Artikel:

Når AI flytter ind i undervisningen

Et bud på en Circumplex-model og et profileringsredskab til udvikling af fremtidens underviserteams

Hvordan forstår vi underviseres forskellige tilgange til AI, og hvordan kan vi styrke det teknologiske samarbejde i undervisningsteams? I denne artikel præsenteres en ny model og et digitalt redskab til strategisk teamudvikling med afsæt i AI-profiler.

Skrevet af direktør, Ph.d. Steffen Löfvall, cph:learning.

 

Mere AI kalder på forståelse for underviseres roller, holdninger og samarbejdsmønstre

De seneste to års udbredelse af generativ AI er så småt begyndt at ændre form og indhold i mange uddannelser, forskningsprocesser og stabsfunktioner på uddannelsesinstitutionerne. Udviklingen forventes at fortsætte med øget fart i de kommende år (Crompton & Burke, 2023).

Væksten i anvendelsen er tydelig. Det fremgår af den seneste universitetsanalyse AI Index Report 2025 fra Stanford University (Robert & McCormack, 2025), at antallet af engelsksprogede AI-relaterede studieprogrammer er tredoblet siden 2017. Stigningen dækker bachelor-, kandidat- og Ph.d.-uddannelser, hvor kandidatuddannelser udgør den største andel (55 %), efterfulgt af bacheloruddannelser (40 %) og Ph.d.-uddannelser (5 %).

Ifølge den seneste universitetsanalyse AI Landscape Study 2025: Understanding the role of artificial intelligence in higher education anvender universitetsstuderende især AI til at finde svar på problemer (69%), korrekturlæsning og redigering af deres arbejde (67%), opsummering af indhold som forelæsningsnoter og artikler (61%), idéudvikling (55%) samt generering af billeder eller lyd (54%) (EDUCAUSE, 2025).

Institutionelt anvendes AI nu på tværs af alle stabsfunktioner. Undersøgelsen viser, at 59% af de undersøgte uddannelsesinstitutioner fokuserer på at integrere AI i undervisning og læring og 52% anvender AI til administrative formål. Derudover benytter 49% AI til forskningsstøtte, 45% til læringsanalyser og 44% til institutionelle analyseopgaver (EDUCAUSE, 2025).

Midt i den massive implementering af AI står den fagprofessionelle underviser. Nyere forskning peger på, at AI kan udløse et identitetspres blandt ansatte, når teknologien ændrer deres arbejdsopgaver, reducerer deres status eller udfordrer deres faglige selvforståelse (Robert & McCormack, 2021; Mirbabaie et al., 2022; Klinger et al., 2022). Undervisere kan derfor opleve en form for professionel usikkerhed, når AI begynder at overtage dele af deres tidligere kerneopgaver. Det kan igen give anledning til bekymringer og modstand mod teknologien.

Det nye mulighedsrum for innovation og bekymringer har betydet, at der er opstået et (akut) behov for udviklingsaktiviteter og redskaber, der kan hjælpe fx studie- og fagansvarlige med dels at forstå, hvordan de selv og deres undervisere opfatter og anvender AI, dels hvordan gruppen kan adoptere teknologien. Undervisere er ikke en homogen gruppe, hvorfor det er en fordel at se nærmere på deres AI praksis, holdninger, roller og indbyrdes sociale positioner.

Til dette formål har jeg udviklet en teoretisk funderet circumplex-model for underviseres AI-anvendelse samt et digitalt værktøj, der kan generere personlige AI-profilrapporter til brug i individuel kompetenceudvikling og teamudviklingsprocesser. Værktøjet er nu i test i forskellige undervisermiljøer.

For at afprøve profileringsredskabet, besøg https://cphlearning.dk/ai-profil/.

I denne artikel vil jeg koncentrere mig om at beskrive det faglige grundlag – circumplex-modellen.

Artiklen har tre formål:

1. At præsentere en analyseramme for, hvordan undervisere forholder sig til AI: Hvordan kan Circumplex-modellen anvendes til at forstå underviseres AI-holdninger og -adoption?
2. At forudse potentielle samarbejdsmønstre og konflikter: Hvilke underviserprofiler supplerer hinanden i adoptionen af AI, og hvor kan der opstå spændinger mellem de forskellige profiler?
3. At udvikle strategier for AI-adoption i undervisningen: Hvordan kan universiteter og professionshøjskoler stimulere en udvikling i deres underviserteams, så de både udnytter AI’s pædagogiske potentiale og sikrer en ansvarlig anvendelse af teknologien?

 

En analyseramme for underviseres AI-tilgange

Artiklens circumplex-model bygger på den alment kendte social- og personlighedspsykologiske circumplex-model, der anvendes til at kortlægge interpersonelle dispositioner og adfærdsmønstre (Birtchnell, 2002; Empson & Alvehus, 2019; Empson et al., 2025; Hofsess et al., 2005; Kiesler, 1983, 1996; Locke, 2000, 2023; Wiggins, 1996).

