Fra trekasse til kunstig intelligens

Skrevet av Morten Egtvedt
Sist oppdatert 7. september 2026 · 26 min lesetid

Den lange reisen mot Skinners læringsmaskin.

Da B. F. Skinner høsten 1953 satte seg bakerst i datterens matematikkklasse, så han et undervisningssystem som i stor grad var organisert etter lærerens logistikk – ikke etter den enkelte elevens læring.

Alle elevene arbeidet med de samme oppgavene i samme tempo. Noen ble raskt ferdige og måtte vente. Andre strevde og ble hengende etter. Besvarelsene ble samlet inn, rettet om kvelden og levert tilbake neste dag. For Skinner innebar dette to åpenbare problemer: Konsekvensene av elevens svar kom altfor sent, og undervisningen var ikke tilpasset elevens faktiske progresjon.

Noen dager senere bygde han en enkel mekanisk prototype. Den besto av en trekasse, kort med regneoppgaver og hendler eller skyveknapper som eleven brukte til å konstruere svaret. Ved riktig svar kunne et lys tennes, en bjelle ringe eller eleven få gå videre. Det var en primitiv maskin, men den var bygget rundt en radikal idé: Eleven skulle ikke bare motta undervisning. Eleven skulle respondere aktivt, få en umiddelbar konsekvens og møte neste oppgave på grunnlag av hva han eller hun nettopp hadde gjort.

Mer enn 70 år senere står vi kanskje for første gang med en teknologi som kan realisere denne ideen fullt ut. Ikke fordi kunstig intelligens kan vise tekst på en skjerm eller rette flervalgsspørsmål – det har datamaskiner kunnet lenge – men fordi AI kan gjøre selve undervisningsprogrammet dynamisk. Systemet kan i prinsippet tolke åpne svar, oppdage mønstre i feilene, generere nye eksempler, tilpasse hjelpen og undersøke om eleven faktisk kan anvende det lærte i nye situasjoner.

Men historien viser også hvorfor teknologi alene aldri har vært nok.

Skinner oppfant ikke den første undervisningsmaskinen

Historisk presisjon er viktig: Skinner var ikke den første som bygget en undervisningsmaskin.

Allerede tidlig på 1920-tallet utviklet psykologen Sidney Pressey en maskin som presenterte flervalgsspørsmål. Eleven trykket på en tast for å avgi svaret. I en senere versjon ble maskinen stående på samme spørsmål helt til eleven svarte riktig. Dermed ble apparatet mer enn en testmaskin: Det begynte også å gi umiddelbar tilbakemelding og bidra til læring.

Skinners viktigste bidrag var derfor ikke selve boksen. Bidraget var en mer omfattende teori om hvordan undervisning kunne konstrueres ved å arrangere effektive læringsbetingelser – eller, med atferdsanalytisk språk, kontingenser for læring.

I artikkelen The Science of Learning and the Art of Teaching fra 1954 og den senere artikkelen Teaching Machines i Science fra 1958 beskrev Skinner undervisning som en nøye planlagt progresjon. Eleven skulle bevege seg fra det han eller hun allerede mestret, til stadig mer avanserte prestasjoner gjennom en serie håndterbare trinn. Hvert trinn skulle gi eleven anledning til å respondere, og responsen skulle få en rask og informativ konsekvens.

Det er lett å redusere dette til «små oppgaver og belønning for riktig svar». Det ville være en grov forenkling. Skinners egentlige prosjekt var å konstruere en undervisningssituasjon der:

eleven måtte gjøre noe aktivt, ikke bare lese eller lytte
tilbakemeldingen kom mens responsen fortsatt var aktuell
vanskelighetsgraden økte gradvis
eleven kunne arbeide i sitt eget tempo
sannsynligheten for å lykkes var høy
elevens feil ga informasjon om hva som burde skje videre

Maskinen var med andre ord ikke først og fremst en innretning for å presentere informasjon. Den var et forsøk på å organisere en tett og effektiv strøm av samhandling mellom elevens atferd og undervisningsmiljøet.

---

Pressey oppdaget problemet som fortsatt følger oss

Pressey kom senere med en advarsel som er minst like relevant i AI-alderen.

Elever kunne prestere svært godt mens de brukte maskinen hans, men likevel vise svak retensjon en uke senere. Dersom oppgaven ble formulert på en litt annen måte eller presentert i en ny sammenheng, kunne prestasjonen falle dramatisk. Først når maskinøvelsene inngikk i et mer fullstendig undervisningssystem, ble læringsresultatene mer robuste.

Dette skillet er fundamentalt:

Å lykkes med en oppgave mens man får hjelp, er ikke nødvendigvis det samme som å ha lært.

Eleven kan lære å kjenne igjen bestemte spørsmål, følge lokale hint eller navigere i selve programmet uten å utvikle den kompetansen undervisningen egentlig skulle produsere. Riktig svar kan være et resultat av god støtte i øyeblikket – ikke av en varig og generaliserbar ferdighet.

