Kan en AI-avatar erstatte en universitetsprofessor? Inde i AI-instruktørerne fra 2026

I oktober 2025 præsenterede den ledende læringsarkitekt for online-kandidatuddannelsen i datalogi ved Georgia Tech en ny undervisningsassistent for sine studerende. Assistenten fik navnet DAI-vid, lignede professor David Joyner på en prik, lød præcis som David Joyner og var tilgængelig 24 timer i døgnet på edX-platformen på et af sytten forskellige sprog. Der var én forskel på DAI-vid og den menneskelige professor: DAI-vid var en AI-avatar, der var finjusteret på baggrund af mange års optagede forelæsninger og kontortider med Joyner, og som var sat i verden for at håndtere de spørgsmål fra studerende, der før i tiden måtte vente på et menneskeligt svar.

DAI-vid var ikke et enestående tilfælde. Ved udgangen af akademiske år 2025-2026 var AI-avatarundervisere blevet indført på Boise State University (et helt asynkront kursus undervist af en AI-avatar af den menneskelige underviser), University of Miami (en datalogiprofessor med en 24/7 flersproget AI-version af sig selv), University of Virginia (avatarer indført i Cognitive Science-Based Learning Hub fra efteråret 2025), Morehouse College (digitale avatarer, der repræsenterede hver professor som undervisningsassistenter) og en voksende liste af online uddannelsesplatforme, der eksperimenterede med samme model. Section AI lancerede det, de kaldte den „første AI-avatar-professor“ på deres forretningsuddannelsesplatform. Det Texas-baserede Alpha School-netværk, der opkræver op til $75.000 om året for K-8-tilmelding, kører hele sin akademiske undervisning på AI-software i to timer om dagen uden menneskelige lærere — kun voksne „guider“ til opsyn og motivation.

Det provokerende spørgsmål er ikke længere, om en AI-avatar kan undervise. Den underviser lige nu på anerkendte institutioner for betalende studerende. Spørgsmålet, der betyder noget, er, om en AI-avatar kan erstatte en menneskelig professor i en meningsfuld forstand — ikke blot levere indhold, men skabe læring, mentorskab, dømmekraft og de former for intellektuel transformation, som universitetsgraden er beregnet til at certificere. Denne artikel ser på erfaringerne fra den første bølge af udrulninger, hvor AI-avatarer for alvor brillerer, hvor de systematisk kommer til kort, og hvordan en realistisk rolle for dem ser ud i 2026 og fremover.

Hvad der rent faktisk sker: En rundtur blandt 2026's AI-undervisere

Udrulningerne fordeler sig i tre kategorier, hver med forskellige mål og begrænsninger.

• AI-undervisningsassistenten. En menneskelig professor er fortsat ansvarlig for kurset. En AI-avatar håndterer studerendes spørgsmål uden for undervisningstiden, besvarer grundlæggende afklaringer, guider studerende gennem forudsætningsmateriale og bringer højprioriterede problemer videre til den menneskelige professor. Dette er den dominerende model i 2026. Eksempler omfatter University of Miamis datalogiprofessor-avatar, Morehouses digitale fakultetsavatarer og Joyners DAI-vid hos Georgia Tech. Den rapporterede studietilfredshed er høj; avatarerne mindsker flaskehalsen for professorens tid uden at fjerne mennesket fra processen.
• AI-hovedunderviseren. Avataren er den primære undervisningsmæssige tilstedeværelse på et helt kursus, ofte med et menneskeligt fakultetsmedlem, der fører tilsyn med læreplanens design og karaktergivning på designniveau snarere end leveringsniveau. Boise States Applications of Artificial Intelligence er det mest citerede eksempel: et asynkront AI-etikkursus leveret udelukkende af en AI-avatar bygget på baggrund af underviserens tidligere undervisning. Section AI kører en lignende model på sin platform for erhvervsuddannelse. Disse udrulninger er nyere (de fleste er på pilotstadie i 2026), og dataene for læringsudbytte er foreløbige.
• Institutionen, der erstatter undervisere med AI. Alpha School-netværket er det fremtrædende eksempel. Modellen: eleverne modtager to timers akademisk undervisning om dagen via adaptiv AI-software, helt uden traditionelle lærere. De voksne i bygningen (kaldet „guider“) sørger for motivation, fører tilsyn med adfærd og kører ikke-akademiske aktiviteter. Skolepengene ligger på $40.000-$75.000 om året, og netværket er ekspanderet til flere byer i 2025-2026. Alpha hævder, at eleverne lærer „dobbelt så meget på 2 timer“. Den påstand er blevet udfordret. Uafhængig verificering af læringsudbyttet er ikke blevet offentliggjort i midten af 2026.

