SAMR + AI

Detta är den enklaste nivån av teknikintegration, där AI används för att göra exakt samma sak som ett tidigare verktyg, utan någon egentlig funktionell förändring för lärandet.

Detta sker till exempel när en elev använder AI för att rätta stavfel istället för ett vanligt rättstavningsprogram, eller när de frågar AI:n "Vad betyder ordet [ord]?" istället för att slå upp det i en ordbok som SAOL.

AI:n ersätter det gamla verktyget rakt av, men själva uppgiften är identisk.

Lärandevärdet på denna nivå är ofta minimalt. Uppgiften kan visserligen gå snabbare, men det sker ingen pedagogisk utveckling. Substitution är en naturlig startpunkt, men den stora risken är att stanna kvar här. Gör man det utnyttjar man inte AI:ns verkliga potential att faktiskt förändra och fördjupa lärande

På denna nivå börjar AI:n tillföra ett verkligt mervärde. Grunduppgiften är densamma som tidigare men AI:n förstärker den med ny funktionalitet som det gamla verktyget saknade. Det kan handla om att AI:n ger omedelbar och personlig feedback, anpassar svårighetsgraden på en uppgift eller använder exempel från elevens egna intresseområden för att göra innehållet mer relevant.

Exempel

Ett tydligt exempel är matematikundervisning. Utan AI räknar eleven tal och rättar sedan med ett statiskt facit. Med AI kan eleven istället föra en dialog med verktyget. De kan klistra in ett problem de inte förstår och be om en personlig, stegvis förklaring.

Avgörande för denna nivå är att eleven sedan kan be AI:n om ett liknande problem att öva på. AI:n fungerar då som en personlig handledare som både förklarar och skapar anpassat övningsmaterial.

Lärandevärdet är tydligt förbättrat. Eleven får hjälp och övning som passar just deras behov, precis när de behöver det. Men det väcker också en viktig fråga för eleven att fundera över:

Förstår jag verkligen ämnet bättre nu, eller går det bara fortare att få fram svaret?

Här tar vi ett stort kliv. På modifieringsnivån handlar det inte längre om att göra en gammal uppgift bättre, utan om att omforma själva lärandeuppgiften i grunden. AI gör det möjligt för elever att arbeta på helt nya sätt, till exempel:

• genom kollaborativt skapande där AI är en aktiv partner
• genom att genomföra analyser ur flera steg
• genom att skapa interaktiva simuleringar av komplexa system

Exempel

Ett tydligt exempel är historieundervisningen. En traditionell uppgift kan vara att skriva en uppsats om Kalla kriget. Med AI kan uppgiften modifieras till att eleven istället får i uppdrag att djupintervjua de historiska huvudpersonerna. Eleven kan ställa frågor till Kennedy, Chrusjtjov och Castro. Slutprodukten blir inte en uppsats, utan kanske en fiktiv dokumentär eller en podd baserad på dessa intervjuer.

Exempel på prompt:
"Du är John F. Kennedy under Kubakrisen 1962. Jag är en journalist. Svara i karaktär baserat på historiska fakta."

På samma sätt kan en uppgift om migration omformas från en faktaredovisning till en empatisk övning. Eleven kan skapa och intervjua olika AI-personas (t.ex. en migrant, en pensionär i glesbygd, en arbetsgivare) för att förstå frågans komplexitet från flera håll. Slutmålet blir då att analysera dessa perspektiv och skapa ett eget förslag på en lösning.

Lärandevärdet blir transformativt. Istället för att bara återge fakta får eleven utveckla empati, skapa ett eget narrativ och förstå komplexa samband på ett sätt som var nästintill omöjligt innan AI. På denna nivå blir den viktigaste frågan för eleven:

"Hur förändrar möjligheten att se från flera olika perspektiv min grundläggande förståelse av den här händelsen?"

Självklart behöver eleven också tänka kring AI:s sätt att presentera svaren och vad det gör med dennes tänkande. Vilka perspektiv är det AI presenterar, varför är det så, och vilka perspektiv kommer inte fram - är bilden som presenteras neutral?

På den högsta nivån i SAMR-modellen används AI för att skapa helt nya typer av uppgifter och lärandeprocesser som tidigare var otänkbara i klassrummet. Här rör vi oss bortom att bara svara på frågor. Istället kan eleverna själva skapa AI-drivna läromedel, använda AI som en medforskare i kollektiva kunskapsprocesser eller simulera komplexa framtidsscenarier.