Det samme problemet finner vi i dagens AI-bruk. En elev kan produsere en imponerende tekst, løse et matematikkproblem eller analysere en faglig case med hjelp fra en språkmodell. Likevel vet vi ikke om eleven kan gjøre det samme alene, senere, med nye eksempler og under andre betingelser.

Presseys advarsel peker derfor direkte mot det viktigste målet for enhver undervisningsteknologi: Systemet må ikke optimaliseres for prestasjon med systemet, men for prestasjon uten systemet.

Programmert undervisning: Maskinen flytter inn i læreboka

På slutten av 1950-tallet og begynnelsen av 1960-tallet vokste det fram en omfattende bevegelse rundt programmert undervisning – programmed instruction.

Det avgjørende ordet var ikke «maskin», men «program». En undervisningssekvens kunne like gjerne presenteres i en bok som i en mekanisk innretning. Det sentrale var hvordan lærestoffet var analysert, sekvensert og testet.

I Skinners lineære programmer ble stoffet delt inn i en serie små enheter, ofte kalt frames. Hver frame presenterte informasjon eller et spørsmål og krevde vanligvis at eleven selv konstruerte et svar. Etter at svaret var avgitt, fikk eleven umiddelbar bekreftelse og gikk videre til neste frame.

Skinner foretrakk konstruerte svar fremfor flervalg. Ved flervalg kan eleven velge riktig alternativ uten å kunne produsere svaret selv. Alternativene kan dessuten fungere som utilsiktede hint eller lære eleven feil svar som senere må diskrimineres bort.

Norman Crowder utviklet omtrent samtidig en annen variant, vanligvis kalt forgrenet programmering eller branching programming. Her fikk eleven gjerne større informasjonsenheter og svarte på flervalgsspørsmål. Riktig svar førte videre i hovedprogrammet, mens bestemte feil kunne sende eleven til en forklaring, et eksempel eller en korrigerende sidesekvens.

Crowders programmer var en tidlig form for adaptiv undervisning. Men tilpasningen var begrenset til de feilene og forgreningene programforfatteren hadde forutsett på forhånd.

Det mest vitenskapelige ved programmert undervisning var likevel ikke de små rammene eller de mekaniske apparatene. Det var tanken om at undervisningsprogrammet måtte prøves ut på faktiske elever og revideres på grunnlag av prestasjonene deres.

Dersom mange elever gjorde samme feil, skulle man ikke umiddelbart konkludere med at elevene manglet motivasjon eller evner. Feilen kunne tyde på at:

et nødvendig forkunnskapsnivå manglet
eksemplene ikke etablerte riktig diskriminasjon
trinnet mellom to oppgaver var for stort
instruksjonen var tvetydig
hjelpen ble fjernet for raskt
programmet testet noe annet enn det hadde undervist

På denne måten ble et undervisningsprogram en empirisk hypotese. Programforfatteren hevdet i praksis: «Denne sekvensen vil produsere denne kompetansen.» Elevens prestasjoner avgjorde om påstanden holdt.

Hvorfor programmed instruction forsvant

Programmert undervisning ble svært populært på 1960-tallet. Det ble utviklet programmer for skoler, universiteter, industri og militær opplæring. Undervisningsmaskiner, programmerte lærebøker og ulike former for selvstudium ble markedsført som starten på en revolusjon.

Men på 1970-tallet falt bevegelsen raskt i popularitet. Programmene ble kritisert for å være mekaniske, rigide og kjedelige. Eleven kunne sjelden stille egne spørsmål, be om en annen forklaring eller formulere et svar som ikke allerede var forutsett av programforfatteren. Samtidig var det svært tidkrevende og kostbart å utvikle gode programmer. Mange kommersielle produkter kopierte de synlige kjennetegnene – korte tekster, spørsmål og fasit – uten den omfattende analysen, utprøvingen og revisjonen som skulle gjøre metoden vitenskapelig.

Det var også en grunnleggende teknologisk begrensning: Programmet kunne bare reagere på det programmereren hadde kodet inn.

En elev kunne komme fram til riktig svar av feil grunn, men maskinen registrerte bare «riktig». En annen elev kunne formulere en faglig god forklaring med uventede ord, men få svaret underkjent. Programmet kunne ikke føre en reell samtale, undersøke elevens resonnement eller generere et nytt eksempel i øyeblikket.

Dermed ble individualiseringen langt mer begrenset enn visjonen tilsa.

Likevel forsvant ikke prinsippene. De fortsatte i flere parallelle tradisjoner, ofte under andre navn.

Keller-planen: Fra undervisningsmaskin til undervisningssystem

I 1968 beskrev Fred S. Keller sitt Personalized System of Instruction, ofte kalt Keller-planen eller PSI, i artikkelen Good-bye, Teacher….

