Forberedelsestidens evige dilemma i et klasselokale med 25 forskellige forudsætninger
Som lærer kender du situationen: Den samme tekst skal danne grundlag for fælles undervisning, men eleverne møder den med vidt forskellige læseerfaringer, ordforråd og faglige forudsætninger. Nogle går i gang uden tøven, mens andre allerede efter første afsnit mister overblikket. Samtidig skal teksten passe til læringsmålet, være fagligt præcis og kunne bruges i den konkrete klasse. Det er en krævende balance, især når forberedelsestiden i forvejen er presset.
Traditionel tekstdifferentiering kan hurtigt blive en opgave, der skubbes til fredag eftermiddag. Læreren skal omskrive formuleringer, forklare vanskelige begreber, kontrollere at centrale pointer ikke forsvinder, og måske fremstille flere udgaver med passende læseniveauer. Her kan generative sprogmodeller fungere som en praktisk didaktisk hjælpelærer. De kan lave et første udkast på få minutter, mens læreren fortsat har ansvaret for mål, kvalitet, faglighed og den endelige vurdering.
Mindre overarbejde og mere nærvær med generative sprogmodeller
Generativ kunstig intelligens er ikke en genvej til færdig undervisning, men den kan fjerne noget af det rutineprægede arbejde, som ellers optager værdifuld forberedelsestid. Teksttilpasning, forslag til spørgsmål, forklaringer af fagbegreber og variationer af instruktioner er opgaver, hvor en sprogmodel kan levere et brugbart råmateriale hurtigt. Det betyder ikke, at læreren kan springe den faglige gennemgang over. Det betyder, at tiden kan bruges på de dele af planlægningen, hvor lærerens professionelle blik gør den største forskel.
En spørgeskemaundersøgelse blandt 336 undervisere på videregående uddannelser viste, at deltagere, der allerede anvendte AI i undervisningsrelaterede opgaver, rapporterede en gennemsnitlig tidsbesparelse på 6,5 timer om ugen. Undersøgelsen var eksplorativ, ikke videnskabelig og ikke nationalt repræsentativ, så tallet kan ikke uden videre overføres til folkeskolen. Den peger dog på en relevant sammenhæng mellem automatisering af rutineopgaver, større oplevelse af kontrol over arbejdsbyrden og mindre udbrændthed. Se undersøgelsen om ChatGPT og arbejdsbelastning for metode og forbehold.
Den vigtigste gevinst er derfor ikke nødvendigvis, at læreren kan producere mere materiale. Gevinsten er, at timer kan flyttes fra mekanisk teksttilpasning til relationsbærende undervisning, elevsamtaler, faglig sparring og roligere planlægning. Det er også værd at huske, at AI ikke løser et strukturelt arbejdsmiljøproblem alene. Hvis alle sparede minutter blot bruges til at fremstille endnu flere ressourcer, kan teknologien i stedet øge tempoet. Aftal derfor på teamniveau, hvilke opgaver der med fordel kan understøttes, og hvilke der altid kræver tæt menneskelig vurdering.
- Brug sprogmodellen til første udkast, ikke som automatisk facit.
- Bed om flere tekstniveauer ud fra samme læringsmål og faglige kerne.
- Lad læreren kontrollere fakta, perspektiver, sprog og eventuelle skævheder.
- Brug den frigivne tid på elevkontakt, samarbejde og didaktiske valg.
Fra én svær kilde til tre præcise læseniveauer på få minutter
Forestil dig en historisk kilde om industrialiseringen. Den oprindelige tekst indeholder begreber som urbanisering, masseproduktion og arbejderbevægelse, men syntaksen er tung, og flere afsnit forudsætter baggrundsviden. En sprogmodel kan instrueres til at fremstille tre versioner, hvor den historiske kerne og de centrale fagord bevares, mens sætningslængde, forklaringer og tekstens kompleksitet tilpasses.
Det afgørende er, at differentiering ikke bliver det samme som at give nogle elever en fagligt udvandet tekst. Elever med læseudfordringer skal stadig møde de begreber og sammenhænge, som undervisningen bygger på. Forskellen kan ligge i kortere afsnit, tydeligere forbindelsesord, ordforklaringer eller en mere eksplicit struktur. Stærke læsere kan derimod få en mere kompleks version med flere nuancer, modargumenter eller åbne spørgsmål. På den måde arbejder hele klassen med samme faglige retning, men ad forskellige veje.
| Tekstniveau | Tilpasning | Fælles fagligt fokus |
|---|---|---|
| Støttende | Korte sætninger, tydelige mellemoverskrifter, forklaringer af svære ord og gentagelse af nøglepointer | Eleven kan identificere centrale begreber og forklare hovedårsagen |
| Standard | Almindelig faglig tekst med moderat sætningskompleksitet og begrænsede ordforklaringer | Eleven kan redegøre for begreber og sammenhænge |
| Udfordrende | Større sproglig variation, flere perspektiver og krav om at drage slutninger | Eleven kan analysere, sammenligne og argumentere med faglige begreber |
En sådan model kan også tænkes sammen med Universal Design for Learning. Når information præsenteres på flere måder, eksempelvis gennem tekst, lyd, visuelle organiseringsformer eller trinvis instruktion, bliver undervisningen mere tilgængelig for flere elever. Det betyder ikke, at alle skal have identiske materialer. Det betyder, at flere får reelle muligheder for at forstå og vise deres læring.
