Innspel til utvalet om kunstig intelligens i høgare utdanning
KI-bruk, prestasjonar og åtferd i PISA 2025 – merknader til «Foreløpige vurderinger» (desember 2025), kapittel 3
Frå: Svein A. Mjelstad, uavhengig forskar · 23. september 2026
Samandrag
Utvalet bad om innspel på dei foreløpige vurderingane sine. Dette innspelet gjeld kapittel 3 og har to delar.
Den første delen er nye data. Eg har analysert PISA 2025 i to førehandsregistrerte studiar (OSF p82n3 og n7kz5) av samanhengen mellom 15-åringars sjølvrapporterte KI-bruk og prestasjonane deira i lesing, matematikk og naturfag, og av åtferda deira under testen. Dataa støttar grunntanken i notatet, at det er korleis KI blir brukt som har betydning: om elevane brukar KI, heng nesten ikkje saman med skåren, medan kva dei brukar KI til, heng sterkt saman med skåren – i motsett retning for ulike føremål. Men dataa kan ikkje skilje verknad frå seleksjon.
Den andre delen brukar same målestokk på notatet. Fleire av kjeldene under påstand IV har den same avgrensinga som mine data, men er lesne som verknader. Merknadene er meinte som bidrag til sluttrapporten.
Del 1: Nye data frå PISA 2025 (78 land, 545 359 elevar med fullstendige svar)
- Nesten alle brukar KI til skulearbeid, om lag 90 % i alle tre tredelar etter skår innanfor landet. Å la KI skrive utkast minst kvar veke er like vanleg i den høgaste som i den lågaste tredelen (32 %). Det som skil, er bruk «for å hjelpe meg å lære»: 54 % i den høgaste mot 42 % i den lågaste tredelen.
- Om elevane brukar KI, heng lite saman med skåren. Brukarar skårar +2 poeng i lesing, +3,5 i matematikk og +0,8 i naturfag samanlikna med ikkje-brukarar, med bakgrunn og land halde likt. Eit samlemål på «KI-bruk» skjuler dermed punkt 3.
- Kva KI blir brukt til, heng sterkt saman med skåren. Med den andre KI-bruken halden lik ligg elevar som dagleg brukar KI «for å hjelpe meg å lære», 28–34 poeng over dei som aldri gjer det, og elevar som dagleg lèt KI «skrive utkast», 25–30 poeng under. Mønsteret går i same retning og er om lag like stort i alle tre fag (100 poeng er eitt standardavvik).
- Den førehandsregistrerte testen av om det å setje bort ei oppgåve svekkjer akkurat den ferdigheita – samanfatting av tekst og lesing relativt til matematikk – fekk ikkje støtte: −0,3 poeng per frekvenssteg, under den registrerte grensa på 1,0. Hypotesen var mi eiga.
- Elevar som oftare lèt KI skrive utkast, gjev oftare opp oppgåver under testen enn elevar som brukar KI for å lære (0,093 standardavvik per steg). Mellom elevar med same skår er skilnaden 0,020, under den registrerte grensa på 0,03.
Kva dataa ikkje viser
Dette er eit tverrsnitt. Det kan ikkje avgjere om bruksmåten påverkar prestasjonane, om prestasjonsnivået styrer bruksmåten, eller om felles årsaker som motivasjon og studievanar ligg bak begge. Mønsteret passar med alle tre. Føremåla er sjølvrapporterte, og «for å hjelpe meg å lære» er ikkje definert i spørjeskjemaet. Justering for skår kan fjerne ein verknad som går via skåren. Utvalet er avgrensa til elevar med fullstendige svar; dei 17 % som manglar svar, skårar om lag 80 poeng lågare. Elevane er 15 år, ikkje studentar, men dei same kulla kjem inn i høgare utdanning frå 2027.
Del 2: Same målestokk på påstand IV (s. 16–18)
Avgrensinga over – at ein samanheng mellom bruk og resultat ikkje viser kva som verkar på kva – gjeld òg fleire av kjeldene som påstand IV byggjer på. Påstanden er truleg rett som åtvaring, og eksperimentell forsking støttar at ukritisk bruk kan koste læring. Men kunnskapsgrunnlaget er framstilt sterkare enn kjeldene ber:
- Setninga om at langvarig bruk «har negative virkninger på hukommelse, oppmerksomhet, problemløsning og evne til kritisk tenkning» (s. 17) viser til tre kjelder. Gerlich (2025) er ei tverrsnittsundersøking som viser samanhengar, ikkje verknader. Jackson (2025) er ein nyheitsartikkel om den same studien. Xu mfl. (2025) er eit firevekers forsøk med 68 studentar om metakognitiv støtte ved KI-bruk, og undersøkjer ikkje verknader av langvarig bruk.
- Kosmyna mfl. (2025) var ein preprint (arXiv, juni 2025) med 54 deltakarar då notatet vart skrive. Det går ikkje fram av teksten, og studien står ikkje i referanselista.
- Handa mfl. (2025), Anthropic sin utdanningsrapport, viser kva studentar ber KI om, ikkje kva dei lærer. Han kan difor ikkje dokumentere «metakognitiv latskap» eller at studentane «hopper over utviklingen av grunnleggende kognitive ferdigheter» (s. 17), som notatet brukar han til.
- Hardman (2025), eit litteratursamandrag på Substack, er den mest brukte kjelda under påstand III (tre gonger) og blir òg brukt under påstand IV. Primærstudiane bør siterast direkte.
- Bastani mfl. (2025, PNAS) manglar. Det er eit av dei største og strengaste forsøka på feltet: elevar med fri tilgang til ein GPT-4-basert chatbot løyste øvingsoppgåver betre, men gjorde det 17 % dårlegare enn elevar utan tilgang på den påfølgjande eksamenen utan KI, medan ein rettleiarversjon med sperrer i stor grad unngjekk skaden. Studien støttar påstand IV betre enn fleire av dei siterte kjeldene, og viser at utforminga av verktøyet avgjer.
- Notatet drøftar ikkje om svakare resultat blant storbrukarar kjem av bruken eller av kven som brukar. PISA-funna over viser at det er det avgjerande spørsmålet.
Forslag til sluttrapporten
- Skilje mellom forskingsdesign når kunnskapsgrunnlaget blir oppsummert. Eksperiment, longitudinelle studiar, tverrsnitt, sjølvrapport og bruksdata ber ulik vekt.
- Måle KI-bruk etter føremål, ikkje mengd. Eit samlemål viser nesten ingenting når føremåla peikar kvar sin veg.
- Tilrå data som kan avgjere årsaksspørsmålet: dei same studentane følgde over tid – Studiebarometeret måler alt føremål og kunne utvidast med oppfølging – og forsøk med utsette og KI-frie utfallsmål.
Dokumentasjon
Registreringane: osf.io/p82n3 og osf.io/n7kz5. Resultatrapportar, analysekode og figurar kan sendast på førespurnad; ein artikkel er under arbeid. Analysane og teksten er laga med Claude (Anthropic) som verktøy under mi leiing, og alle tal kan sporast til deponerte resultatfiler.
Med venleg helsing
Svein A. Mjelstad