Keller overførte flere av prinsippene fra programmert undervisning til organiseringen av et helt universitetskurs. Studentene arbeidet i eget tempo, kurset var delt inn i mindre enheter, og studentene måtte dokumentere mestring av én enhet før de gikk videre til den neste. De kunne ta nye tester dersom de ikke nådde kriteriet, og viderekomne studenter eller proktorer ga rask tilbakemelding. Forelesninger fikk en mindre sentral rolle og skulle først og fremst brukes til motivasjon, demonstrasjoner og faglig berikelse.

Her ble undervisningsmaskinens logikk løftet opp på systemnivå:

Tiden kunne variere, men mestringskriteriet skulle være stabilt.

I tradisjonell undervisning er det ofte motsatt. Alle får like lang tid, mens graden av mestring varierer sterkt. Etter et bestemt antall uker går hele klassen videre, også elevene som mangler avgjørende forkunnskaper.

PSI viste at atferdsanalytisk basert undervisning ikke behøvde å bety isolerte elever foran mekaniske apparater. Metoden kunne også inkludere sosial kontakt, muntlig veiledning, gjentatte mestringsprøver og en annen organisering av lærerrollen.

Direct Instruction: Å konstruere entydige eksempler

Samtidig utviklet Siegfried Engelmann, Carl Bereiter, Wesley Becker og andre det som senere ble kjent som Direct Instruction, med stor D.

Direct Instruction er ikke bare det samme som at læreren forklarer tydelig eller underviser «direkte». Det er en omfattende teknologi for analyse og utforming av selve undervisningsinnholdet. Eksempler og ikke-eksempler velges og rekkefølgeordnes for å etablere bestemte begreper og diskriminasjoner. Lærerens formuleringer planlegges for å redusere tvetydighet. Elevene responderer ofte og får raske korreksjoner, og nye ferdigheter introduseres først når nødvendige komponentferdigheter er etablert.

Direct Instruction videreførte dermed et sentralt prinsipp fra programmed instruction: Når eleven ikke lærer, må vi undersøke undervisningen – ikke bare forklare resultatet med egenskaper ved eleven.

Tradisjonen har fått en betydelig forskningsbase. En metaanalyse publisert i 2018 analyserte 328 studier, 413 forskningsdesign og nær 4 000 effektestimater. Forfatterne rapporterte gjennomgående positive effekter på de akademiske utfallene som ble undersøkt, selv om en slik bred forskningslitteratur naturligvis også rommer variasjon i kvalitet, implementering og kontekst.

Precision Teaching: La elevens prestasjoner avgjøre

Ogden Lindsleys Precision Teaching tilførte et annet avgjørende element: en standardisert måte å måle læring over tid på.

Precision Teaching er først og fremst ikke en læreplan eller en bestemt undervisningsmetode. Det er et måle- og beslutningssystem. Konkret observerbar atferd telles, vanligvis som responser per tidsenhet, og utviklingen plottes på et Standard Celeration Chart. Dermed kan læreren se ikke bare hvor mye eleven kan akkurat nå, men hvor raskt prestasjonen endrer seg.

To elever kan for eksempel begge svare 80 prosent riktig. Men den ene beveger seg raskt mot bedre prestasjon, mens den andre har stått stille i tre uker. Prosenttallet skjuler forskjellen. En serie frekvensmålinger gjør den synlig.

Precision Teaching flyttet oppmerksomheten fra lærerens intensjoner til elevens faktiske læringskurve. En aktivitet kan være pedagogisk velbegrunnet, motiverende og gjennomført helt etter planen. Men dersom prestasjonene ikke utvikler seg tilstrekkelig, er det et signal om at undervisningen bør endres.

Lindsley og senere presisjonslæringsmiljøer rettet også oppmerksomheten mot flyt – fluency. Det er ikke alltid nok å gjøre noe riktig én gang. En ferdighet bør i mange tilfeller kunne utføres stabilt og effektivt nok til at den opprettholdes over tid, tåler lengre arbeidsperioder og forstyrrelser, og kan inngå som komponent i mer komplekse ferdigheter.

Datamaskinen overtar maskinens rolle

I 1960 lanserte University of Illinois PLATO, det første generaliserte systemet for datamaskinassistert undervisning. PLATO begynte som en datamaskin koblet til skjermer og tastaturer, men utviklet seg etter hvert til et nettverk med kurs, tester, grafikk, kommunikasjon og muligheter for at andre kunne utvikle undervisningsprogrammer. Utviklerne beskrev grunnideen som en slags «bok med tilbakemelding».

Overgangen fra mekaniske maskiner til datamaskiner fjernet mange praktiske begrensninger. Programmet kunne lagre store mengder innhold, registrere prestasjoner, presentere grafikk og lyd og følge flere forgrenede løp.