Exempel

Ett tvärvetenskapligt projekt som "Designa en hållbar stad år 2050" är ett perfekt exempel. Utan AI vore detta en övermäktig uppgift, men med AI blir det möjligt att närma sig denna uppgift på ett sätt som inte bara blir spekulativt. Här skulle vi kunna tänka oss detta i en tredelad process:

• Forskning med AI
  Elevgrupper blir experter inom olika områden (energi, stadsplanering, social hållbarhet) genom att använda AI som en kunskapspartner. Detta steg kan såklart utvecklas och man kan låta eleverna, med AI:s hjälp, leta vetenskapliga uppsatser, avhandlingar och rapporter som man låter AI läsa igenom och förklara. Självklart med den stora brasklappen att AI kan hallucinera och att det är svårt att avgöra vad som är en hallucination eller inte när man själv inte har expertkunskap.
• AI som kritisk granskare
  När grupperna har en färdig design får AI:n i uppdrag att agera "expertpanel" (klimatforskare, ekonom, sociolog) och ge kritisk feedback på förslagets hållbarhet.
• Skapandet av ett nytt verktyg
  Slutprodukten blir inte en rapport, utan en interaktiv "AI-guide" till framtidsstaden som yngre elever kan utforska genom att ställa frågor.

Praktiskt går det till så att eleverna skapar en detaljerad master-prompt. Denna prompt fungerar som en instruktionsmanual för en vanlig chattbot (som Copilot eller Skolup AI). Prompten talar om för AI:n vilken roll den ska spela och förser den med all nödvändig fakta från deras research.

Till exempel:

"Du är nu "Futura-guiden", en glad och hjälpsam guide i vår hållbara stad år 2050. Ditt uppdrag är att svara på frågor från yngre elever. Använd ett enkelt språk. All din kunskap kommer från denna text: [Här klistrar eleverna in sin sammanfattade research om stadens energisystem, transporter, bostäder etc.]"

Resultatet blir en "tränad" chattbot som yngre elever (eller en annan klass) kan interagera med och ställa frågor till för att lära sig om den hållbara staden. De äldre eleverna lär sig på djupet genom att tvingas strukturera och formulera sin kunskap på ett sätt som en AI kan förstå och förmedla.

Ytterligare exempel

Ett annat exempel är när elever i NO/Teknik får bygga en egen AI-assistent för miljöval. De forskar fram fakta, "tränar" sin AI med denna information och låter sedan andra elever testa och ge feedback på verktyget.

Lärandevärdet skulle potentiellt kunna vara stort. Eleverna arbetar med komplext systemtänkande, tvärvetenskap och framtidskompetens. Avgörande är att eleven går från att vara en kunskapskonsument till att bli en kunskapsproducent. Detta leder till frågan:

"Vad lär jag mig själv genom att försöka lära en AI?"

Hur kan du då praktiskt tänka kring SAMR-modellen i ditt eget ämne?
Styrkan med modellen är att den hjälper oss att se hur samma ämnesinnehåll kan behandlas på olika kognitiva nivåer, beroende på hur vi designar uppgiften.

Nedan följer två konkreta exempel, från engelska och biologi, som visar hur en progression från en enkel ersättning (S) till en helt ny typ av uppgift (R) kan se ut.

Exempel: Engelska – från översättning till kulturguide

• S (Substitution): Eleven ber AI:n att översätta en mening, vilket direkt ersätter en ordbok eller ett översättningsprogram. Prompt: "AI, översätt denna mening till engelska"
  
• A (Augmentation): Eleven får sin text rättad och får samtidigt en förklaring till felen, vilket är en funktionell förbättring jämfört med ett vanligt facit. Prompt: "AI, rätta min engelska text och förklara felen"
• M (Modification): Uppgiften omformas från en enkel textövning till en interaktiv konversation som tränar språket i ett mer autentiskt sammanhang.
  Prompt: "AI, låt oss ha en konversation där du är brittisk tonåring. Rätta mig diskret."  
• R (Redefinition): Eleverna går från att vara språkkonsumenter till att bli producenter av ett helt nytt, AI-drivet verktyg som hjälper andra.
  Uppgift: Klassen skapar en AI-driven kulturguide för utbytesstudenter, tränar AI med egna erfarenheter av kulturkrockar och språkfällor.