Didaktisk sikre rammer og anbefalinger til skolehverdagen
En sprogmodel kan formulere en overbevisende tekst, der alligevel indeholder fejl, forenklinger eller blinde vinkler. Den kan også komme til at fremstille bestemte historiske personer, kulturer eller elevgrupper ensidigt. Derfor skal output altid læses med lærerens faglige og pædagogiske dømmekraft. Spørg ikke kun, om teksten lyder godt. Spørg også, om den er sand, relevant, alderssvarende og i overensstemmelse med læringsmålet.
Skolen bør desuden have fælles rammer, så den enkelte lærer ikke står alene med alle vurderinger. Børne- og Undervisningsministeriets syv anbefalinger til folkeskolen fremhæver blandt andet behovet for en fælles retning, kompetenceudvikling, kritisk og reflekteret anvendelse samt brug af AI, når det har en tydelig faglig og pædagogisk værdi. Anbefalingerne peger også på, at elever fortsat skal øve sig i at formulere sig selvstændigt, både mundtligt og skriftligt.
Dataetik og ophavsret skal indgå i den konkrete planlægning. Indtast ikke elevnavne, beskrivelser af sårbare forhold eller andre personoplysninger i et værktøj, medmindre skolens regler og den juridiske vurdering giver et klart grundlag. Styrelsen for It og Læring offentliggjorde i januar 2026 en guide, der hjælper uddannelsesinstitutioner med at vurdere, om konkrete AI-løsninger må anvendes lovligt. Ledelsen har ansvaret for at fastsætte regler, informere medarbejdere og sikre, at nye løsninger vurderes ordentligt.
- Afklar, hvilke værktøjer skolen har godkendt, før du bruger dem i undervisningen.
- Fjern personoplysninger og fortrolige elevinformationer fra prompts.
- Vurder ophavsret, hvis en hel tekst eller et beskyttet materiale uploades.
- Gennemlæs altid AI-genereret materiale for fejl, bias og uhensigtsmæssige formuleringer.
- Tal med elever og forældre om, hvornår AI må bruges, og hvornår arbejdet skal være selvstændigt.
Konkrete trin til at opbygge den perfekte prompt til differentiering
En god prompt minder om en præcis kollegial bestilling. Jo tydeligere du beskriver opgaven, desto større er sandsynligheden for, at første udkast kan bruges. Start med at angive fag, klassetrin, læringsmål og tekstens funktion. Beskriv derefter målgruppen og de sproglige krav. Det kan eksempelvis være en elevgruppe, der har brug for kortere sætninger, men stadig skal møde bestemte fagord.
- Indsæt eller beskriv tekstens faglige indhold, og forklar, hvad eleverne skal lære.
- Angiv klassetrin, forventet læseniveau og eventuelle sproglige barrierer.
- Bed om en bestemt struktur, for eksempel fem korte afsnit med mellemoverskrifter.
- Oplist de fagbegreber, der skal bevares, og bed om forklaringer i parentes eller i en ordliste.
- Bed modellen markere steder, hvor den er usikker, eller hvor læreren bør kontrollere fakta.
- Læs, sammenlign og redigér resultatet, før teksten printes eller deles digitalt.
En anvendelig prompt kan lyde: Tilpas denne tekst til 5. klasse. Bevar begreberne industrialisering, urbanisering og masseproduktion. Skriv korte, tydelige sætninger, forklar begreberne første gang de bruges, og fjern ikke den historiske årsagssammenhæng. Lav bagefter tre spørgsmål, hvor eleverne skal finde information i teksten. Markér faktuelle oplysninger, som bør kontrolleres. Ønsker du flere niveauer, kan du bede modellen levere en støttende, en standardiseret og en udfordrende version med samme læringsmål.
Efterredigeringen er ikke en formalitet. Sammenhold teksten med originalkilden, kontroller fagbegreberne, og læs den højt for at opdage kunstige formuleringer. Vurder også, om teksten giver eleverne passende udfordring, eller om den enten er blevet for let eller stadig utilgængelig. Først når materialet passer til klassens konkrete behov, er differentieringen didaktisk færdig.
Giv dig selv et fagligt forspring i næste lektion
Den mest realistiske begyndelse er at vælge én kort tekst og bede en sprogmodel om to alternative versioner. Sammenlign dem med originalen, markér hvor fagligheden er bevaret, og ret de steder, hvor sproget eller indholdet ikke fungerer. På den måde bliver teknologien afprøvet i en overskuelig ramme, hvor du hurtigt kan se, om den faktisk sparer tid.
Tekstdifferentiering handler i sidste ende ikke om at producere flest mulige udgaver. Det handler om at skabe flere deltagelsesmuligheder, så elever med forskellige forudsætninger kan arbejde meningsfuldt med den samme faglige retning. Brugt med omtanke kan AI fungere som en kollegial aflastning, der tager fat i det tunge første udkast og giver læreren mere rum til det, ingen model kan erstatte: nærvær, dømmekraft, relationer og god pædagogik.