Team Education

<p>I videon delar Team Education med sig av sina erfarenheter från ett utforskande AI-projekt med utgångspunkt i fyra startprompter. De beskriver svårigheten att hitta balansen mellan experimentellt arbete, snabb prototyputveckling och den löpande kommunikationen via blogginlägg.</p>
<p>En central utmaning har varit begränsad tillgång till kursdata och andra resurser, vilket stundtals påverkat projektets riktning och utveckling. Trots detta har teamet effektivt dragit nytta av AI-verktyg, särskilt kodassistenter, för att snabbt ta fram prototyper och testa nya idéer. Tittaren får tips om användbara Youtube-resurser och instruktionsvideos för att bättre förstå och nyttja AI-verktyg.</p>
<p>Teamet belyser även hur tekniska möjligheter alltid måste vägas mot etiska och juridiska gränser och uppmuntrar till reflektion och ansvarstagande inom AI-utveckling. Avslutningsvis inspirerar de till fortsatt kreativitet och snabb innovation, samtidigt som de välkomnar frågor och kontakt från tittarna.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Balans mellan utforskande, utveckling och kommunikation är avgörande.</li>
<li>AI-verktyg, speciellt kodassistenter, underlättar snabb prototyputveckling.</li>
<li>Begränsade resurser kräver kreativ problemlösning.</li>
<li>Etiska och juridiska aspektar måste alltid övervägas.</li>
<li>Tveka inte att söka mer information eller kontakta teamet vid frågor.</li>
</ul>

<p>I videon presenterar Team Education en översikt över sina explorativa AI-projekt som genomförts under sommaren vid Chalmers Institution för dator- och informationsteknik. Gruppens medlemmar berättar att de arbetar med att ta fram innovativa AI-lösningar för utbildningssammanhang baserat på lärarnas behov och önskemål. Huvudfokus har varit att utveckla verktyg såsom Smart Canvas-assistent, bedömningsstöd, smart projekthandledning och kvalitetssäkring, alla designade för att stärka lärarens roll som facilitator och för att främja djup informationsbearbetning hos studenter.</p>
<p>Teamet betonar vikten av att inspirera till lärande snarare än att bara överföra kunskap, och beskriver hur deras lösningar stödjer miljöer där djupinlärning blir möjlig. De lyfter också fram det täta samarbetet med intressenter genom möten och intervjuer, vilket bidragit till att utforma relevanta och användbara AI-verktyg. Tittaren uppmanas att utforska teamets djupdykande videor om varje prototyp, samt en avslutande reflekterande diskussion.</p>
<h4>Key takeaways:</h4>
<ul>
<li>Team Education utvecklar AI-verktyg för att stödja lärare och främja djupinlärning.</li>
<li>Fyra huvudområden: Smart Canvas-assistent, bedömningsstöd, projekthandledning och kvalitetssäkring.</li>
<li>Projekten har formats i nära dialog med relevanta intressenter.</li>
<li>Flera applikationer och reflektionsvideor finns tillgängliga för vidare fördjupning.</li>
</ul>