Men den pedagogiske intelligensen var fortsatt i hovedsak skrevet inn på forhånd. Datamaskinen kunne utføre et langt mer omfattende program enn Skinners trekasse, men den kunne bare gjøre det utvikleren hadde spesifisert.

Dette ble også den grunnleggende modellen for de senere intelligente tutorsystemene: Et system inneholdt en modell av fagområdet, en modell av eleven og regler for hva slags oppgave, hint eller forklaring som skulle komme videre. Slike systemer kunne gi imponerende individualisering innenfor avgrensede fagområder, men krevde ofte svært kostbar utvikling og detaljert koding av både fagstoff, feilvarianter og responsregler.

Morningside: En syntese av flere undervisningsteknologier

I 1980 etablerte Kent Johnson Morningside Academy i Seattle. Skolen ble et praktisk laboratorium for det som etter hvert fikk navnet The Morningside Model of Generative Instruction. Morningside driver fortsatt både skole og opplæring av lærere.

Morningside-modellen kombinerte elementer fra blant annet:

Direct Instruction og eksplisitt undervisning
Precision Teaching og kontinuerlig prestasjonsmåling
komponent–kompositt-analyse
omfattende øvelse fram mot flyt
problemløsning og tenke-høyt-prosedyrer
systematiske tester av anvendelse og generalisering

Det viktige ordet i navnet er generative. Dette har ingenting med dagens generative AI å gjøre. Generativ undervisning betyr her at eleven utvikler atferd som ikke er undervist direkte.

En elev lærer først relevante komponentferdigheter. Deretter undersøker man om komponentene kan anvendes i nye sammenhenger eller kombineres på nye måter. Morningside skiller blant annet mellom anvendelse av tidligere lærte ferdigheter i nye situasjoner og det de kaller adduction: nye kombinasjoner av ferdigheter som oppstår når eleven møter problemer det ikke er undervist direkte i.

Dette representerer et viktig steg utover den tidlige undervisningsmaskinen. Målet er ikke bare at eleven skal komme gjennom en fastlagt serie oppgaver med få feil. Målet er at undervisningen skal produsere et repertoar som fungerer utenfor programmet.

Morningside bruker derfor både hyppige prestasjonsmålinger og egne prober på generativitet. Kan eleven anvende ferdigheten i en ny tekst? Kan en tidligere lært problemløsningsstrategi brukes i et annet fag? Kan komponenter som er undervist hver for seg, kombineres uten ytterligere instruksjon?

Dermed knyttes tre nivåer sammen:

Mestring: Kan eleven gjøre det riktig?
Flyt: Kan eleven gjøre det stabilt og effektivt?
Generativitet: Kan eleven gjøre noe relevant som ikke er øvd inn direkte?

Headsprout: Atferdsanalytisk undervisningsdesign på internett

Headsprout representerte et av de mest interessante forsøkene på å føre denne tradisjonen inn i internettalderen.

Selskapet ble etablert i Seattle i 1999 og utviklet nettbaserte programmer for tidlig lesing og leseforståelse. Systemet var ikke bare en digital arbeidsbok. Det registrerte elevens responser og kunne tilpasse øvelser, støttenivå og progresjon til elevens prestasjoner.

Headsprout bygget på en omfattende analyse av de repertoarene som inngår i lesing: fonologisk oppmerksomhet, bokstav–lyd-relasjoner, ordavkoding, leseflyt, vokabular og tekstforståelse. I stedet for å håpe at komplekse leseferdigheter skulle oppstå gjennom generell eksponering, forsøkte utviklerne å identifisere og programmere nødvendige komponenter og relasjoner.

Et særlig viktig trekk var den formative utviklingsprosessen. Undervisningssekvensene ble prøvd ut med elever, feilene ble analysert, og programmene ble revidert. Dersom et bestemt punkt skapte feil hos mange elever, var ikke løsningen nødvendigvis mer av den samme treningen. Utviklerne kunne endre eksemplene, instruksjonen, hjelpen eller rekkefølgen.

Headsprout kan derfor betraktes som en av de nærmeste før-AI-realiseringene av Skinners visjon: Et standardisert system som kunne presentere mange læringsmuligheter, registrere hver elevs prestasjoner og tilpasse undervisningen uten at en lærer måtte gjøre hver enkelt mikroskopisk justering manuelt.

Forskningsbildet er samtidig mer nyansert enn en ren suksesshistorie. Mindre randomiserte studier har rapportert positive resultater for enkelte elevgrupper. I en større klyngerandomisert studie publisert i 2025, med 55 spesialskoler og 382 barn, fant forskerne imidlertid ingen gjennomsnittlig tilleggseffekt på det primære lesemålet. Etterlevelsen var lav, svært få elever gjennomførte en vesentlig del av programmet, og forskerne understreket derfor at det var vanskelig å trekke sikre konklusjoner om programmets effekt ved korrekt implementering.