Hver af disse modeller bliver testet i produktion lige nu. Konklusionerne nedenfor stammer fra den første bølge af udrulninger, forskning i læringsudbytte, der har indhentet AI-tutoring-systemer (navnlig Khan Academys Khanmigo-arbejde, som er den nærmeste analog i stor skala), og de operationelle realiteter, der er synlige for fakultet og studerende på de institutioner, der kører disse uddannelser.

Hvor AI-avatarer for alvor brillerer

Det ville være intellektuelt uærligt at afvise AI-avatarer fuldstændigt. De yder faktisk bedre end menneskelige undervisere på flere specifikke områder, og enhver ærlig analyse må starte dér.

• Tilgængelighed. En AI-avatar er vågen kl. 02.00, når eleven endelig er ved at komme rundt til opgaven, der skal afleveres ved midnat. Ingen menneskelig lærerassistent kan matche dette uden at brænde ud. Reduceret ventetid på hjælp er en af ​​de stærkeste forudsigere for studerendes vedholdenhed i onlinekurser, og AI-avatarer forbedrer den dramatisk.
• Flersproget rækkevidde. DAI-vid hos Georgia Tech opererer på sytten sprog. For internationale studerende i engelsksprogede programmer er forskellen mellem at stille et spørgsmål på deres modersmål og at oversætte deres forvirring til et andet sprog forskellen mellem at få hjælp og ikke at få hjælp. AI-avatarer fjerner denne barriere på en måde, som det menneskelige fakultet realistisk ikke kan.
• Tålmodighed i stor skala. En AI-avatar vil besvare det samme grundlæggende spørgsmål for tusinde gang med samme omhu, som den gav den første spørger. Menneskelige instruktører, uanset programmernes intentioner, har ikke denne egenskab. Til introduktionskurser, hvor den samme håndfuld misforståelser går igen hvert semester, har en avatar, der leder enhver forvirret studerende gennem standardforklaringen, reel pædagogisk værdi.
• Personlig pacing. Khan Academys Khanmigo-data, den nærmeste analoge i stor skala, viser klare gevinster fra dette. Et pilotprojekt fra 2026 med 15.000 elever på tværs af 200 skoler fandt ud af, at elever, der engagerede sig i Khanmigo i mindst 30 minutter om ugen, viste læringsgevinster svarende til yderligere 2-3 ugers traditionel undervisning. SRI Internationals 2025-undersøgelse fandt 23 % hurtigere beherskelse af algebrakoncepter sammenlignet med traditionel videoinstruktion.
• Genhedsfri afhjælpning. En studerende, der aldrig ville række hånden op for at indrømme, at de ikke forstod forudsætningen, vil uden tøven spørge en AI-avatar. Dette især for studerende, hvis kulturelle baggrund eller personlighed gør det dyrt at søge offentlig hjælp.
• Konsistens. Avataren giver det samme svar på spørgsmål Q i dag, som det gav for seks måneder siden, og som det vil give seks måneder fra nu. Menneskelige instruktører driver, udvikler blinde pletter eller har simpelthen dårlige dage. For indholdslevering er konsistens en funktion.

Hver af disse er en legitim fordel. Spørgsmålet er ikke, om AI-avatarer kan gøre nyttige ting i uddannelse. Det kan de tydeligvis. Spørgsmålet er, om det, de ikke kan gøre, stadig betyder nok til, at humanprofessoren ikke kan fjernes.

Hvor AI-avatarer systematisk kommer til kort

Fejltyperne er ikke tilfældige. De samler sig om fem områder, og hver især peger på noget, som en menneskelig professor yder på en helt unik måde.