<p>Videon presenterar Team Educations lösning för att underlätta kursdesign i Canvas genom ett AI-drivet mallbibliotek, kallat EduCraft AI. Bakgrunden är att många lärare idag bygger Canvas-sidor manuellt utan systematiskt stöd, vilket skapar utmaningar gällande enhetlighet och arbetsbelastning. Teamet har tagit fram en AI-assisterad modell där läraren får förslag på pedagogiska strukturer och layouts, men behåller möjligheten att själv välja och anpassa det som passar deras undervisning bäst.</p>
<p>EduCraft AI analyserar uppladdat kursmaterial och använder evidensbaserade ramverk, bland annat ADDIE-modellen och didaktiska principer, för att skapa strukturerade Canvas-kurser. Systemet kan föreslå olika typer av kursdesign utifrån kursnivå, omfattning och examination, samt upprätthåller en logisk struktur i kursrummet. AI:n arbetar utifrån en ontologi för att säkerställa att liknande kurser får enhetlig pedagogisk kvalitet, samtidigt som det finns flexibilitet för lärarens egna anpassningar.</p>
<p>Pedagogiska kvalitetsfilter, inspirerade av neurovetenskap och kognitiv belastningsteori, används för att optimera kursens upplägg så att den blir tydlig och hanterbar för studenterna. Syftet är även att främja återanvändning av kursinnehåll och skapa möjligheter för upskilling och fortbildning. Lösningen bidrar till ökad struktur, effektivisering för lärare och minimerade frågor från studenter, samt enklare införande av nya pedagogiska modeller i Canvas.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>EduCraft AI erbjuder AI-assisterad kursdesign med förslag på pedagogiska mallar i Canvas.</li>
<li>Verktyget bygger på evidensbaserade ramverk som ADDIE och didaktiska principer.</li>
<li>Systemet balanserar struktur och lärarautonomi, med flexibla val.</li>
<li>Fokus ligger på tydlig kursstruktur, återanvändning av kursinnehåll och minskad arbetsbörda för lärare.</li>
<li>Lösningen underlättar införande av pedagogiska modeller och förbättrar användarupplevelsen för både lärare och studenter.</li>
</ul>

<p>I utbildningsvideon presenterar Team Education sitt AI-drivna diskussionsfacilitatorverktyg Flow. Verktyget har utvecklats för att förbättra och strukturera diskussioner i utbildningssammanhang och bygger på en kombination av realtids-transkribering, AI-baserad analys och pedagogiska ramverk. Flow transkriberar samtal i realtid med hjälp av WebSpeech API och använder sedan GPT-4 för att analysera innehållet och generera följdfrågor enligt valda pedagogiska modeller, såsom Blooms taxonomi och sokratiska frågor. Detta bidrar till att fördjupa samtalet och uppmuntra kritiskt tänkande bland deltagarna.</p>
<p>Användare kan anpassa Flow efter kontext, välja språk, ställa in hur ofta och när frågor ska dyka upp, samt välja mellan automatiska eller manuella frågor. Efter avslutat möte kan verktyget generera en sammanfattning av diskussionen. Flow är flexibelt och skalbart, och lämpar sig både för seminarier, muntliga förhör och andra typer av utbildnings- och mötessituationer. Vidare diskuteras potentiella utvecklingsvägar, som individuell röstigenkänning, engagemangsanalys och avancerad ämnesmodellering. Verktyget lyfts fram som användarvänligt, anpassningsbart och redan tillräckligt fungerande för att börja användas i praktiken.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Flow transkriberar och analyserar diskussioner i realtid.</li>
<li>Följdfrågor baseras på pedagogiska ramverk (t.ex. Bloom, Sokrates).</li>
<li>Användaren kan styra konfiguration och fråga manuellt vid behov.</li>
<li>Verktyget är skalbart och tekniskt flexibelt.</li>
<li>Potential för vidareutveckling, som röstigenkänning och engagemangsanalys.</li>
</ul>

