AI-tutor på universitetet: Ingen svar, kun spørgsmål
I stedet for at levere færdige svar på et knaptryk leder en ny AI de studerende gennem en tæt jungle af spørgsmål. Maskinen besvarer ingenting direkte – den borer, hager fat og stiller modspørgsmål. Forskerne bag systemet trækker på en undervisningsmetode, der er mere end 2.000 år gammel, og undersøger samtidig, hvordan kunstig intelligens kan bruges på videregående uddannelser uden at afskaffe den selvstændige tanke.
I det amerikanske universitetssystem er chatbots for længst blevet hverdagskost. Undersøgelser viser, at omkring ni ud af ti studerende bruger dem til opgaver og hjemmearbejde. Ofte erstatter botten ganske enkelt hjernens eget arbejde. Det er præcis her, værktøjet Macro Buddy sætter ind – med en radikalt anderledes tilgang.
2.000 år gammel filosofi pakket ind i en sprogmodel
Den digitale tutor nægter at give direkte løsninger. Spørger man eksempelvis om, hvordan man beregner vækstraten for bruttonationalproduktet, får man ingen formel – men til gengæld en kæde af målrettede opfølgningsspørgsmål: Hvilke størrelser er til rådighed? Hvad er forskellen på reel og nominel vækst? Hvilken rolle spiller prisindeks?
AI'en leverer ingen færdige resultater, men tvinger de studerende til selv at arbejde sig frem til løsningen.
Systemet er udviklet af økonomer fra University of Wisconsin–La Crosse. De fodrede chatbotten med komplette transskripter fra deres makroøkonomiforelæsninger. Softwaren er afskåret fra internettet og må kun tilgå det materiale, der er blevet gennemgået i kurset. På den måde holder tutoren sig tæt på pensum og opfinder ikke fremmede begreber.
Funktionslogikken er baseret på den såkaldte sokratiske metode. Den antikke filosof Sokrates ønskede ikke at belære sit modparter, men at føre dem til erkendelse gennem velvalgte spørgsmål. Det er præcis dette princip, som Macro Buddy overfører til det digitale rum.
Fra fejl til læringsmulighed
Svarer en studerende forkert eller upræcist, reagerer AI'en ikke med "Det er forkert – her er den rigtige løsning". I stedet analyserer systemet, hvor tankefejlen opstår, og stiller skræddersyede opfølgningsspørgsmål. Forveksler nogen realt og nominalt bruttonationalprodukt, guides vedkommende via spørgsmål om prisindeks, pengeværdi og købekraft – uden at den færdige formel nogensinde afsløres.
Effekten er tydelig: De studerende skal aktivt skabe forbindelser mellem begreber og koncepter. De kan ikke blot pugge et mønstereksempel udenad, men må rekonstruere det i samtale med AI'en. Fejlrettelse handler altså ikke om at sætte røde streger, men om en struktureret vej tilbage til grundlaget. Enhver svaghed i forståelsen bliver udgangspunktet for en ny, individuelt tilpasset spørgsmålssti.
Studie med 140 studerende: Den der tænker, vinder
Hvor godt dette koncept fungerer, ville forskerne undersøge i et kontrolleret forsøg. I foråret 2025 opdelte de 140 studerende på et makroøkonomikursus i fire grupper:
- Gruppe 1: Arbejdede alene med AI-tutoren
- Gruppe 2: Klassisk gruppearbejde uden AI
- Gruppe 3: Først med AI, derefter diskussion i studiegruppen
- Gruppe 4: Kontrolgruppe uden særlig støtte
Præstationerne blev sammenlignet på tværs af flere prøver. Især den tredje prøve viste markante forskelle. Den gruppe, der først arbejdede individuelt med Macro Buddy og efterfølgende diskuterede resultaterne med medstuderende, forbedrede sig i gennemsnit med 12 point sammenlignet med kontrolgruppen.
Aktivt brug af AI kombineret med gruppediskussion gav det største læringsudbytte – i gennemsnit plus 12 point.
