Jag var nyligen med på ett så kallat AI-hackathon som anordnades av det europeiska TADAM-projektet i Aten, Grekland. Deltagarna – lärare och experter inom medie- och informationskunnighet (MIK) – hade fått utmaningen att ta fram ett pedagogiskt upplägg för att träna AI-kompetenser bland olika grupper av barn och unga. Min roll, som forskare i ämnet, var att vara deras ”kritiska vän”, alltså den som ställer frågor, ifrågasätter och hjälper dem att se nya perspektiv.

Och tänka sig – detta är faktiskt ett riktigt kul och effektivt sätt att lära sig om både teknologi och medier. På biblioteket i Göteborg har man arrangerat liknande grupparbeten för yrkesverksamma bibliotekarier under namnet MIK-jam. Även där fick jag vara en kritisk åhörare – så inspirerande!

Nu tänkte jag att sammanfatta några lärdomar som jag hittills fått för er som arbetar som lärare.

Komplext ämne, enkla upplägg

AI kan kännas som ett mycket abstrakt och komplext ämne, men AI-övningar behöver faktiskt inte vara särskilt komplicerade. Tanken är snarare att stötta elevernas egen reflektion och ett eget tillvägagångssätt till olika verktyg som finns tillgängliga.

Ett exempel från hackathonet var en grupp som skissade på en uppgift där eleverna skulle skapa ett storyboard till en film. Sedan skulle de analysera och diskutera de bilder de själva tagit fram – vilka fördomar och partiskhet finns? Vilka stereotyper speglas? Hur förmedlas abstrakta idéer som klimatförändringar, glädje eller professionalitet visuellt? Hur borde man prompta för att göra bilderna bättre? Alltså grundfrågor i AI-genererat visuellt innehåll.

Om man hade velat förenkla uppgiften ännu mer hade man kunnat skissa på en tecknad serie i tre rutor om klimatförändring (bias alert!) där en vacker kvinna (bias alert!) träffar en forskare (bias alert!) och de blir mycket förvirrade på grund av något som händer (bias alert!).

En annan grupp valde att ta fram övningskort på tre nivåer – från nybörjare till expert – där eleverna fick testa olika AI-verktyg och jämföra resultaten. Korten uppmanade att ställa sig resultaten kritiskt.

Upplägg kan planeras på tusen olika sätt, men det viktiga, som i alla övningar, är att först definiera lärandemål och avsluta med självreflektion. Som jag nämnde i mitt tidigare inlägg utgår min pedagogiska 3E-modell just från detta: först dyker man in (entry), sedan testar man och utforskar (experiment), och till sist formulerar man någon insikt (exit).

Tips för dig som lärare

Om du är lärare och tänker planera kreativa övningar kring AI tycker jag att det följande är viktigt att förstå om AI:

  • AI är mycket mer än bara ChatGPT eller Copilot (eller Gemini, Claude eller Deepseek, så kallade chatbottar). Det är ett samlingsbegrepp för olika teknologier, och det finns otroligt många verktyg och tillämpningar – alla med sina styrkor och begränsningar.
  • Ska man lära sig om AI med eller utan mobiler – online eller offline? Det är en fråga man behöver ta ställning till, och ofta fungerar det bäst att variera mellan distraktionsfria diskussioner och praktiska testsessioner. Om man bara pratar om AI blir det lätt för distanserat och normativt – typ ”så här gör man som god medborgare”. Men om man fastnar i testandets rus kan reflektion lätt utebli.
  • Vilket verktyg man väljer är en grundfråga. Stora språkmodeller, som används på upp till 120 språk (varav ungefär 30 på modersmålsnivå), fungerar annorlunda och ger andra resultat än specialiserade applikationer som är designade, till exempel, för att skapa videor, musik eller poddar.
  • Resultatet från AI beror också på hur vi interagerar med den. Historik, profilering, språkval och stil spelar roll. Ställer du en fråga på ett konfrontativt, otrevligt eller till och med förolämpande sätt kan du få mindre detaljerade svar. Ber du om fem recept på potatisrätter på svenska, italienska, arabiska och swahili kommer svaren att skilja sig åt – inte bara språkligt, utan också kulturellt, eftersom AI:n svarar utifrån det material det tränats på.
  • I grund och botten handlar det om interaktion. Därför talar vi ofta om samintelligens, hybridintelligens eller samskapande med maskin, istället för “användning”. Det är viktigt att inte nöja sig med första svaret man får. Man ska lära sig ett mindset att ställa följdfrågor, ifrågasätta och utforska. Att fråga efter källor och ställa metafrågor gällande hur AI:n har kommit fram till sina resultat.
  • Och kom ihåg: när du inte vet något – till exempel hur din AI fungerar – kan du alltid fråga AI:n (med förra meningen i åtanke såklart)!