• Dømmekraft under tvetydighed. En studerende dukker op i kontortiden med en vag bekymring om sit specialeemne og en antydning af, at hun måske ikke er skabt til en kandidatuddannelse. En menneskelig professor aflæser situationen, stiller to specifikke spørgsmål, indser, at det egentlige problem er et knæk i selvtilliden efter en vejleders hårde feedback, og griber pædagogisk og personligt ind. En AI-avatar håndterer det overfladiske spørgsmål (metoden i specialeemnet) kompetent, men overser fuldstændig det egentlige punkt for indgriben. Den studerende forlader kontoret teknisk informeret, men personligt uforløst.
• Mentorskab, der opbygges over tid. Ægte mentorskab er det samlede resultat af snesevis af små interaktioner over måneder og år — en professor, der husker, at denne studerende blev interesseret i distribuerede systemer i CS3, anbefalede en bestemt artikel i CS4 og nu er i stand til at foreslå en forskningsmulighed på det sidste år. AI-avatarer bliver bedre til at huske samtaler, men den integration på tværs af kontekst, år og domæner, som menneskelige mentorer udfører pålideligt, er fortsat uden for rækkevidde. De færdiguddannede, der bliver ansat, kommer ind på de bedste ph.d.-programmer og får de usædvanlige muligheder, er i uforholdsmæssig høj grad dem, en menneskelig mentor så og støttede. Ingen avatar har gjort dette endnu.
• Kalibreret autoritet og ansvar. Når en studerende skal træffe en stor beslutning — skifte studieretning, droppe et fag, tage et sabbatår — skyldes vægten af en menneskelig professors anbefaling delvist, at professoren selv har noget i klemme. De vil møde den studerende igen. De vil være flove, hvis deres råd var forkert. De står til ansvar over for kolleger. En avatars anbefaling har ikke samme vægt, selv når den er teknisk bedre, fordi den studerende ved, at avataren ikke vil mærke konsekvenserne. Dette er ikke en fejl (bug), der kan kodes væk; det er et træk ved menneskelig ansvarlighed, som AI ikke kan genskabe.
• Aflæsning af rummet. Nogle af de vigtigste undervisningssituationer opstår, når en underviser bemærker, at klassen er forvirret over det tredje trin i gårsdagens udledning, at engagementet lige er faldet, at den kloge studerende nede bagved har et spørgsmål, som vedkommende er bange for at stille. Dette er realtids, flerkanal-opfattelse af en gruppedynamik. AI-avatarer i 2026 gør overhovedet ikke dette. De håndterer kun en kø af en-til-en-forespørgsler.
• Generering af ny viden. Forskningsuniversitetsmodellen hviler på den forudsætning, at de mennesker, der underviser, også er de mennesker, der udfører den forskning, der frembringer næste generations viden. AI-avatarer, der er trænet på tidligere arbejde, kan ikke generere forskning, der endnu ikke eksisterer. Et universitet, der fuldstændig erstatter sit fakultet med avatarer trænet på tidligere fakulteters arbejde, har reduceret sig selv til en vidensdistributionsinstitution. Det er ophørt med at være en vidensproducerende institution.

Disse er ikke filosofiske bekymringer opfundet til at forsvare fakultetets arbejdspladser. De er de operationelle grunde til, at enhver seriøs udrulning i 2026 har struktureret AI-avataren som et supplement til fakultetet, ikke en erstatning for dem. Selv de mest aggressive udrulninger — Boise States fuld-kursus-avatar, Alpha Schools K-8-program — bevarer den menneskelige struktur på niveauet over avataren (læreplansdesigneren, guiden, det institutionelle tilsyn). Spørgsmålet er ikke, om man skal beholde mennesker i processen. Det er, i hvilken højde mennesker skal operere.

Forskning i læringsudbytte: Hvad vi reelt ved

De empiriske beviser for AI-tutoring er yderst interessante og mere nuancerede, end både fortalere og skeptikere har tendens til at præsentere. Tre resultater skiller sig ud fra de seneste 18 måneders publicerede forskning.

Beviserne for Khanmigo er de mest stringente. Khan Academys testinfrastruktur er det tætteste, feltet kommer på en randomiseret kontrolleret undersøgelse (RCT) i industriel skala for AI-tutoring. Deres interne resultater (offentliggjort i april 2026 i How Khan Academy Is Building a Better AI Tutor) omfatter stringente A/B-tests på hundredtusindvis af tutoring-tråde. Resultaterne er positive, men beskedne: Integration af samtale-logs forbedrede det kognitive engagement med 5,09% (99,4% konfidens), og opsummering af studerendes problemløsningshistorik forbedrede rigtigheden af næste opgave med 3,4%. Dette er reelle gevinster, der opbygges over tid, men det er ikke de tal om „2X læring“, som marketingmaterialer af og til hævder.