Modellen indrammer holdninger og interpersonelle adfærdstræk langs to ortogonale akser:

1. Indflydelsesaksen (Innovation vs. Regulering) måler, hvorvidt en underviser er udviklende eller kontrollerende i sin tilgang til AI i undervisningen.
2. Samhørighedsaksen (Samarbejde vs. Individualitet) måler, hvorvidt en underviser arbejder tværfagligt og faciliterende eller mere individuelt og analytisk med AI i undervisningen.

Den første akse – indflydelse – bevæger sig mellem polerne innovation og regulering. Her afspejles underviseres tilbøjelighed til enten at fremme AI som undervisningsredskab eller at anlægge mere forsigtighedsprægede holdninger og adfærdstræk.

Den anden akse – samhørighed – strækker sig fra samarbejdsorientering til selvstændighed og indikerer, i hvor høj grad underviseren arbejder kollektivt eller individuelt i sin AI-praksis.

De otte AI-roller i Circumplex-modellen

Når man kombinerer de to dimensioner i Circumplex-modellen fremkommer der fire bredere rollekategorier. Inden for de fire rum findes otte distinkte AI-roller. Rollerne skal ikke forstås som stabile karaktertræk eller entydige kategorier, men snarere som adfærdstræk og sociale positioner, som undervisere kan indtage afhængigt af deres fag, studieretning og pædagogiske ståsted.

Her følger en oversigt over de otte roller, fordelt på modellens fire kvadranter:

 

Kvadrant #1: Samarbejdende innovatører (Høj indflydelse – Høj samhørighed)

Implementeringen af AI sker mange steder bottom-up på uddannelsesinstitutioner. Underviserne eksperimenterer i egne fag med AI-værktøjer, mens institutionsledelserne arbejder på at udstikke retningslinjer for brugen (Lu et al., 2022). Som koblingspunkt mellem det strategiske og operationelle niveau tilbyder pædagogiske serviceenheder AI-didaktiske kurser og processtøtte til lokale AI-eksperimenter.

I denne udvikling spiller de samarbejdende innovatører en central rolle. De bliver drivkræfter i pædagogisk udvikling og forbindelsesled mellem lokale eksperimenter og institutionelle strategier. Deres dobbelte orientering mod både innovation og fællesskab placerer dem i kvadrant 1 i circumplex-modellen, kendetegnet ved høj indflydelse og høj samhørighed.

Undervisere med en sådan adfærd er:

• Ambassadøren kommunikerer AI’s didaktiske muligheder og arbejder for bred institutionel opbakning.
• Brobyggeren faciliterer tværfaglige udviklingsprojekter og kobler AI til konkrete undervisningsbehov.

 

Ambassadøren
Ambassadøren fungerer som fortaler for AI i undervisningen og arbejder aktivt på at skabe legitimitet omkring teknologien. Rollen indebærer at formidle teknologisk viden i et pædagogisk sprog til kolleger. Ambassadøren bygger fx netværk, igangsætter pilotprojekter, arrangerer workshops for kolleger og bidrager til at udvikle AI-strategier på fag- eller fakultetsniveau.

Brobyggeren
Brobyggeren arbejder med praktisk integration af AI i undervisningen på tværs af fag og formater. Rollen kræver pædagogisk overblik og organisatorisk fingerspidsfølelse. Brobyggeren skaber samarbejdsrum, hvor AI kobles til eksperimenterende undervisning og kollegial sparring.

 

Kvadrant #2: Samarbejdende implementatorer (Lav indflydelse – Høj samhørighed)

En ansvarlig og bæredygtig AI-implementering i undervisningen kræver ofte prøvehandlinger. Erfaringer viser, at det styrker udbredelsen, når AI integreres med afsæt i konkrete undervisningsbehov, prøvehandlinger og it-pædagogisk støtte (U.S. Dept. of Education, 2023).

I fagområder, hvor AI ikke ses som et mål i sig selv, men som et værktøj til at styrke undervisning, kan en nøgtern og nytteorienteret tilgang modvirke både hype og modstand (Zawacki-Richter et al., 2019; Fowler, 2023). Særligt kompetenceudvikling med fokus på kritisk afprøvning har vist sig effektiv til at opbygge tryghed og teknologiforståelse (Bennett & Abusalem, 2024; Murgatroyd, 2024).

Denne tilgang afspejles i gruppen af undervisere, som i høj grad tager ansvar for at omsætte AI til praksis og samtidig understøtte kollegers læring. De samarbejdende innovatører er optaget af at operationalisere AI i undervisningen og sikre, at teknologien anvendes ansvarligt og relevant. De er ikke nyskabende i teknisk forstand, men afgørende for, at AI-forståelse og -kompetencer spredes i organisationen.

