokusera på kritisk analys och djupare förståelse". En annan skrev helt enkelt: "Jag använder inte min hjärna alls". Samma verktyg, samma term, två helt olika lärandeupplevelser. Undersökningen ger inga tecken på att någon av studenterna gjorde något ovanligt.

Varför mekanismen inte har förändrats

Det som skiljer dessa två elever åt är inte verktyget. Det är vad klassrummet begärde av dem när de väl hade använt det.

AI kan svara på "vad"-frågan snabbare än någon föreläsning, vilken lärobok som helst, vilken typ av kontorstid som helst. Vad den inte kan göra är att vikariera för en student i det ögonblick de ombeds att förutsäga ett resultat, försvara ett val eller förklara något med egna ord. De momenten fungerar bara om det är studenten som hämtar informationen.

Detta är den äldre idén bakom hela debatten: återvinningsövning, ibland kallad testeffekten. Det är den väletablerade upptäckten att aktivt hämta information ur minnet bygger starkare och mer långvarig förståelse än att få samma information igen. Det är inte nytt, och det handlar inte om AI. Det är bara det att AI gör det ovanligt lätt att hoppa över.

16 poängs skillnad

En studie från 2025, ledd av forskare vid Drexel University (An et al.), sätter en siffra på skillnaden. I en datavetenskapskurs fick studenterna AI-genererade övningsfrågor för återhämtning under vissa veckor, övningsuppgifter med låg risk som tvingade dem att komma ihåg och tillämpa det de just hade lärt sig, och inga under andra. Samma studenters quizprestationer jämfördes sedan vecka för vecka.

De fick 89 % under veckorna med övning i att hämta text och 73 % under veckorna utan. En skillnad på 16 poäng kallade forskarna både statistiskt och praktiskt signifikant, vilket berodde på att man inte ändrade något i innehållet, bara om eleverna tvingades hämta det.

Det fyndet förändras inte eftersom AI existerar. Om något så namnger den exakt vad som står på spel. Mekanismen som producerar verkligt lärande bygger fortfarande på ansträngande återkallelse, och AI:s användbarhet för en elev beror helt på om den används för att uppmana till den ansträngningen eller för att ersätta den.

Igenkänning är inte återkallelse

Det finns en fälla värd att nämna innan man bygger något av detta. En flervalsfråga kan ofta besvaras med igenkänning, där rätt alternativ helt enkelt ser bekant ut, utan att eleven någonsin minns något från ett tomt papper. Igenkänning känns som att veta, vilket är just därför elever som smidigt har gått igenom ett ämne fortfarande kan välja rätt ruta och gå därifrån övertygade om att de förstått det.

Verklig återkallelse kräver att eleven producerar svaret, inte hittar det. Det är svårare, och svårighetsgraden är poängen: inom rimliga gränser gäller att ju mer ansträngning återkallelsen kräver, desto starkare minne bygger den upp, en upptäckt som forskare kallar önskvärd svårighetsgrad. Så den användbara klassrumsmixen är inte bara ett format. Snabba alternativbaserade kontroller är bra för att läsa rummet på några sekunder. Åtminstone vissa uppmaningar bör dock få eleverna att generera ett svar från ingenting, vilket är där korta svarsfrågor och "förklara tillbaka" förtjänar sin plats.

Där AI-policyn tar slut

Det är därför frågeteknik, inte AI-policy, kan vara högre utbildnings mest underutnyttjade verktyg. I AAC&U-undersökningen sa 87 % av fakulteten att de hade skrivit tydliga policyer för AI-användning, men 59 % sa fortfarande att deras institution inte var väl förberedd för att hjälpa studenter att möta vad som komma skall.

Policy är nödvändig, men den styr vad en student lämnar in i efterhand. Den gör föga under de nittio minuterna innan de lämnar in det, i föreläsningssalen eller seminarierummet, där det faktiska tänkandet antingen sker eller inte sker, och där inget policydokument någonsin har fått någon att tänka mer.

Så här ser det ut på en föreläsning

Det praktiska draget är litet. Det är en handfull återhämtningsfrågor som placeras i själva föreläsningen, på de ställen där du annars skulle fortsätta prata.