Ekstern validering er blandet. Et pilotprojekt med AI-tutorsoftware på MSU i starten af 2025 viste markante læringsfremskridt på tværs af alle forhold, men ingen statistisk signifikante forskelle mellem AI- og ikke-AI-grupper, når det kom til læringsudbytte. Studerende oplevede AI positivt, men denne opfattelse udmøntede sig ikke altid i målbare fremskridt i udbyttet.

De største påstande er de mindst verificerede. Alpha Schools overskriftspåstand om „2X på 2 timer“ hviler udelukkende på interne analyser, der ikke er blevet uafhængigt revideret eller peer-reviewed. Forskere hos DeepLearning.ai-nyhedsbrevet bemærkede fraværet af ekstern verifikation i deres analyse fra januar 2026. CBC News dækkede canadiske uddannelseseksperter, der opfordrede til forsigtighed omkring modellen. Påstanden kan vise sig at være sand, delvist sand eller oppustet af markedsføring; det, der betyder noget nu, er, at institutioner, der træffer beslutninger om AI-styret undervisning, ikke har stringente data for udbyttet at basere disse beslutninger på.

Den ærlige læsning af beviserne i midten av 2026: AI-tutoring giver små til moderate målbare læringsgevinster i kontrollerede test, gevinsterne virker robuste nok til at retfærdiggøre løbende investeringer, og de største markedsførte påstande overhaler de beviser, der understøtter dem. AI som supplement: empirisk understøttet. AI som erstatning: stadig spekulativt.

Hvorfor det ærlige svar er „ikke endnu, og måske aldrig“

Når forskere på dette område taler privat om trajektorien for AI-styret uddannelse, drejer samtalen sig ofte om en skelnen mellem to former for undervisning. Den første slags er levering af indhold og rutinemæssig afhjælpning: at forklare et begreb, guide en studerende gennem en procedure, besvare almindelige spørgsmål, levere tålmodig gentagelse af den samme forklaring. AI er allerede rigtig god til dette og vil blive bedre.

Den anden slags er intellektuel transformation: at hjælpe en studerende med at forme en identitet som tænker inden for disciplinen, anerkende et potentiale, den studerende endnu ikke selv ser, navigere i de tvetydige overgange, hvor en studerende bevæger sig fra kompetent til original, og knytte dem til det sociale netværk i deres felt. Dette er, hvad gode universiteter altid har gjort, når de har været bedst, og det er, hvad AI i 2026 slet ikke gør. Det interessante spørgsmål er, om det nogensinde vil ske, eller om transformationsarbejdet konstitutivt afhænger af et menneske, der selv er medlem af det intellektuelle fællesskab, som den studerende indføres i.

Vores eget synspunkt efter atten måneders tæt overvågning af udrulningerne: Transformationsarbejdet er konstitutivt menneskeligt, og de udrulninger, der lykkes på lang sigt, vil være dem, der forstår dette. Det succesrige universitet i 2030 vil bruge AI massivt til indholdslevering, afhjælpning, planlægning, flersproget rækkevidde og 24/7 tilgængelighed. Det vil bevare de menneskelige undervisere til de ting, der kræver dømmekraft, ansvarlighed, mentorskab og tilstedeværelse. Den mislykkede version — den, vi forventer at se fejle synligt i løbet af de næste par år — er den version, der forsøger at fjerne den menneskelige professor helt, optimerer for omkostninger og opdager i femårige kohorteundersøgelser, at de færdiguddannede er teknisk informerede, men professionelt uformede.

Hybridmodellen, der reelt er ved at opstå

Hvad der fungerer i 2026, er en lagdelt arbejdsdeling mellem AI og menneskelige undervisere. Mønsteret er ensartet på tværs af de institutioner, der opnår gode resultater.