Det er i seg selv en atferdsanalytisk viktig observasjon: Et program virker ikke gjennom navnet, intensjonen eller lisensen. Eleven må faktisk eksponeres for de planlagte læringsbetingelsene med tilstrekkelig kvalitet og omfang.

Selve Headsprout-produktet er nå avviklet av Learning A-Z. Men designarven er fortsatt relevant: analyser komponentene, krev aktive responser, tilpass undervisningen etter prestasjonene, og revider programmet når elevene ikke lærer.

Hvor står vi i dag?

Mange av ideene fra den atferdsanalytiske undervisningstradisjonen finnes i dag under andre betegnelser:

adaptive learning, mastery learning, formative assessment, learning analytics, personalized learning, retrieval practiceog intelligent tutoring systems.

Det ville være historisk urimelig å omtale all moderne læringsteknologi som atferdsanalyse i ny innpakning. Dagens læringsvitenskap er pluralistisk, og flere av prinsippene har også blitt utviklet, begrunnet og undersøkt innenfor kognitiv psykologi og andre forskningstradisjoner.

Likevel er slektskapet tydelig. Aktiv respondering, umiddelbar tilbakemelding, individuell progresjon, kriteriebasert mestring, analyse av feil og kontinuerlig prestasjonsmåling står sentralt i mange av de beste digitale undervisningssystemene.

Dokumentasjonen for moderne intelligente tutorsystemer er lovende, men ikke entydig. En systematisk gjennomgang fra 2025 omfattet 28 studier og 4 597 elever. Resultatene var generelt positive, særlig når intelligente tutorsystemer ble sammenlignet med ordinær undervisning. Fordelen var langt mindre tydelig når de ble sammenlignet med gode, men mindre «intelligente» digitale undervisningssystemer. Forskerne etterlyste lengre studier, større utvalg og bedre undersøkelser av hvilke komponenter som faktisk skaper effekten.

Det peker tilbake mot historiens røde tråd:

Det er ikke etiketten «intelligent» som gjør et system effektivt. Det avgjørende er hvordan systemet arrangerer elevens læringsbetingelser.

AI kan gjøre programmet levende

Alle tidligere undervisningsmaskiner har hatt den samme grunnleggende begrensningen: Nesten alle relevante responsalternativer, forklaringer, feilveier og korrigerende sekvenser måtte programmeres på forhånd.

Generativ AI endrer dette.

En moderne språkmodell kan tolke elevens frie tekst, stille oppfølgingsspørsmål, formulere den samme forklaringen på flere måter, generere nye eksempler og sammenligne elevens resonnement med en eksplisitt fagmodell. Multimodale systemer kan i tillegg forholde seg til tale, bilder, håndskrift og etter hvert video og praktiske prestasjoner.

Dermed kan programmet reagere på responser som utvikleren aldri har sett på forhånd.

Men her ligger også den største faren. En generell chatbot er først og fremst optimalisert for å være hjelpsom. Det betyr ofte å svare raskt, skrive teksten, løse problemet eller redusere brukerens anstrengelse. En god lærer må tidvis gjøre det motsatte: holde svaret tilbake, kreve en respons, stille et vanskeligere spørsmål eller gi bare det minste hintet som er nødvendig.

Et AI-system kan derfor være en fremragende svarmaskin og samtidig en dårlig undervisningsmaskin.

De første resultatene viser begge mulighetene

En randomisert studie publisert i 2025 undersøkte en spesialutviklet AI-tutor i et fysikkurs ved Harvard. De 194 studentene lærte mer i de aktuelle undervisningsøktene med AI-tutoren enn i sammenlignbare aktive klasseromsøkter, samtidig som median tidsbruk var lavere. Systemet var imidlertid ikke en generell chatbot. Det var bygget rundt kvalitetssikret faginnhold, aktiv deltakelse, kontrollert progresjon, stillasbygging og pedagogisk utformede instrukser. Resultatet gjelder et avgrenset kurs og korte undervisningsforløp, men demonstrerer hva en målrettet AI-tutor kan få til.

En annen stor randomisert studie, med nærmere 1 000 elever i matematikk på videregående nivå, viste den motsatte faren. Elevene som brukte en relativt fri GPT-basert assistent, presterte bedre på oppgavene mens de hadde tilgang til den. Da AI-en ble fjernet og elevene måtte arbeide alene, presterte de imidlertid 17 prosent svakere enn kontrollgruppen. En mer avgrenset «GPT Tutor», som ga hint fremfor ferdige svar og var utstyrt med lærergodkjente løsningsveier, fjernet nesten hele denne negative effekten – men ga heller ingen tydelig fordel på den selvstendige prøven.

OECDs Digital Education Outlook 2026 trekker den samme konklusjonen: Generativ AI kan forbedre kvaliteten på det eleven produserer uten nødvendigvis å produsere læring. Verktøy med et eksplisitt pedagogisk formål har langt større potensial enn generelle chatboter som brukes uten klare læringsbetingelser.