<p>I denna utbildningsvideo presenterar Team Education sitt AI-stödda handledningssystem, ReflectBob, utvecklat för att stödja projektkurser vid Chalmers. Huvudproblemet som adresseras är tidsbrist och varierande pedagogisk och teknisk kompetens hos TAs (Teacher Assistants), särskilt inom teknikfältet. Systemet är uppbyggt som ett modulärt verktyg där AI används för att analysera och ge återkoppling på studenternas självreflektioner samt för att förbereda TAs inför handledningsmöten. ReflectBob är inspirerad av etablerade feedbackramverk som Timperley och Hattie, med fokus på de centrala frågorna: Var är jag? Vart ska jag? Vad är nästa steg?</p>
<p>AI-lösningen erbjuder specifika och pedagogiskt meningsfulla förslag genom att använda metoder från neurovetenskap, kognition, socratiska frågor, scaffolding och Blooms taxonomi. Systemet föreslår även prompts för att främja kritiskt tänkande och progressiv utveckling i studenternas reflektioner. Genom AI:s möjligheter kan både studenter och TAs effektivisera återkopplingsprocessen och höja kvaliteten på reflekterande arbete, men godkännande och kontroll av TAs betonas fortsatt som avgörande. ReflectBob testas och utvecklas vidare, där användbarhet och outputens kvalitet är centrala frågor, liksom hantering av varierande reflektionstexters innehåll och promptdesign. Systemet bedöms ha potential att skala upp och användas inom fler utbildningssammanhang.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>ReflectBob är ett AI-baserat handledningssystem för projektkurser vid Chalmers.</li>
<li>Systemet stödjer TAs i feedbackprocessen och effektiviserar reflektioner för studenter.</li>
<li>Bygger på etablerade pedagogiska ramverk och anpassas via prompt engineering.</li>
<li>Human in the loop är fortsatt viktigt – TAs godkänner alltid AI-genererad feedback.</li>
</ul>

<p>I denna video presenterar Team Education sitt delsystem MathGrader, som är utvecklat för att stötta lärare i att bedöma handskrivna och inskannade lösningar på matematikuppgifter. MathGrader är tänkt som ett komplement till traditionell bedömning, inte som ersättning. Systemet fungerar genom att läraren laddar upp en inskannad elevlösning samt motsvarande fråga. Genom att kombinera optisk teckenigenkänning (OCR) och en språkmodell (LLM) transkriberas handstilen till digital text, som sedan analyseras för att bedöma lösningens korrekthet, poängsättas och kommenteras med styrkor, svagheter och konstruktiv feedback.</p>
<p>MathGrader kan användas både summativt och formativt, till exempel för att snabbt ge läraren en översikt över klassens prestation på ett test eller för att spara tid vid rättning av inlämningsuppgifter. En demo visar att systemet ger detaljerad återkoppling, men att tolkningen av handstil kan vara känslig för dålig textkvalitet. Utmaningar kring integritet, datasäkerhet och behovet av lokalt tränade modeller för att hantera Chalmers-specifika handskrifter och matematiska notationer diskuteras. Teamet betonar utvecklingspotentialen, möjligheten att utvidga systemet med stöd för hela prov och anpassade bedömningsmatriser samt dess användbarhet som diagnostiskt verktyg i undervisningen.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>MathGrader kombinerar OCR och AI för automatisk bedömning av handskrivna matteuppgifter.</li>
<li>Systemet erbjuder poängbedömning, feedback samt identifiering av styrkor och svagheter.</li>
<li>Komplement till lärarens egen bedömning, särskilt värdefullt för formativt arbete.</li>
<li>Utmaningar finns kring datatillgång, integritet och anpassning till lokala behov.</li>
<li>Stor potential för vidareutveckling och effektivisering av lärarens arbetsflöde.</li>
</ul>

<p>I denna utbildningsvideo presenterar Team Education sitt projekt “Bedömningsstöd”, som syftar till att utforska hur AI kan assistera examinatorer vid rättning och bedömning av studentarbeten, särskilt inom summativ bedömning. Projektgruppen har genomfört litteraturanalys, marknadsanalys och behovsanalys för att kartlägga nuläget och pedagogiska krav, samt utvecklat ett konceptförslag på ett AI-baserat verktyg som integreras med lärplattformen Canvas.</p>
<p>Verktyget låter studenter ladda upp inlämningar som analyseras av en språkmodell (LLM). Resultaten presenteras för lärare genom färgmarkerad text och detaljerad AI-assisterad analys, samtidigt som läraren har möjlighet att justera och komplettera med egna kommentarer och slutgiltiga betyg. Bedömningen utgår från en struktur i bedömningsmatrisen samt kursens innehåll, och systemet genererar både formativ och summativ feedback för studenten. Elever får därmed inte enbart veta vad som var rätt eller fel, utan också konkreta tips för förbättring och lärande.</p>
<p>Diskussionen tar även upp viktiga utmaningar såsom behovet av att AI-systemet tränas specifikt på korrekt kursdata för att säkerställa relevant och rättvis bedömning. Integritetsfrågor kring träningsdata lyfts, liksom vikten av att se AI som ett stöd och co-pilot snarare än en fullständig ersättning av mänsklig bedömning. Teamet ser stor potential i verktyget och öppnar för vidareutveckling, där integrering med lokala lärplattformar och säker datahantering är centrala nästa steg.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>AI kan stödja lärare i rättning av inlämningar genom analys och feedback.</li>
<li>Verktyget bygger på integration med lärplattform och bedömningsmatris.</li>
<li>Både lärarens erfarenhet och AI-analys kombineras för en rättvis bedömning.</li>
<li>Att träna systemet på korrekt och säker data är avgörande.</li>
<li>AI ska ses som ett stöd, inte ersättning, för lärarens bedömningsroll.</li>
</ul>

