Refleksiv friktion: Hvordan vi kan lære elever at tænke kritisk med AI

Denne artikel er baseret på en ny forskningsartikel af Peter Dalsgaard, professor og leder af Centre for Digital Creativity ved Aarhus Universitet. Artiklen kan læses her: Reflective Friction in Generative AI: Designing for Slow Thinking in Fast Systems. Jeg beskriver kort tankerne bag Peter Dalsgaards artikel og omsætter dem til konkrete måder, man kan arbejde med AI i undervisningen. De danske oversættelser af begreberne er mine egne.

Lige nu ser vi, at lærere og elever eksperimenterer med samt bruger værktøjer som Claude, ChatGPT og Copilot i undervisningen. Disse værktøjer er ved at blive standardredskaber til arbejdet med generativ kunstig intelligens. Sprogmodellerne er gode til at levere hurtige og velformulerede svar, og den nyeste model, GPT-5 fra OpenAI, gør det endda endnu hurtigere.

Svarene fremstår så polerede og overbevisende, at de ofte tages for gode varer – selv når vi ved, at modellerne kan hallucinerer. Elevernes kritiske sans risikerer at svækkes.

Peter Dalsgaard kalder dette “for tidlig sammenhæng” (premature coherence). AI leverer resultater, der virker færdige og korrekte, før eleverne overhovedet har udforsket spørgsmålet eller gennemgået en læringsproces. Den hurtige, flydende interaktion fjerner de naturlige pauser, hvor vi normalt overvejer, sammenligner og justerer vores tanker.

For at modvirke dette foreslår han at indbygge refleksiv friktion i undervisningen – små, bevidste stop eller spørgsmål, der giver brugeren anledning til at overveje svaret, før det accepteres.

Hvad er refleksiv friktion i undervisning?

I undervisningen er refleksiv friktion en metode til at sikre, at AI ikke overtager hele tænkearbejdet for eleverne. Peter Dalsgaard understreger i artiklen, at det ikke handler om at forbyde teknologien eller gøre den besværlig at bruge, men om at skabe rum for fordybelse og kritisk tænkning undervejs.

Peter Dalsgaard har identificeret otte konkrete måder at arbejde med refleksiv friktion på, som jeg herunder har omsat til praksis i en undervisningskontekst.

Ved at indbygge disse strategier i selve opgaverne tvinges eleverne automatisk til at reflektere over, hvordan de bruger AI.

Grundlæggende handler det ikke kun om bedre og nye AI-værktøjer, men om at bevare elevernes evne til kritisk tænkning. Ved at designe undervisning, der giver mulighed for refleksion over, hvordan eleverne bruger generativ kunstig intelligens i stedet for blot at levere hurtige svar, hjælper vi eleverne med at udvikle bedre dømmekraft – ikke blot hurtigere output.

Målet er at skifte fokus fra at få hurtigere svar til at kunne stille bedre spørgsmål. Peter Dalsgaard beskriver det som at gå fra at optimere AI’s output til at optimere elevernes egen læring og tænkning.

Konkrete undervisningsidéer

Som lærer kan du:

• Designe opgaver, hvor eleverne skal sammenligne flere AI-svar
• Bede eleverne dokumentere deres udvikling af prompts
• Kræve, at eleverne finder usikkerheder i AI-svar
• Lære eleverne at stille bedre spørgsmål til AI
• Lade eleverne forklare, hvorfor de valgte et bestemt AI-svar

For elever betyder det:

• At de lærer at være kritiske forbrugere af AI-genereret indhold
• At de udvikler bedre promptfærdigheder gennem refleksion
• At de forstår AI’s begrænsninger og styrker
• At de bevarer deres egen stemme og kritiske tænkning

AI behøver ikke erstatte læring – den skal understøtte bedre læring. Refleksiv friktion giver os konkrete værktøjer til at gøre netop dette i klasseværelset.

Nye typer sprogmodeller til undervisningen

Peter Dalsgaards artikel afslører et grundlæggende problem med de AI-værktøjer, som vi bruger i undervisningen. De er ikke designet til læring og udgives af tech-giganter, der har mere fokus på at levere et brugbart svar. SkoleGPT og andre læringsværktøjer kunne med fordel indarbejde principperne om refleksiv friktion.

Her hænger Dalsgaards pointer godt sammen med noget, Claus Scheuer-Larsen tidligere har skrevet om, nemlig faren ved, at elever begynder at se AI’s output som “det rigtige svar”. Når det sker, mister de både fornemmelsen af, at viden kan være kompleks, og forståelsen af, at det at lære handler om at udforske og diskutere og ikke blot finde facit.

Fælles viden og videnskabsteori: udfordringer i en tid med generativ kunstig intelligens

I takt med at generativ kunstig intelligens, baseret på store sprogmodeller, som f.eks. ChatGPT, Gemini, Claude eller Copilot bliver en stadig mere integreret del af vores hverdag på uddannelsesinstitutionerne, udfordres vores traditionelle forståelse af viden og særligt begrebet “fælles viden”.

Viden.AIClaus Scheuer-Larsen

AI skal ikke fungere som facitliste, men som udgangspunkt for undersøgelser og diskussioner. Refleksiv friktion kan derfor hjælpe eleverne med at se AI-svar som udgangspunkt for læring – noget, der skal undersøges, udfordres og videreudvikles, ikke blot kopieres direkte ind i afleveringen.