Dette er Pressey-problemet på nytt: Prestasjonen ser bedre ut mens maskinen er til stede, men hva er igjen når den fjernes?

Hvordan Skinners AI-maskin kan se ut

Tenk deg at en elev skal lære å skille mellom negativ forsterkning og positiv straff. En moderne AI-basert undervisningsmaskin kunne organisere læringen omtrent slik:

Systemet starter med en uassistert prestasjon.
Eleven får en ny case fra hundetrening og må selv skrive eller forklare muntlig hva som skjedde. AI-en gir ikke alternativer og presenterer ikke definisjonen på forhånd. Dermed får systemet et reelt utgangspunkt for hva eleven kan produsere.
Feilen analyseres funksjonelt.
Eleven klassifiserer casen som straff. Systemet registrerer at eleven har identifisert at noe ubehagelig var involvert, men ikke har analysert om en stimulus ble tilført eller fjernet, og heller ikke hvilken effekt konsekvensen fikk på framtidig atferd. Svaret blir ikke bare kodet som «feil». Det plasseres i en bestemt feilklasse.
Eleven får den minste hjelpen som sannsynligvis er tilstrekkelig.
I stedet for å gi definisjonen spør AI-en: «Hva skjedde med sannsynligheten for at hunden gjorde det samme neste gang?» Dersom dette ikke er nok, kommer et mer direkte hint. Først etter flere trinn gis en full modell. Hjelpen trappes deretter ned igjen.
Systemet genererer målrettede diskriminasjonsoppgaver.
Eleven møter to nesten identiske eksempler der bare den funksjonelt avgjørende variabelen er endret. Senere blandes eksemplene med positiv forsterkning, negativ straff og tilfeller der det ikke finnes nok informasjon til å klassifisere konsekvensen. AI-en kan generere nye eksempler fra hundetrening, arbeidsliv, skole og dagligliv uten at hvert eksempel må skrives manuelt på forhånd.
Mestring, flyt og generativitet måles separat.
Når begrepsforståelsen er etablert, gjennomfører eleven korte, tidsbestemte diskriminasjonsøkter. Riktige og feil responser registreres som frekvenser og kan plottes automatisk på et Standard Celeration Chart. Senere kommer uvarslede retensjonsprober og helt nye caser, eventuelt videoeksempler, for å undersøke om eleven kan anvende begrepene uten hjelp.
Læreren får et beslutningsverktøy – ikke bare en poengsum.
Læreren ser hvilke diskriminasjoner eleven mestrer, hvilke feilklasser som går igjen, hvor mye prompting som kreves, hvor raskt prestasjonen endrer seg, og om ferdigheten opprettholdes. Systemet kan foreslå tiltak, men læreren kontrollerer mål, faglige standarder og større undervisningsbeslutninger.

I én slik sekvens møtes nesten hele utviklingshistorien:

Skinners aktive responser og umiddelbare konsekvenser
Crowders forgrenede korrigeringsløp
Kellers krav om mestring før videre progresjon
Direct Instructions nøye konstruerte eksempler og ikke-eksempler
Precision Teachings frekvensmåling og læringskurver
Morningsides fokus på flyt og generativitet
Headsprouts individuelle tilpasning og formative programrevisjon
AIs evne til å tolke og generere responser i sanntid

Fra fast program til dynamisk program

Den kanskje største forandringen er at det tradisjonelle undervisningsprogrammet har vært fast.

Programforfatteren skrev frame 1, frame 2 og frame 3. Eleven kunne kanskje sendes til frame 2A dersom han svarte feil, men alle mulige veier måtte være planlagt på forhånd.

Et AI-basert program kan i stedet konstruere neste undervisningshendelse på grunnlag av flere typer data samtidig:

hva eleven svarte
hvordan svaret var formulert
hvilke feil eleven har gjort tidligere
responstid og nøling
hvor mye hjelp som var nødvendig
tidligere frekvens og læringshastighet
om ferdigheten er opprettholdt over tid
om eleven kan anvende den i nye situasjoner

Dette gjør det mulig å erstatte grove kategorier som «lett», «middels» og «vanskelig» med en langt mer presis modell av elevens aktuelle repertoar.

En slik elevmodell bør ikke primært bestå av personlighetstyper, påståtte læringsstiler eller spekulasjoner om indre egenskaper. Den bør beskrive hva eleven faktisk kan gjøre, under hvilke betingelser, med hvilken grad av hjelp og med hvilken stabilitet.

AI kan automatisere den formative evalueringen

De beste programmerte undervisningssystemene var ekstremt arbeidskrevende å utvikle. En programforfatter måtte observere mange elever, kategorisere feil, omskrive sekvenser og prøve dem på nytt.