Exempel: Biologi – från faktafråga till ekosystemdesign

• S (Substitution): Eleven ställer en faktafråga och använder AI:n som en uppslagsbok.
  Prompt: "AI, vad är fotosyntes?"
• A (Augmentation): Eleven får en förklaring som är personligt anpassad till deras egen kontext, vilket gör den mer relevant och begriplig.
  Prompt: "AI, förklara fotosyntes med exempel från min trädgård"  
• M (Modification): Uppgiften omformas till ett kreativt rollspel som kräver inlevelse och förståelse för en process på ett djupare, mer abstrakt plan.
  Prompt: "AI, agera som en växtcell. Jag är solljus. Beskriv vad som händer när jag träffar dig."
• R (Redefinition): Eleverna använder AI som ett avancerat simuleringsverktyg för att testa komplexa system och arbeta med problemlösning på en nivå som tidigare var omöjlig i klassrummet.
  Uppgift: Designa ett ekosystem på Mars med AI. Testa balansen genom att köra simuleringar där AI spelar olika organismers roller.

SAMR-modellen är mer än bara en teori för att analysera teknikintegration – den är ett konkret och kraftfullt verktyg för din lektions- och terminsplanering. Genom att medvetet tänka i termer av S, A, M och R kan du säkerställa att du använder AI på det mest effektiva sättet för just det lärandemål du har i sikte.

Här är en enkel tvåstegsmodell för att komma igång med din planering.

Steg 1: Identifiera var du är

Börja med att reflektera över hur du och dina elever använder AI idag. Genom att ärligt kartlägga er nuvarande praktik blir det lättare att se vilka utvecklingsmöjligheter som finns.

• Arbetar ni mest på S- och A-nivå? Det är en utmärkt startpunkt! Nästa steg kan då vara att utmana er själva och fundera på hur en befintlig uppgift skulle kunna omformas för att nå M-nivån.
• Är ni redan på M-nivån? Fantastiskt. Då kan du börja sikta mot ett projekt på R-nivå, där eleverna får skapa något helt nytt med stöd av AI.
• Är det en blandning? Perfekt! Det är ofta precis så det ska vara. Olika lärandemål och uppgifter kräver olika nivåer av teknikintegration.

Steg 2: Välj rätt nivå för rätt syfte

Nyckeln till effektiv AI-användning är att medvetet matcha SAMR-nivån med syftet för uppgiften. Alla nivåer har sin plats, men för olika ändamål.

• För snabb faktakoll (S): När syftet är att snabbt hitta ett enkelt svar (t.ex. "Vad är huvudstaden i Mongoliet?") är Substitution-nivån ofta fullt tillräcklig och tidseffektiv.
• För individuell träning (A): När eleven behöver nöta en färdighet, passar Augmentation-nivån perfekt. AI:n kan skapa anpassade övningar och ge omedelbar feedback, vilket förstärker lärandet.
• För djupförståelse (M): När målet är att eleverna ska förstå komplexa samband och se en fråga från flera håll krävs en omformning av uppgiften. Då är Modification-nivån, med sina möjligheter till rollspel och perspektivbyten, idealisk.
• För innovation och skapande (R): När eleverna ska tillämpa sina kunskaper för att skapa något helt nytt och lösa komplexa problem behöver vi nå Redefinition-nivån. Här används AI som ett verktyg för innovation.

Vanliga missförstånd

Högre nivå är alltid bättre
Nej! Ibland är S perfekt. Att snabbt kolla fakta med AI (S) frigör tid för djupare arbete.

Vi måste nå R för att lyckas
Nej! R är fantastiskt när det passar, men M-nivån är ofta den optimala pedagogiska nivån.

Det måste vara tekniskt avancerat
Nej! R handlar om pedagogisk transformation, inte teknisk komplexitet.

För att säkerställa att AI-användningen leder till ett djupare lärande och inte bara en snabbare slutprodukt, är det värdefullt att ställa reflekterande frågor till eleverna. Frågorna kan anpassas beroende på vilken SAMR-nivå uppgiften befinner sig på.

• Vid Substitution (S):
  Gick den här uppgiften bara snabbare med AI, eller lärde du dig något nytt på vägen? Vad är skillnaden mellan att kunna ett svar och att förstå det?

• Vid Augmentation (A):
  Hjälpte AI:ns personliga feedback dig att verkligen förstå konceptet på ett djupare plan, eller hjälpte den dig mest att få fram rätt svar på just den här uppgiften?

• Vid Modification (M):
  Hur påverkade AI:ns rollspel (t.ex. som historisk person) din egen syn på händelsen? Vilka nya tankar fick du som du inte skulle fått av att bara läsa en faktatext?

• Vid Redefinition (R):
  Vilka luckor i din egen kunskap avslöjades när du var tvungen att förklara ditt ämne så tydligt att en AI kunde lära sig det?