Ganske anderledes gik det for den gruppe, der forholdt sig mere passivt over for AI'en. Her faldt karaktererne i gennemsnit med 8 point, så snart hjælpemidlet ikke længere var tilgængeligt til prøven. Forskerne taler om en "kognitiv krykke": Den der blot kopierer svar, glemmer gradvist evnen til at argumentere selvstændigt.
Hvorfor kombinationen AI plus gruppe virker så godt
Macro Buddy sætter først gang i den individuelle refleksion. De studerende skal selv arbejde sig igennem spørgsmålene, uden at nogen i lokalet kan hjælpe direkte. Denne proces fremkalder usikkerheder, halvfærdige idéer og nye erkendelser.
Derefter følger gruppefasen: De lærende sammenligner deres delresultater, diskuterer hvor deres tankegang divergerer, og retter hinanden. AI'en leverer altså et første stillads, mens gruppen forstærker og forankrer viden socialt. Forskning fra universiteter som Harvard peger i samme retning: Guidede spørgsmål slår ren informationsformidling, når målet er at fastholde viden på lang sigt.
Hvordan tilgangen kunne overføres til danske universiteter
For danske forhold opstår spørgsmålet naturligt: Kunne en sådan tutor også fungere i økonomi- eller erhvervsøkonomiforelæsninger på hjemlige universiteter? Teknisk set er det muligt. Undervisere ville skulle stille deres noter, forelæsningsoptagelser og opgaver til rådighed, så en specialiseret sprogmodel kan trænes på dem.
En oplagt anvendelse ville især være i:
- Introduktionskurser i nationaløkonomi og erhvervsøkonomi
- Statistik- og metodemoduler
- Matematiske grundkurser på ingeniøruddannelser
- Repetitionskurser op til eksamener
Det afgørende er, at botten ikke leverer modelløsninger, men systematisk stiller opfølgningsspørgsmål. Ellers risikerer man, at tutoren hurtigt udvikler sig til endnu en bekvem svarmaskine, præcis som de generiske chatbots mange studerende allerede bruger.
Muligheder, risici og praktiske eksempler
Et konkret eksempel: En studerende kæmper med en opgave om arbejdsløshedsprocenten. I stedet for straks at spytte procenttal ud, spørger AI-tutoren først om definitionen af arbejdsstyrken, dernæst om de forskellige former for arbejdsløshed og til sidst om den skjulte arbejdsstyrkes rolle. Den studerende opdager, hvor der er huller i viden – og fylder dem ud i samtale med maskinen.
Her ligger muligheden: Fejl bliver mere synlige, og læringsprocessen mere gennemsigtig. Undervisere kan i bedste fald endda analysere, præcis hvor flest studerende snubler, og tilpasse deres undervisning derefter.
Risici findes dog stadig. Den der i forvejen er presset på tid, kan opleve tutorens spørgsmålsmaraton som irriterende og give op for tidligt. Nogle studerende forventer hurtig hjælp fra AI frem for tålmodig udspørgen. Universiteter er derfor nødt til at indramme brugen af sådanne værktøjer klart og forklare, hvorfor denne "mere krævende" vej giver bedre resultater på lang sigt.
Dertil kommer den etiske dimension: Når AI trænes direkte på kursusindhold, opstår spørgsmål om databeskyttelse og ophavsret. Undervisningssamtaler og optagelser må ikke ukontrolleret ende i modeller. Transparente regler og tekniske beskyttelsesmekanismer ville være nødvendige, inden lignende systemer tages i bred brug.
Ikke desto mindre viser studiet fra USA tydeligt: AI behøver ikke nødvendigvis ende som en lommeformat-snydeklap. Konstrueret rigtigt kan den blive en irriterende, men nyttig læringspartner, der ikke giver slip, før man virkelig har forstået det. For universiteter, der er usikre på kunstig intelligens' rolle i studielivet, åbner det en ny mulighed – og stiller de studerende over for et uvant spørgsmål: Vil jeg egentlig lære noget, eller vil jeg bare have et hurtigt svar?
