Undervisning & Tutoring

Undervisning og tutoring dækker systemer, hvor en sprogmodel indgår i en løbende dialog med en lærende om et fagligt stof. Modellen forklarer begreber, stiller kontrolspørgsmål, retter misforståelser og justerer sværhedsgraden undervejs. Kernen er samtalen over tid, ikke det enkelte svar.

Grænsen mod nabo-use-cases går ved formålet. Genererer du opgavesæt, slides eller lærervejledninger, arbejder du med indholdsproduktion. Retter du afleveringer med karakter til følge, er det automatiseret bedømmelse med helt andre krav til dokumentation og klagemulighed. En tutor må gerne bedømme, men bedømmelsen er et middel til at vælge næste skridt, ikke et resultat der føres til protokol.

En ren spørgsmål-svar-bot falder også uden for. Den svarer på det, brugeren spørger om. En tutor holder fast i et læringsmål, også når den lærende helst vil have facit.

Et tutoring-system består typisk af fire dele. En systemprompt definerer den pædagogiske rolle og reglerne for, hvornår modellen må afsløre et svar. Et fagligt grundlag knytter samtalen til det konkrete pensum, ofte gennem RAG mod lærebogstekst, opgavebank og facitliste. En elevprofil uden for modellen holder styr på niveau, tidligere fejl og gennemførte emner. Endelig en dialogloop, der ved hvert svar afgør, om den lærende skal videre, have et hint eller tilbage til noget grundlæggende.

Rækkefølgen betyder noget. Systemet henter først elevprofil og relevant materiale, sammensætter derefter en prompt med opgaven og facit, og lader først da modellen svare den lærende. Facit ligger i konteksten, men systemprompten styrer, at det bruges til at vurdere svaret frem for at blive citeret.

Kvaliteten afgøres mest af to ting. Det faglige grundlag skal være det rigtige, altså skolens eget materiale frem for modellens generelle viden. Og elevtilstanden skal leve i en database, ikke i context window, ellers forsvinder den, når samtalen bliver lang. Til selve dialogen bruges typisk GPT-5.6 Sol eller Claude Sonnet 5. Gemini 3.1 Pro er relevant, når hele lærebogen eller billeder af håndskrevne udregninger skal med. GPT-5 nano kan klare billige mellemtrin som at klassificere, om et svar er rigtigt, forkert eller delvist rigtigt.

Den alvorligste fejl er ikke, at modellen tager fejl, men at den lærende ikke kan opdage det. En elev der er ved at lære differentialregning, har per definition ikke grundlaget for at fange en forkert mellemregning. Fejl i tutoring rammer derfor hårdere end fejl i de fleste andre use-cases, og de rammer hyppigst dem, der er længst fra at kunne kontrollere svaret.

Dertil kommer en indbygget føjelighed. Modeller er trænet til at være imødekommende, og det giver ros til forkerte svar og eftergivenhed, når en elev insisterer. Fem gentagelser af "er du sikker" er ofte nok til at få en model til at trække en korrekt forklaring tilbage. Det underminerer hele pointen med formativ feedback.

Modellen er også let at omgå. Beder en elev om at få opgaven forklaret "som et fuldt eksempel", får den reelt facit uden at have arbejdet. Systemprompten holder sjældent hele vejen gennem en lang samtale, og jo længere dialogen bliver, jo mere fortyndes instruktionerne.

Endelig er effekten svær at måle. En elev der er tilfreds med sin tutor, har ikke nødvendigvis lært mere. Uden en uafhængig test af færdigheder måler du engagement, ikke læring.

Tutoring involverer ofte mindreårige, og samtalerne indeholder oplysninger om faglige vanskeligheder. Det er følsomt materiale, uanset om det formelt klassificeres som sådan. Afklar databehandleraftale, opbevaringstid og adgang til logs, før systemet møder den første elev.

Log samtalerne alligevel, og lad en lærer kunne se dem. Loggen er både den praktiske fejlfinding, når modellen forklarer noget forkert, og grundlaget for at opdage en elev, der har brug for en anden slags hjælp end den, et sprogmodelbaseret system kan give.