AI i praktiknära skolforskning: från bidrag till effekt

Den 2025-10-28 kl. 10.10 presenterar Skolforskningsinstitutets direktör Christina Månberg vilka projekt som beviljats forskningsbidrag för praktiknära skolforskning. För många låter det som en kort nyhet i flödet. Jag tycker tvärtom: det här är ett av de tydligaste kvittona på var svensk skola är på väg — mot mer mätbar utveckling, mer systematik och fler samarbeten mellan lärare, skolledare och forskare.

Samtidigt händer något annat i klassrum och på huvudmannanivå: AI och EdTech går från ”intressant pilot” till vardagsverktyg. Det skapar en ovanligt bra möjlighet. När praktiknära forskning får finansiering kan den också designas för att dra nytta av AI: bättre datainsamling, snabbare analys, tätare återkoppling och tydligare spårbarhet från insats till elevresultat.

Det här inlägget placerar bidragsnyheten i en större kontext för serien ”AI inom utbildning och EdTech”: hur skolor kan använda AI på ett sätt som stärker forskningsprojekten — och gör resultaten mer användbara i klassrummet.

Varför forskningsbidrag är extra viktiga just nu

Praktiknära skolforskning blir mest värdefull när den går att omsätta i beslut och undervisning utan fördröjning. I slutet av 2025 står många skolor mitt i samma vardag: pressade resurser, ökad dokumentation, krav på likvärdighet och ett växande behov av att visa effekt av insatser.

Här gör finansieringen skillnad på tre konkreta sätt:

1. Tidsfönstret blir skarpt. Projekt med tydlig plan och finansiering tenderar att leverera inom bestämda cykler, vilket passar skolans läsårstakt.
2. Kvaliteten i genomförandet höjs. När forskningsdesign, datainsamling och analys får resurser minskar risken för ”vi testade lite och kände efter”.
3. Spridningen blir möjlig. Resultat som dokumenteras väl kan replikeras i fler skolor och bli underlag för gemensamma arbetssätt.

Min ståndpunkt är enkel: skolutveckling utan spårbar evidens blir lätt dyrt, tröttande och kortlivat. Bidragsfinansierad praktiknära forskning är ett av de bästa motmedlen — och AI kan göra den ännu mer relevant.

Där AI faktiskt hjälper forskningen (inte bara imponerar)

AI är mest användbart i praktiknära forskning när det minskar friktion och ökar precision. Inte när det ersätter professionella bedömningar eller skapar mer administration.

1) Datainsamling som inte äter upp lärartid

I många skolprojekt faller man på det enkla: det tar för lång tid att samla in data, och datan blir ojämn.

AI-stödda verktyg kan minska den bördan, till exempel genom:

• Automatiserad kodning av observationer (t.ex. klassrumsinteraktioner) där lärare/forskare sedan validerar ett urval.
• Snabb sammanställning av enkätsvar och fritextkommentarer i teman som går att följa över tid.
• Strukturerad insamling av elevproduktion (texter, resonemang, lösningsstrategier) där AI hjälper till att kategorisera, inte sätta betyg.

Poängen: AI ska göra det enklare att få tillräckligt bra data ofta, inte ”perfekt data” sällan.

2) Analys som går att använda i realtid

Praktiknära forskning har en svag punkt: resultaten kommer ibland när personalen redan gått vidare.

Här kan AI bidra med:

• Tidiga indikatorer (t.ex. förändringar i frånvaro, inlämningsfrekvens, progression i uppgifter) som signalerar om en insats behöver justeras.
• Segmentering av elevgrupper för att se om en metod fungerar olika för olika behov (utan att fastna i etiketter).
• A/B-liknande upplägg i liten skala: två varianter av stöd, samma mål, jämförbar grupp — och analys som snabbt visar mönster.

Det här är inte magi. Det är praktisk statistik och mönsterigenkänning, paketerat så att skolor kan agera innan terminen tar slut.

3) Tydligare koppling mellan insats och elevresultat

Det skolledare och huvudmän ofta saknar är kedjan: ”Vi gjorde X → det gav Y → därför skalar vi Z.”