<p>Videon presenterar ett muntligt bedömningssystem kallat Muntasystemet, utvecklat av Team Education, som syftar till att bättre fånga studenters faktiska kunskapsnivå jämfört med traditionella skriftliga tentor. Systemet bygger på deras Flow-tool, som transkriberar studenters muntliga svar i realtid och använder AI för att ställa följdfrågor anpassade efter studentens nivå. Om studenten visar god förståelse byts ämne; om svaret är bristfälligt justeras frågorna för att identifiera kunskapsluckor. Verktyget möjliggör kontinuerlig bedömning istället för enbart slutexamination, vilket gör det lättare för läraren att anpassa undervisningen efter aktuell nivå hos studenterna.</p>
<p>Systemet diskuterar även frågor kring rättssäkerhet och betygssättning, med förslag om att AI initialt används som förberedelse eller diagnostiskt verktyg medan slutgiltig bedömning fortfarande görs av en examinator. Det betonas också att integration med pedagogiska ramverk som Blooms taxonomi och Sokratiska metoden stödjer fördjupat lärande och varierade examinationstekniker. Tekniken möjliggör responsiv undervisning och kan, med fortsatt utveckling, bli ett säkrare alternativ än hemtentor tack vare exempelvis röstigenkänning och identitetsverifiering.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Muntasystemet möjliggör AI-stödd muntlig examination med realtids-transkribering.</li>
<li>Systemet anpassar frågor efter studentens kunskapsnivå för bättre pedagogisk feedback.</li>
<li>Integrerar etablerade pedagogiska ramverk för ökad kvalitet och variation.</li>
<li>Potentiell högre rättssäkerhet än traditionella hemtentor.</li>
<li>Stor potential för löpande kunskapsdiagnostik och stödd responsiv undervisning.</li>
</ul>

<p>I videon presenterar Team Education sitt arbete med att utveckla AI-stöd för det systematiska kvalitetssäkringsarbetet av kurser vid Chalmers. De har analyserat hela processen kring kursutvärderingar, från insamling av studentfeedback och förbehandling av data, till utvärderingsmöten och åtgärdsuppföljning. Teamet har identifierat att stora administrativa resurser idag krävs för att manuellt gå igenom kommentarer och sammanställa protokoll, samt att nuvarande system främst baseras på enkätdata från kursens slut.</p>
<p>Som lösning har de utvecklat en AI-baserad "kursenkäts-sammanfattare" som kan automatisera flera steg i processen. Denna sammanfattare använder en lokal språkmodell (LLM) för att filtrera och sammanfatta studentkommentarer, analysera sentiment och generera statistik samt ge åtgärdsförslag vid negativ feedback. Verktyget möjliggör även jämförelser mellan olika kursår och export av sammanfattingar för protokollföring. De diskuterar också möjligheten att bredda datainsamlingen till mer kontinuerlig feedback under kursens gång, samt att dra nytta av andra digitala verktyg och korsinstitutionellt samarbete.</p>
<p>Sammanfattningsvis kan deras lösning effektivisera kvalitetsarbetet avsevärt, frigöra tid och bidra till bättre insikter om faktorer som påverkar kurskvalitet. Samtidigt betonas att utbildningskvalitet är ett komplext samspel mellan lärare och studenter, vilket sällan fångas helt i en kursenkät.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>AI kan automatisera sammanfattning och analys av kursfeedback.</li>
<li>Verktyget minskar administrativt arbete och ger snabb översikt över kursutvärderingar.</li>
<li>Kontinuerlig feedback och fler datakällor kan förbättra kvalitetsarbetet.</li>
<li>Samarbete mellan institutioner ses som en utvecklingsmöjlighet.</li>
</ul>