Rollerne er:

• Mentoren understøtter kollegaer og studerende i AI-brug og fungerer som vejleder og kapacitetsopbygger.
• Pragmatikeren anvender AI funktionelt i undervisningen uden at være teknologifortaler.

 

Mentoren
Mentoren fokuserer på kompetenceudvikling og understøtter kolleger i at forstå og anvende AI. Rollen omfatter undervisning, sparring og tilpasning af AI til specifikke undervisningskontekster. Mentoren er ofte en ressourceperson, der bygger bro mellem teknologi og pædagogik.

Pragmatikeren
Pragmatikeren anvender AI, når det giver faglig mening, men uden større ideologiske bagtanker. AI ses som et redskab blandt mange og integreres i undervisningen ud fra nytteværdi og praktiske hensyn. Rollen er jordnær.

 

Kvadrant #3: Individuelle skabere (Høj indflydelse – Lav samhørighed)

Innovation i uddannelsessektoren opstår både som strategisk initierede tiltag og som lokale, praksisnære eksperimenter. Særligt den uformelle, “stealth”-baserede udvikling, hvor undervisere afprøver AI uden formel opbakning eller afklaring, spiller en rolle i at udfordre eksisterende praksisser og vise nye veje (George & Wooden, 2023; Zawacki-Richter et al., 2019).

Nogle gange sker arbejdet i et krydsfelt mellem teknologiske muligheder og uafklarede eller bagudskuende regelsæt, hvor rammerne ikke altid følger med udviklingen. Her træder de individuelle skabere frem som interne entreprenører og pionerer, der eksperimenterer i den gråzone, hvor regler og potentialer endnu er til forhandling (Murgatroyd, 2024). Deres praksis er ikke nødvendigvis skalerbar eller forankret i fællesskabet, men adfærden skaber forandring og fornyelse (Crompton & Burke, 2023).

De individuelle skabere er eksperimenterende og arbejder ofte alene med at udvikle og afprøve AI i undervisningen. Underviserne er teknologipionerer og ser kunstig intelligens som en læringsressource. Frem for at være afventende eller skeptiske ser de muligheder og skubber grænserne for, hvad AI kan bruges til. Arbejdet foregår ofte lokalt og individuelt, hvorfor deres arbejde ikke altid giver anledning til en bredere organisatorisk forankring.

Rollerne er:

• Innovatoren udvikler AI-værktøjer og avancerede læringsprocesser og undervisningsforløb.
• Opdageren eksperimenterer med AI i undervisningen for at finde nye anvendelser.

 

Innovatoren
Innovatoren repræsenterer den gruppe af undervisere, der individuelt og aktivt udvikler nye AI-baserede undervisningsformer. Frem for at være afventende eller skeptiske ser de mulighederne i AI og skubber teknologien fremad.

Opdageren
Opdageren er metodisk nysgerrig og udforsker AI’s potentiale i undervisningen gennem afprøvning. Rollen er eksperimenterende og ofte forbundet med projekter, der har en udforskende og afsøgende karakter.

 

Kvadrant #4: Individuelle kontrollører (Lav indflydelse – Lav samhørighed)

AI rejser flere spørgsmål om pædagogisk integritet og bekymringen om, at teknologien vil erstatte kritisk tænkning (Salvagno et al., 2023). Selvom AI rummer mange potentialer, bliver der også udtrykt bekymringer blandt undervisere. En betydelig andel af undervisere føler sig p.t. ikke tilstrækkeligt uddannet i at integrere AI i deres undervisningspraksis (Edtech Digest, 2025; Robert & McCormack, 2025). Derudover er der også en frygt for, at studerende kan misbruge AI-teknologier til snyd, hvilket kan underminere læringsprocessen og den akademiske integritet. Det kan også gradvist underminere tilliden mellem undervisere og studerende (Edtech Magazine, 2024). Endelig udtrykkes frygt for, at brugen af AI kan skabe sociale og vidensmæssige A- og B-hold blandt studerende og institutioner på grund af ulige adgang til avancerede teknologier (Fowler, 2023).

Hvor nogle undervisere ser AI som en uundgåelig del af fremtidens undervisning, vælger andre en mere kritisk og regulerende tilgang. Undervisere i denne kategori er ofte sikkerhedsorienterede, etisk bevidste og skeptiske over for de uforudsete konsekvenser af øget AI-brug. Underviserne vil sikre, at AI ikke gradvist og ubemærket kommer til at dominere undervisningen. De går ofte selv med deres kritik og mobiliserer ikke nødvendigvis aktivt andre kolleger til at have samme grundholdning.