AI kan stärka den kedjan genom att:

• Visualisera progression på klass-, grupp- och individnivå.
• Identifiera vilka delar av en insats som verkar bära effekt (t.ex. återkopplingsfrekvens, uppgiftstyper, stödnivåer).
• Skapa transparenta rapporter där antaganden och osäkerheter syns.

Det viktiga är transparens. En modell som ingen kan förklara skapar misstro och blir svår att använda i styrning.

3 sätt att designa forskningsprojekt som drar nytta av AI

Du får störst nytta om AI tänks in redan i projektplanen — inte som en efterhandsidé. Här är tre arbetssätt jag sett fungera i skolnära utveckling.

1) Bygg en ”minsta gemensamma datamodell” från dag 1

Bestäm tidigt:

• Vilka variabler är måste (t.ex. närvaro, diagnos/bedömning, elevuppgift, lärarlogg)?
• Hur ofta samlar ni in dem?
• Vilka format gäller, så att data går att jämföra över skolor/klasser?

När grunden är enhetlig blir AI-stödd analys billigare, snabbare och mer tillförlitlig.

2) Separera stöd från bedömning

En praktisk tumregel: AI kan stödja lärandeprocessen, men betyg och myndighetsutövning ska inte automatiseras.

I ett forskningsprojekt kan AI till exempel:

• föreslå nästa övningssteg,
• ge formativ återkoppling på struktur i en text,
• sammanfatta vad en elev missar i ett resonemang,

…men läraren avgör kvalitet och betyg.

3) Planera för implementering redan när ni planerar mätning

Många projekt mäter bra men implementerar dåligt. Gör tvärtom: designa så att resultat går att införa.

Ett enkelt upplägg:

1. Pilot 4–6 veckor i en årskurs/arbetslag.
2. Justera utifrån data (AI kan hjälpa er se mönster snabbt).
3. Skala till fler grupper med samma mätpunkter.
4. Dokumentera så att nästa skola slipper börja från noll.

Det är så man får praktiknära forskning att faktiskt kännas praktiknära.

Vanliga frågor skolor ställer (och raka svar)

“Måste vi ha massor av data för att AI ska vara meningsfullt?”

Nej. Många skolprojekt vinner mer på jämn, enkel datainsamling än på stora datamängder. Börja med 3–5 indikatorer som ni litar på.

“Blir det här bara mer administration?”

Det behöver inte bli det. Kravet ska vara att AI minskar dubbeldokumentation. Om verktyget kräver att lärare matar in samma sak två gånger är det fel verktyg.

“Hur får vi med oss personalen?”

Genom att koppla AI till ett konkret problem: studiero, läsförståelse, återkopplingstid, frånvaro. Ingen blir motiverad av ‘digitalisering’. Alla blir motiverade av mindre friktion och tydligare resultat.

Så kan huvudmän och EdTech-aktörer stötta bidragsprojekten

När forskningsbidrag delas ut öppnas ett fönster för smart samverkan — men den måste vara respektfull och tydlig.

För huvudmän:

• Säkra tid i tjänst för lärare som deltar (annars blir projektet en kvällsaktivitet).
• Kräv en enkel plan för datahantering och integritet.
• Bestäm i förväg hur ni tar beslut om skalning: vilka kriterier, vilken tidslinje.

För EdTech-aktörer (om ni samarbetar med skolor i projekt):

• Erbjud export/import av data i öppna format.
• Visa hur er AI fungerar på en nivå som lärare kan förstå.
• Gör det lätt att köra pilot: snabb onboarding, tydliga roller, minimal teknisk skuld.

Det här är också där leadsmöjligheten finns i praktiken: skolor söker inte ”AI”. De söker partners som kan hjälpa dem genomföra mätbara förbättringar med rimlig arbetsbelastning.

Avslutning: bidragsbeslut är starten, inte målet

Presentationerna av beviljade forskningsbidrag (2025-10-28) är mer än en nyhet. De är en påminnelse om att svensk skola har en fungerande väg mellan vardagsproblem och forskningsdriven förbättring.

För dig som jobbar med skolutveckling är nästa steg tydligt: titta på hur AI kan göra projekten snabbare att genomföra, lättare att följa upp och enklare att sprida. Det är där EdTech blir relevant på riktigt.

Vilken del av kedjan “insats → data → analys → förändrat arbetssätt” är svagast hos er just nu — och vad skulle hända om den förstärktes redan nästa termin?