<p>Videon presenterar Team Educations delprojekt "Guldkorns finder" – ett digitalt verktyg för Canvas som hjälper lärare att identifiera och återanvända särskilt värdefulla inslag (guldkorn) i sina kurser, exempelvis bra övningar, uppgifter eller studentlösningar. Behovet grundar sig i att kursers digitala sidor ofta innehåller inaktuell eller irrelevant information som är svår att urskilja utan manuell genomgång. Efter dialoger med lärare och andra intressenter utvecklades därför ett system där en AI-assistent kan analysera kursinnehållet och identifiera guldkorn utifrån kriterier som slutförandegrad, kursutvärderingar och studentengagemang. Dessa guldkorn får en poängsättning och beskrivs kortfattat.</p>
<p>Verktyget gör det enkelt att exportera identifierade guldkorn och importera dem i andra kurser, oberoende av ämnesområde. Läraren kan anpassa uppgifterna och generera nya upplägg med tydliga lärandemål och arbetsgång, där även Blooms taxonomi vägleder för ökad pedagogisk kvalitet. Detta kan underlätta kursutveckling, erfarenhetsutbyte mellan lärare och effektivt återbruk av pedagogiskt material. Utvecklingsidéer innefattar att bygga ett delningsbart resursbibliotek där lärare fritt kan dela guldkorn, samt använda verktyget för att dokumentera sin lärargärning och meritera sig inom universitetet.</p>
<h4>Nyckelpunkter:</h4>
<ul>
<li>Verktyget identifierar och återanvänder pedagogiskt värdefulla uppgifter i Canvas-kurser.</li>
<li>Analys sker automatiskt baserat på slutförandegrad, utvärderingar och engagemang.</li>
<li>Guldkorn kan anpassas och flyttas mellan olika kurser och ämnen.</li>
<li>Möjlighet att skapa ett resursbibliotek för delning och samarbete.</li>
<li>Stöd för dokumentation och meritvärdering av undervisningsinsatser.</li>
</ul>

Team Smart Campus

Team Smart Uni

Team 10xIndividual

Team Data Exploit

Team Upskill

Team AI-based feedback

Explorativa AI-projekt 2025

Välj ämne

Kursplan för

Ämne

Utbildningsområde

Tillåtna byten av obligatoriska kurser

För att se din utbildningsplan – välj det läsår du påbörjade programmet.

Explorativa AI-projekt 2025

Team Education

Introduktion till Team Education

Videobeskrivning: Introduktion till Team Education

Sammanfattning av projektet

Videobeskrivning: Sammanfattning av projektet

Smart Canvas-assistent

Videobeskrivning: Smart Canvas-assistent

FLOW diskussionsfacilitator

Videobeskrivning: FLOW diskussionsfacilitator

Smart projekthandledning

Videobeskrivning: Smart projekthandledning

Bedömningstöd matematik

Videobeskrivning: Bedömningsstöd matematik

Bedömningsstöd text

Videobeskrivning: Bedömningsstöd text

Bedömningsstöd muntlig

Videobeskrivning: Bedömningsstöd muntlig

Kvalitetsgranskning

Videobeskrivning: Kvalitetsgranskning

Hitta guldkornen

Videobeskrivning: Hitta guldkornen