AI kan redusere denne kostnaden dramatisk.

Systemet kan samle anonymiserte data om hvilke oppgaver som skaper bestemte feil, hvilke hint som faktisk fører til selvstendige svar, og hvilke sekvenser som gir best retensjon og generalisering. Programutvikleren kan få varsler om at et eksempel konsekvent etablerer feil stimuluskontroll, at et bestemt hint er for sterkt, eller at elever lykkes i treningen, men mislykkes på senere transferoppgaver.

Dermed kan Headsprouts formative utviklingsprosess fortsette kontinuerlig og i stor skala.

Dette bør likevel ikke bety at AI-en ukontrollert omskriver undervisningen mens den brukes. Endringer må være versjonsstyrte, faglig etterprøvbare og evalueres mot selvstendige læringsmål. Ellers risikerer systemet å optimalisere det som er lett å måle, for eksempel klikk, gjennomføring og riktige svar med hjelp, fremfor det vi egentlig ønsker: varig og selvstendig kompetanse.

Vi kan måle mer enn prosent riktig

Digitale undervisningssystemer har tradisjonelt vært opptatt av antall oppgaver gjennomført og prosent riktige svar. AI kombinert med Precision Teaching åpner for et langt rikere målesystem.

Et framtidig system kan skille mellom:

korrekt respons uten hjelp
korrekt respons etter hint
korrekt respons etter modell
responstid
frekvens av korrekte og feil responser
endring i frekvens fra dag til dag
graden av prompting som kreves
retensjon etter én uke eller én måned
anvendelse i nye eksempler
forklaring og begrunnelse av svaret
kalibrering mellom elevens sikkerhet og faktiske prestasjon

Dette gjør det mulig å oppdage forskjellen mellom en elev som svarer korrekt fordi ferdigheten er solid etablert, og en elev som svarer korrekt etter lang betenkningstid og omfattende hjelp.

AI-en kan også overvåke sin egen rolle. Dersom eleven stadig lykkes mens støtten er tilgjengelig, men faller tilbake når den fjernes, er ikke løsningen nødvendigvis mer hjelp. Løsningen kan være en annen oppgavesekvens, svakere prompting, flere uassisterte responser eller bedre trening på relevante komponentferdigheter.

Generativitet kan undersøkes systematisk

Tradisjonelle undervisningsprogrammer testet ofte eleven med oppgaver som lignet sterkt på treningsoppgavene. AI kan generere praktisk talt ubegrensede variasjoner og dermed gjøre det vanskeligere for eleven å lykkes gjennom ren gjenkjenning.

Systemet kan undersøke:

om et begrep gjenkjennes når irrelevante kjennetegn endres
om eleven kan skille eksempler fra nærstående ikke-eksempler
om en regel kan anvendes i et helt nytt fagområde
om flere tidligere lærte ferdigheter kan kombineres
om eleven kan forklare hvorfor et svar er riktig
om eleven kan oppdage at en oppgave mangler informasjon
om eleven kan produsere egne korrekte eksempler og moteksempler

Dermed kan generativitet bli noe mer enn et håp om at eleven «forstår». Det kan operasjonaliseres, probes og måles.

Dette kan bli AIs viktigste bidrag til den atferdsanalytiske undervisningstradisjonen. Skinners maskin kunne kontrollere et forventet svar. En framtidig AI-maskin kan undersøke om eleven kan møte det uventede.

Læreren blir viktigere – ikke overflødig

Skinner forestilte seg ikke nødvendigvis at maskinen skulle erstatte læreren. Han argumenterte for at mekaniske hjelpemidler kunne overta rutinemessig retting, slik at læreren fikk mer tid til arbeid som krevde en menneskelig relasjon og ikke kunne dupliseres av maskinen.

Det samme bør være målet med AI.

AI kan overta mye av det som i dag enten ikke blir gjort eller gjøres for sjelden:

produsere store mengder individualisert øvelse
gi umiddelbar faglig tilbakemelding
registrere prestasjoner kontinuerlig
analysere gjentakende feil
planlegge repetisjon og retensjonsprober
foreslå hensiktsmessige neste steg
dokumentere om et tiltak faktisk virker

Læreren kan konsentrere seg om det som krever menneskelig skjønn: å velge verdifulle mål, etablere motivasjon, bygge en læringskultur, forstå elevens livssituasjon, håndtere etiske avveininger, skape samarbeid og avgjøre når undervisningssystemets anbefalinger bør overstyres.

Den beste modellen er derfor sannsynligvis ikke «AI i stedet for lærer», men lærer og AI som et integrert undervisningssystem. AI-en håndterer den mikroskopiske tilpasningen og databehandlingen. Læreren har ansvar for retning, relasjon og overordnet kvalitet.

Fra svarmaskin til undervisningsmaskin

AI gjør det teknisk mulig å komme nærmere Skinners visjon enn noen tidligere generasjon.

