KI og juks i skolen: Hvordan lærere oppdager det

Som lærer har jeg rettet tusenvis av tekster gjennom årene, og jeg husker fortsatt første gang jeg leste et avsnitt som fikk meg til å stoppe opp. Setningene var feilfrie, ordforrådet var på universitetsnivå, men oppgaven manglet fullstendig den menneskelige nerven jeg kjente igjen hos akkurat denne eleven. Diskusjonen om KI og juks i skolen har tatt enormt mye plass på lærerværelset i det siste. Mange foreldre og elever tror at maskinene er usynlige for oss, men virkeligheten er en helt annen.

Etter min erfaring er det sjeldent de store tekniske systemene som fanger opp de første tegnene på fusk. Det er lærerens kjennskap til elevens stemme, faglige nivå og naturlige skrivemåte som avslører bruken. I løpet av det siste året har jeg testet dusinvis av innleveringer, diskutert med kollegaer, og utviklet en metodikk for å skille menneske fra maskin. Spørsmålet alle stiller seg er jo: Hvordan klarer vi egentlig å fange opp at noen har latt en algoritme gjøre leksebøren deres?

Den nye hverdagen for lærere i Norge

Klasserommet har endret seg fundamentalt på veldig kort tid. Før sjekket vi tekster mot Wikipedia eller gamle særemner på nett, men nå skapes innholdet unikt i det øyeblikket eleven trykker på skjermen. Dette betyr at tradisjonell plagiatkontroll ofte kommer til kort, fordi teksten teknisk sett aldri har eksistert før.

Vi står i en situasjon der skolesystemet i Norge kontinuerlig må tilpasse seg. Utdanningsdirektoratet oppdaterer sine retningslinjer, og vi som står i klasserommet må finne balansen mellom å være politi og pedagog. Jeg ønsker at mine elever skal bruke moderne verktøy for å lære bedre, men når teknologien brukes til å unngå selve tankeprosessen, mister vi hele poenget med utdanning.

I hverdagen min betyr dette at jeg leser besvarelser med et helt annet blikk enn for bare fem år siden. Jeg ser etter strukturbrudd, fravær av logiske slutninger, og spesifikke mønstre som maskiner har en tendens til å gjenta til det kjedsommelige.

De vanligste tegnene på maskingenerert tekst

Det finnes flere stilistiske hint som nesten alltid avslører en tekst skrevet av en chatbot. For det første mangler algoritmene ofte evnen til å vise ekte tvil eller personlig refleksjon. En tekst om et tungt etisk dilemma blir ofte presentert klinisk og upersonlig, uten de små feilskjærene som gjør teksten autentisk.

Et annet klassisk tegn er strukturen. Maskiner elsker å starte avsnitt med bindeord, og de bygger gjerne opp argumenter i en altfor symmetrisk form. Hvis en sekstenåring plutselig leverer fem avsnitt som alle har nøyaktig tre setninger, og avslutter hvert eneste punkt med en floskel om at "tiden vil vise", da vet jeg at noe skurrer.

Vi ser også en merkelig bruk av synonymer. Fordi programmene prøver å variere språket, velger de noen ganger norske ord som er teknisk korrekte ifølge ordboken, men som ingen mennesker faktisk bruker i dagligtale. Dette blir spesielt tydelig når elevene ikke leser korrektur på det de kopierer.

Read also Dyskalkuli: Når matte blir uvanlig vanskelig

Matematiske fag: Der kunstig intelligens ofte avslører seg selv

Det er en utbredt misforståelse at tekstfagene lider mest under dette. Som lærer har jeg lagt merke til at teknologiske snarveier ofte fungerer dårligst der man forventer dem mest: i tall og logikk. I min undervisning anbefaler jeg alltid et solid regneverktøy som gir elevene eierskap til sine egne utregninger, fremfor å stole blindt på en generativ språkmodell.

Det er altfor lett å be en skjerm fikse oppgaven, men en standard kalkulator tvinger deg til å tenke selv. Jeg har sett elever levere inn lange, forklarende tekster om hvordan en ligning skal løses, der selve sluttresultatet er fullstendig feil fordi maskinen rett og slett ikke kan regne.

Når elevene legger vekk sin vitenskapelig kalkulator til fordel for ChatGPT, blir utregningene ofte ulogiske. Språkmodeller gjetter det neste sannsynlige ordet i en sekvens; de utfører ikke reelle matematiske operasjoner. Dette fører til at de tråkker feil i de mest grunnleggende reglene vi lærer bort.

Ta for eksempel temaet prosentregning. En maskin kan skrive en nydelig innledning om konseptet rabatt, men når den skal regne ut hva en vare koster etter et prisavslag på 15 %, bommer den titt og ofte på mellomregningene. For et trent lærerøye er dette et blinkende varselskilt.

Liknende utfordringer ser vi daglig i brøkoppgaver, hvor kunstig intelligens noen ganger finner på egne regler for fellesnevner. Elever som skriver av disse forklaringene ord for ord, klarer sjelden å forklare logikken hvis jeg ber dem vise det på tavlen i neste time.