Drexel-studien är värd att kopiera nästan exakt, eftersom dess design är den användbara delen: korta uppmaningar, under naturliga pauser, som ber eleverna att komma ihåg eller tillämpa det de just hört snarare än att slå upp det. Ett livequiz är det renaste sättet att genomföra detta med en fullsatt klassrum, eftersom det tvingar varje elev att förbinda sig till ett svar istället för att låta de få självsäkra bära sessionen:

1. Välj svar för en snabb återkallelse eller tillämpningskontroll. ”Vilket av dessa fyra antaganden bryter modellen mot om data inte är oberoende?” Alla svarar på sina telefoner, fördelningen visas på skärmen och du lär direkt in i de felaktiga svaren som dyker upp.
2. Kort svar när du inte vill att alternativen ska göra minnet åt eleven. En maskinskriven prompt utan flervalsfrågor är närmare sann hämtning, av igenkänningsskälet ovan.
3. AI-genererade frågor, så som An och kollegor gjorde det. Den AhaSlides frågesportsskapare har ett AI-läge som utarbetar hämtningsfrågor från ett ämne eller en uppladdad föreläsningsfil på några sekunder, vilket tar bort den främsta ursäkten för att hoppa över övningen: att det är ytterligare en sak att förbereda sig att skriva frågorna.

Tre uppmaningar värda att stjäla

Formatet spelar mindre roll än vad uppmaningen tvingar studenten att göra. Tre som rör sig över olika ämnesområden:

1. Gratis återkallelse. ”Utan att titta i dina anteckningar, skriv den mening som fångar vad de senaste femton minuterna handlade om.” Det är den billigaste återhämtningsfrågan som finns, och de tomma meningarna berättar direkt vad som inte landade.
2. Ansökan till något nytt. ”Här är en datamängd som du inte har sett. Vilken metod från idag gäller, och vad fungerar inte om du använder den andra?” Att tillämpa en regel på ett nytt fall är mycket svårare att förfalska än att formulera den igen.
3. Spridad hämtning över sessioner. ”Vad gick vi igenom förra veckan som den här veckan motsäger?” Att hämta inspiration från en tidigare lektion, inte från de sista tio minuterna, är den väg där en varaktig förståelse byggs upp.

Inget av dessa tar mer än en minut i lektionstid, och var och en av dem lägger ner ansträngningen där AI inte kan nå den.

De ögonblick som fortfarande tillhör studenten

Inget av detta är ett argument för att motstå AI i klassrummet, och data stöder inte den slutsatsen. Många elever använder det redan väl.

Det är ett argument för att vara medveten om vilka ögonblick som fortfarande tillhör studenten ensam, och att utforma föreläsningar, seminarier och bedömningar för att skydda dessa ögonblick med flit, en återgivningsfråga i taget. En lärare i den här utgåvan har byggt en hel frågeställningspraxis kring just den idén och ersatt det reflexiva "några frågor?" med en fråga som får studenterna att tänka. AI förändrade hur snabbt en student kan få ett svar. Den förändrade inte vad som måste hända inuti deras huvud för att svaret ska bli deras.

Referensprojekt

Amerikanska föreningen för högskolor och universitet och Elon Universitys Imagining the Digital Future Center. (21 januari 2026). Nationell undersökning: 95 % av universitetslärarna fruktar studenternas överberoende av AI och minskat kritiskt tänkande bland elever som använder generativa AI-verktyg. AAC&U. https://www.aacu.org/newsroom/national-survey-95-of-college-faculty-fear-student-overreliance-on-ai-and-diminished-critical-thinking-among-learners-who-use-generative-ai-tools

An, Y., Liu, J., Acharya, N., & Hashmi, R. (2025). Förbättra studenters lärande med LLM-genererade övningsfrågor för hämtning: En empirisk studie i datavetenskapliga kurser. arXiv. https://arxiv.org/abs/2507.05629

Stephenson, R., & Armstrong, C. (12 mars 2026). Undersökning om generativ artificiell intelligens bland studenter 2026 (HEPI-rapport 199). Institutet för högre utbildningspolitik. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/