Men det skjer ikke automatisk.

En generell chatbot ved siden av en tradisjonell lærebok er ikke Skinners undervisningsmaskin. Et system som skriver elevens besvarelse, reduserer responser og skjuler manglende ferdigheter, er nærmest det motsatte.

En virkelig AI-basert undervisningsmaskin må være konstruert rundt noen kompromissløse prinsipper:

Eleven må respondere før hjelpen kommer. Hjelpen må være den minste som er nødvendig, og deretter fades. Systemet må skille prestasjon med hjelp fra prestasjon uten hjelp. Det må teste retensjon, flyt og generalisering – ikke bare umiddelbar riktighet. Faglige svar må forankres i kvalitetssikrede kilder. Elevdata må behandles med strenge krav til personvern og transparens. Og de avgjørende pedagogiske og etiske beslutningene må fortsatt ha menneskelig ansvar.

Målet må aldri være at eleven og AI-en sammen produserer flest mulig riktige svar.

Målet må være at eleven gradvis trenger AI-en mindre.

En idé som har ventet på riktig teknologi

Skinners første maskin besto av en trekasse, noen kort, et par hendler og en bjelle.

Den neste undervisningsmaskinen kan lytte til eleven, tolke et resonnement, generere et nytt eksempel, registrere responstid, plotte læringshastighet, teste generalisering, planlegge repetisjon og gi læreren et presist bilde av hva som bør skje videre.

Det er mer enn Skinner kunne bygge. Kanskje også mer enn han fullt ut kunne forestille seg.

Likevel vil maskinens verdi fortsatt avgjøres av de samme spørsmålene:

Hva gjør eleven? Hva skjer umiddelbart etterpå? Hvordan endrer prestasjonen seg over tid? Og kan eleven gjøre det senere, alene og under nye betingelser?

Teknologien som kan realisere visjonen, er i ferd med å komme på plass.

Den gjenværende utfordringen er den Skinner identifiserte allerede på 1950-tallet: å bruke en vitenskap om læring til å konstruere undervisning som faktisk virker.

Oppsummering

De viktigste grunnprinsippene i et atferdsanalytisk basert læringsprogram er vanligvis:

Presist definerte læringsmål: Beskrive hva eleven skal kunne gjøre, under hvilke betingelser og etter hvilket mestringskriterium.
Analyse av forkunnskaper og komponentferdigheter: Komplekse ferdigheter brytes ned i nødvendige delrepertoarer.
Systematisk progresjon: Stoffet organiseres fra enkelt til komplekst, med håndterbare trinn og logisk rekkefølge.
Aktiv respondering: Eleven må hyppig produsere svar, utføre handlinger, klassifisere, forklare eller løse problemer.
Umiddelbar og presis tilbakemelding: Riktige responser bekreftes, og feil korrigeres før de rekker å etablere seg.
Høy sannsynlighet for mestring: Oppgavene og støtten tilpasses slik at eleven lykkes ofte, uten at kravene blir meningsløst enkle.
Individuell tilpasning: Tempo, oppgavetype, mengde øvelse og hjelpenivå styres av elevens faktiske prestasjoner.
Prompting og systematisk fading: Hjelp gis når nødvendig, men reduseres gradvis slik at ferdigheten kommer under kontroll av de naturlige relevante stimuliene.
Mestring før videre progresjon: Eleven går videre når nødvendige ferdigheter er etablert – ikke bare fordi undervisningstiden er brukt opp.
Trening mot flyt: Ferdigheten utvikles fra bare å være korrekt til å bli stabil, effektiv og lett tilgjengelig.
Kontinuerlig prestasjonsmåling: Korrekte og feil responser, responshastighet, hjelpenivå og utvikling over tid registreres.
Databaserte undervisningsbeslutninger: Dersom eleven ikke lærer raskt nok, endres undervisningen fremfor at problemet automatisk tilskrives eleven.
Systematisk trening på diskriminasjon: Eleven møter nøye utvalgte eksempler, ikke-eksempler og kontraster som tydeliggjør hva som er relevant.
Retensjon og generalisering: Det undersøkes om eleven kan prestere senere, uten hjelp, med nye eksempler og i naturlige situasjoner.
Generativitet: Målet er at eleven skal kunne kombinere og anvende lærte ferdigheter på problemer som ikke er direkte undervist.
Motiverende læringsbetingelser: Forsterkning, tydelig progresjon, passende utfordringer og meningsfulle mål brukes for å opprettholde innsats.
Formativ utvikling av undervisningen: Selve læringsprogrammet prøves ut, evalueres og revideres på grunnlag av elevenes prestasjoner.

Den grunnleggende testen er ikke om undervisningen er gjennomført som planlagt, men om elevens selvstendige prestasjoner faktisk forbedres, opprettholdes og generaliseres.

Tilbake til Artikler