Praktiske fag og økonomi: Kritiske feil i beregninger

I økonomiske fag ber vi gjerne elevene vurdere merverdiavgift på varer og tjenester. Maskinene henter ofte satser fra amerikanske systemer eller blander sammen regler, noe som gjør det åpenbart at eleven ikke har brukt det norske lovverket vi jobber med i timen.

En chatbot forstår sjelden konseptet bak renters rente på en dyp måte. Den kan ramse opp formelen, men hvis oppgaven krever at man vurderer hvordan inflasjon påvirker sparepengene over en tjueårsperiode, blir svarene ofte overflatiske og fulle av selvmotsigelser.

Read also Skolevegring: Tidlige tegn og første tiltak

Når vi setter opp budsjetter med realistisk skattetrekk, krever det at eleven forstår tabellene fra Skatteetaten. En språkmodell dikterer ofte flate skattesatser som ikke eksisterer i vårt system, noe som gjør oppgaven stryk-klar umiddelbart.

Diskusjoner rundt boliglån og renter blir ofte overfladiske når de er maskingenererte. Å vurdere fastrente mot flytende rente i dagens marked krever sanntidsforståelse og kritisk tenkning, to ting en standard algoritme rett og slett ikke har.

Eleven bør kunne slå inn tallene på en digital lommeregner for å sjekke om påstandene stemmer. Når jeg spør en elev om hvorfor de valgte akkurat den nedbetalingsplanen, og de ser tomt på meg, er det ganske tydelig hvem som har gjort arbeidet.

Spesialiserte verktøy versus språkmodeller

I de tyngre realfagene kreves det ofte en avansert matteregner for å visualisere grafer eller løse tredjegradsligninger. Her ser vi ofte at maskinene gir opp og i stedet skriver lange, overbevisende tekster om hvorfor svaret må være "X", selv om grafen viser noe helt annet.

Mange lærere savner tiden da et matematikkverktøy var det eneste hjelpemiddelet på pulten. I dag må vi bruke uforholdsmessig mye tid på å veilede elever bort fra dårlige vaner og tilbake til metodene som faktisk bygger varig kompetanse.

Heldigvis finnes det lovlige nettbaserte hjelpemidler som Udir tillater under tentamen og eksamen i Norge. Ved å stenge internett og kun tillate godkjente ressurser gjennom nettverkssperrer, fjerner vi mye av fristelsen i selve vurderingssituasjonen.

Når elever analyserer samfunnsøkonomi, som for eksempel konsumprisindeks, feiler verktøyene ofte på norske særregler og historiske data. De generaliserer ut fra internasjonale trender, noe som gjør at besvarelsen mister den lokale forankringen oppgaven krever.

Read also Støy barn i klasserommet: Slik støtter du dem best

Beregning av historiske valutakurser er en annen felle. Elever kopierer inn en tekst om hvorfor den norske kronen var svak i 2023, men oppgir tall og statistikk som tilhører det svenske markedet fordi maskinen rotet sammen skandinaviske data.

Helse, kroppsøving og naturfag

Også i kroppsøving, spesielt i teoridelen om helse og kosthold, dukker de kunstige tekstene opp. Jeg har lest urovekkende mange diettplaner som er generert av programmer uten forståelse for grunnleggende ernæring for ungdom i vekst.

Maskiner som blir bedt om å vurdere en kroppsmasseindeks vil ofte bare spytte ut generiske helseråd fra amerikanske helseblogger. De ignorerer konteksten vi har bygd opp i undervisningen rundt folkehelse og et positivt kroppsbilde.

Om en elev forsøker å beregne KMI for en fiktiv pasient i en tverrfaglig oppgave, og konklusjonene bærer preg av å være en oversettelse fra et annet språk, tar jeg alltid en ekstra sjekk av kildehenvisningene.

Til og med utregninger som promilleberegning i naturfag blir ofte fylt med faktafeil. Når teknologien begynner å definere biologiske forbrenningsprosesser feil, går det ut over forståelsen av kjemi og kroppens anatomi.

Som lærer må jeg bygge en kultur der elevene bryr seg om utviklerne av verktøyene de bruker, og verdsetter kildekritikk. Hvis vi ikke vet hvem som har laget algoritmen eller trent modellen, kan vi heller ikke stole på informasjonen den gir oss.

Verktøyene lærere bruker for plagiatkontroll

Vi er heldigvis ikke forsvarsløse i denne situasjonen. Mange skolesystemer bruker programvare som er spesifikt designet for å flagge syntetisk tekst. Disse analyserer hvor forutsigbar teksten er (det vi kaller "perplexity" og "burstiness").

Read also Spesialundervisning: Slik fungerer prosessen i Norge

Hvordan de tekniske systemene fungerer

Kort fortalt ser programmene på mønstre. Et menneske skriver med stor variasjon i setningslengde og ordvalg. Noen setninger er korte. Andre er lange, komplekse og kanskje litt klønete bygd opp. En maskin er programmert til å skrive feilfritt og jevnt, noe som ironisk nok gjør at den skiller seg ut rent statistisk.