• Tier 1 (AI-avataren håndterer selvstændigt): Rutinemæssige indholdsspørgsmål, afhjælpning af forudsætninger, tekniske afklaringer, planlægning, gennemgang af standardprocedurer, grundlæggende feedback på kladder. Tilgængelig 24/7 på flere sprog. Avataren rapporterer spørgsmål, den ikke kunne håndtere med sikkerhed, til den menneskelige professor.
• Tier 2 (AI-avataren håndterer med menneskelig gennemgang): Indledende feedback på opgaver (avataren laver et udkast til kritik, den menneskelige professor gennemgår og redigerer før afsendelse). Karaktergivning af strukturerede opgaver, hvor AI håndterer anvendelsen af evalueringskriterier, og mennesket godkender. Triage i kontortiden, hvor avataren håndterer almindelige spørgsmål og sender de reelt nye videre.
• Tier 3 (Kun menneskelig professor): Personlige mentorsamtaler. Støtte til store beslutninger (skift af studieretning, anbefalinger til ph.d.-studiet, karriererådgivning). Vejledning i forskningsprojekter. Kriseintervention. De svære sager, der kræver ansvarlighed og dømmekraft.
• Tier 4 (Menneskelig professor med AI som værktøj): Design af læreplaner (AI hjælper med at lave udkast, mennesket beslutter), forskning (AI hjælper med litteraturgennemgang, mennesket producerer den egentlige forskning), design af evaluering (AI hjælper med at generere opgaver, mennesket udvælger og validerer).

Denne arbejdsdeling multiplicerer båndbredden af ​​en enkelt professor med cirka 5-10x for indholdsleveringsopgaver, mens det kun arbejder for mennesker, hvor det betyder noget. Flere institutioner rapporterer, at de er i stand til at understøtte væsentligt større forhold mellem studerende og fakulteter uden kvalitetsforringelse ved at flytte Tier 1 og det meste af Tier 2 til AI-håndtering. Omkostningsbesparelserne viser sig som enten lavere undervisning, bedre forhold mellem fakultet og studerende i Tier 3-arbejdet eller begge dele. Dette er den model, der kommer til gælde i de næste fem år.

Hvad denne model ikke gør, er at erstatte den menneskelige professor. Det omstrukturerer det, humanprofessoren bruger tid på. De studerende, der dimitterer fra disse programmer, interagerer med en human professor anderledes end de studerende i 2020: mindre tid til levering af indhold, mere tid til det personlige, dømmende, transformerende arbejde, som den humane professor er unikt positioneret til at udføre. Det er ikke en nedgradering. For de fleste studerende er det en væsentlig opgradering.

Hvad det betyder for programmer, der beslutter sig lige nu

Hvis du er administrator eller afdelingsformand, der overvejer en AI-avatar-implementering, er der tre praktiske vejledninger fra det seneste år, hvor du kan se disse beslutninger.

• Start ved niveau 1, ikke niveau 3. De implementeringer, der fungerede, startede med, at avataren håndterede rutinemæssige indholdsspørgsmål uden for undervisningstiden. De implementeringer, der kæmpede, startede med, at avataren påtog sig vurderings-, karakter- eller mentorfunktioner, før den underliggende teknologi var klar. Sekvensér implementeringen, så avataren får udvidet ansvar baseret på observeret ydeevne snarere end teoretisk kapacitet.
• Byg bekræftelseslaget sammen med avataren. Hvis avataren skal hjælpe studerende med kode, skal institutionen være i stand til at verificere, hvilke afleveringer der rent faktisk er elevernes arbejde, og hvilke der er avatarens. Værktøjer som Plagly.ai tjener denne verifikationsrolle til skriftligt arbejde og kode, og den institution, der implementerer AI-undervisning uden at implementere verifikation, åbner sig for vurderingsfejl, som den ikke kan diagnosticere senere.
• Planlæg samtalen med fakultetet bevidst. Avatar-udrulninger lykkes, når fakultetet er partnere i designet, og fejler, når de bliver præsenteret for avatarer som et fuldbyrdet faktum. Fakultetet ved ting om undervisning, som det teknologiske team ikke gør. Behandl fakultetets ekspertise som et værdifuldt input til udrulningen, ikke som modstand, der skal overvindes. De institutioner, der gjorde dette i 2025-2026, er dem, der har succesfulde udrulninger nu.

Det grundlæggende spørgsmål er ikke, om AI vil være til stede på universitetet. Det vil det. Det er der allerede. Spørgsmålet er, hvilken rolle det spiller, og hvilken rolle det menneskelige fakultet spiller, og de institutioner, der træffer gennemtænkte beslutninger om den arbejdsdeling, vil klare sig markant bedre end de institutioner, der rækker ud efter en af ekstremerne. Svaret på „kan en AI-avatar erstatte en universitetsprofessor“ i 2026 er ærligt: Den kan erstatte noget af det, professoren gør, den kan ikke erstatte den vigtigste del, og de universiteter, der internaliserer begge halvdele af den sætning, vil producere bedre uddannede kandidater end de universiteter, der kun internaliserer den ene.