Manuelle metoder

Som nevnt tidligere er den manuelle sjekken ofte den beste. Flere ganger har jeg lagt merke til at en elev har svart på noe helt annet enn det oppgaveteksten faktisk spurte om. Hvorfor? Fordi de skrev en upresis kommando til maskinen. Jeg pleier også å sjekke om kildene eleven oppgir, faktisk finnes. Det er sjokkerende ofte at teknologien bare dikter opp titler på bøker og artikler for å virke troverdig.

Falske positiver: Problemet med å stole blindt på teknologien

Selv om det finnes mange detektorer på markedet, er ingen av dem perfekte. Dette er kanskje den største etiske utfordringen vi møter. Hva skjer når et verktøy feilaktig påstår at en ærlig elev har jukset?

• Elever med en svært formell og rigid skrivestil kan bli flagget.
• Oversettelser fra andre språk kan iblant ligne på maskintekst.
• De som strukturerer tekstene sine veldig stramt, risikerer høyere utslag.

På grunn av denne risikoen har flere kommuner i Norge valgt å deaktivere disse detektorene midlertidig, eller i det minste bestemt at de aldri skal brukes som eneste bevis. En rød varsellampe i systemet er kun en invitasjon til en samtale, aldri en domfellelse i seg selv. Tillit er grunnsteinen i relasjonen mellom lærer og elev.

Endringer i vurderingssituasjoner

For å motvirke problemet, endrer vi måten vi vurderer på. Hjemmeeksamener og innleveringer over flere uker mister sin verdi hvis vi ikke kan være sikre på at arbeidet er selvstendig. Slik jeg ser det, tvinger dette frem en positiv endring i skolen.

Mer muntlig aktivitet

Vi legger stadig mer vekt på fagsamtaler og muntlige fremføringer. Det er ekstremt vanskelig å forsvare en tekst man ikke har skrevet selv når læreren stiller oppfølgingsspørsmål. Prosessen blir viktigere enn sluttproduktet.

Arbeid i klasserommet

Å skrive tekster for hånd, eller på låste datamaskiner i klasserommet, har fått sin renessanse. Da ser jeg elevenes progresjon, og vi kan jobbe med skriveprosessen sammen. Det gir meg et mye bedre bilde av hva de faktisk kan.

Read also Tilrettelegging i skolen: Dine rettigheter som forelder

Hvordan bygge tillit fremfor mistenksomhet

Til syvende og sist handler ikke dette om å ta elevene i å gjøre feil. Vi ønsker at de skal lære, mestre faget, og bli gagns mennesker. Skal vi klare det, må vi snakke åpent om teknologien i klasserommet. Jeg pleier å vise elevene mine akkurat hvordan programmene fungerer, inkludert hvor dårlige de er på å koble lokal kontekst med personlige erfaringer.

Når de forstår begrensningene, blir teknologien et hjelpemiddel fremfor en erstatning for egen innsats. Veien videre krever at vi slutter å jage etter det perfekte jukseverktøyet, og heller skaper vurderingssituasjoner der fusk blir meningsløst. Det krever mye av oss lærere, men gevinsten er en skole der kompetanse faktisk betyr noe.

Ofte stilte spørsmål (FAQ)

Er det lov å bruke ChatGPT på skolen i Norge?

Det varierer fra skole til skole og fra oppgave til oppgave. Som regel er det ulovlig å levere maskingenerert tekst som sitt eget arbeid. Noen lærere tillater at man bruker det som en idéskaper i startfasen av et prosjekt, forutsatt at kildene oppgis tydelig.

Kan lærere bevise at en elev har brukt kunstig intelligens?

Å bevise det 100 % teknisk er svært vanskelig, siden programmene alltid skaper ny tekst. Men lærere bruker fagsamtaler, kildesjekk og analyse av skrivestil for å samle nok indisier. Bevisbyrden støtter seg ofte på elevens manglende evne til å forklare innholdet de har levert.

Hvilke programmer bruker norske skoler for plagiatkontroll?

I Norge brukes flere kjente plattformer for innlevering, og mange av disse har bygget inn egne detektorer for språkmodeller. Udir og fylkeskommunene evaluerer kontinuerlig hvilke systemer som er pålitelige nok til å overholde personvernet samtidig som de sjekker teksten.

Blir elever alltid tatt hvis de jukser med KI?

Nei, sannsynligvis ikke. Spesielt hvis eleven bruker maskinen til å omformulere små avsnitt fremfor å generere hele tekster. De som kopierer store mengder ukritisk, blir derimot nesten alltid oppdaget på grunn av stilbrudd, hallusineringer (falske fakta) og manglende dybde.

Hva er konsekvensen for å bli tatt for juks på videregående skole?

Konsekvensene varierer avhengig av alvorlighetsgrad. Oftest fører det til at oppgaven blir underkjent, og at eleven mister vurderingsgrunnlaget i den spesifikke perioden. Gjentatte brudd kan påvirke karakteren i orden og oppførsel, og ved eksamen fører fusk til annulering.