Ofte stillede spørgsmål

Kunne en AI-avatar erstatte en professor på et fuldt ud online, asynkront kursus, hvor mentorskab i forvejen er minimalt?

I princippet ja, og flere pilotprogrammer tester dette i 2026. Succesen afhænger i høj grad af, om kurset primært handler om indholdslevering (hvilket avataren kan håndtere) eller omfatter substantiel feedback og intellektuel transformation (avataren håndterer en del, mennesket er stadig nødvendigt). Boise States udrulning er det mest overvågede eksempel. Det ærlige svar i midten af 2026 er, at vi har lovende pilotdata, men endnu ikke flerårige data for kandidaternes udbytte. Uddannelser, der implementerer denne model, bør forpligte sig til longitudinal sporing og være klar til at justere kurset undervejs baseret på, hvad kandidaternes udbytte reelt viser.

Vil AI-avatarer reducere universiteternes omkostninger?

Sandsynligvis ja for indholdslevering og rutinemæssig support, men besparelserne er mindre, end leverandørerne hævder, fordi det menneskelige arbejde, avataren ikke kan udføre, er det, der skaleres dårligst. Et forskningstungt universitets største omkostninger er forskningsinfrastruktur og seniorfakultetets tid, og ingen af delene erstattes af avataren. En undervisningstung institution vil måske opleve en meningsfuld reduktion af omkostningerne på rutineundervisning, men det realistiske scenarie er cirka 15-30% reduktion i undervisningsomkostningerne for typiske bacheloruddannelser, ikke de tal på 50%+, der af og til citeres i brancheanalyser. Besparelserne viser sig primært som bedre normeringer i Tier 3-arbejdet frem for direkte besparelser på skolepengene.

Hvad sker der med den akademiske integritet på et kursus, der undervises af en AI-avatar?

Det bliver vigtigere, ikke mindre, og det kræver andre værktøjer. Når en AI-avatar er den primære underviser, har institutionen brug for verifikationsmekanismer, der kan skelne de studerendes eget arbejde fra avatarens output, de studerendes øvrige AI-brug og kombinationer af de to. Detektionsværktøjer som Plagly.ai bliver operationelt kritiske frem for valgfrie. De institutioner, der kører AI-styrede kurser uden integreret verifikation, løber en risiko, som de fleste endnu ikke har tænkt klart igennem.

Er de studerende glade for AI-avatarundervisere?

Den rapporterede tilfredshed er høj, især for Tier 1-brugssagerne (24/7 tilgængelighed, flersproget support, tålmodig afhjælpning). Tilfredsheden falder, når avataren bliver bedt om at udføre arbejde, den ikke er god til — substantiel feedback på kreativt arbejde, mentorsamtaler, svære valg om akademisk retning. Khanmigos kvalitative resultater viser konsekvent, at de studerende oplever AI positivt for det, den gør godt. De viser endnu ikke, at studerende foretrækker AI frem for menneskeligt fakultet til det arbejde, mennesker udfører helt unikt. Dette mønster vil sandsynligvis forblive stabilt i mange år.

Vil det „AI-universitet“, der kører udelukkende på AI, blive en succes?

Nogle versioner af dette vil blive forsøgt seriøst i de næste par år, og nogle versioner af det vil producere kandidater, der viser sig fint, og nogle vil ikke. Variationen vil komme fra, hvad institutionen gør med de menneskelige ressourcer, der frigøres af AI, der håndterer rutineinstruktion. Institutioner, der geninvesterer denne kapacitet i dybere mentorskab, flere forskningsmuligheder for studerende og mere sofistikeret transformationsarbejde, vil producere fremragende kandidater. Institutioner, der primært bruger AI-kapaciteten til at reducere omkostningerne og øge tilmeldingen, vil producere kandidater, der er teknisk informerede og fagligt uformede, og vil opdage konsekvenserne i fem-til-ti-årige kandidatstudier. Teknologien er ikke den afgørende faktor. De institutionelle designvalg omkring teknologien er.