Nogle vil i design af egne undervisningsforløb søge at undgå, at studerende bliver afhængige af AI i relation til akademisk opgaveløsning. På lærermøder vil de måske forsvare mere traditionelle undervisningsmetoder, pege på den bias, der kan opstå ved AI-assisteret undervisning samt argumentere for, at teknologien med overvejende sandsynlighed vil forringe studenters evne til kritisk tænkning.

Rollerne er:

• Kritikeren analyserer AI’s indflydelse på undervisningens kvalitet, etik og dannelsesmål.
• Beskytteren arbejder for at sikre undervisernes autonomi og læringsmiljøets integritet.

 

Kritikeren
Kritikeren udfordrer AI i undervisningen med sit fokus på etiske og pædagogiske problemstillinger. Rollen indebærer en analytisk og normativ tilgang, hvor AI evalueres i forhold til akademisk dannelse og frihed.

Beskytteren
Beskytteren vægter undervisningens etiske og metodiske grundlag og arbejder for at sikre, at AI anvendes ansvarligt og ikke underminerer underviserens rolle. Rollen indebærer ofte deltagelse i policy-udvikling og kritisk deltagelse i faglige beslutningsprocesser.

AI-roller i undervisningsteams – styrker, spændinger og forekomst

Nedenstående skema giver et samlet overblik over de otte AI-roller i undervisningen, som præsenteres i circumplex-modellen.

For hver rolle beskrives dens karakteristiske tilgang til AI, hvilken funktion den typisk indtager i et undervisningsteam, og hvilke typer konflikter der kan opstå i samarbejdet med andre profiler. Derudover vises, hvilke fagmiljøer der typisk understøtter eller hæmmer rollen.

Brug af Circumplex-modellen i team- og organisationsudvikling

Circumplex-modellen for AI-roller kan fungere som et praktisk og strategisk redskab i udviklingen af undervisningsteams, der står over for at skulle integrere AI i deres faglige praksis.

Modellen tydeliggør, at undervisere ikke er ens i deres tilgang til AI og at netop forskelligheder kan være en styrke, hvis de håndteres bevidst.

I dette afsnit præsenteres, hvordan modellen kan anvendes til at (1) skabe indsigt i teamets samlede profil og de potentielle spændinger, der kan opstå mellem rollerne, og (2) danne grundlag for udvikling af en lokal AI-strategi, der tager højde for teamets sammensætning, pædagogiske værdier og teknologiske ambitionsniveau.

(1) Forstå undervisningsteamets sammensætning og potentielle konflikter

Ifølge modellen vil nogle undervisere eksperimentere og udvikle praksis, mens andre vil forsøge at regulere og sikre en ansvarlig AI-anvendelse. En ubalanceret sammensætning af profiler kan enten føre til:

• Overdreven AI-entusiasme uden kritisk refleksion, hvor teknologien bliver implementeret uden pædagogiske overvejelser.
• For restriktiv AI-regulering, hvor AI’s pædagogiske potentiale hæmmes af bekymringer om fx akademisk integritet.

Et balanceret team kræver en blanding af roller for, hvis teamet er domineret af Kritikere og Beskyttere, kan gruppens fællesholdninger blive for restriktive. Diskussioner om risici vil fylde mere end afprøvning af teknologien. Hvis teamet derimod primært består af Innovatorer og Opdagere, kan AI’s rolle i undervisningen blive for ukritisk. Det kan igen føre til ensidig teknologidreven undervisning uden fokus på etik, akademisk integritet og læringskvalitet.

En af de mest forudsigelige konflikter kan opstå mellem Innovatorer og Beskyttere. Innovatoren ønsker maksimal frihed og arbejder for at udvikle og implementere teknologien uden bureaukratiske begrænsninger. Beskytteren ser derimod AI som en trussel mod akademisk dannelse og ønsker at begrænse teknologianvendelsen.

Hvis denne konflikt ikke håndteres, kan det føre til en polarisering, hvor AI-entusiaster og AI-skeptikere modarbejder hinanden. Brobyggerne og Pragmatikere kan her spille en rolle som mediatorer, da de både forstår teknologiens potentiale og nødvendigheden af en kritisk pædagogisk tilgang til AI.

En anden konflikt kan opstå mellem Mentorer og Ambassadører. Mentoren fokuserer på kompetenceudvikling og pædagogisk forankring, hvor undervisere gradvist lærer at anvende AI forsvarligt. Ambassadøren forsøger at skubbe AI fremad og inspirere til hurtig adoption, hvilket kan skabe spændinger, hvis implementeringen går for stærkt uden pædagogisk refleksion.

En optimal balance i undervisningsteams vil derfor være, at nogle undervisere legitimt tildeles rollen som udviklere på vegne af fællesskabet, mens andre får til opgave at kritisk vurdere og og foreslå måder at implementere teknologien på ansvarlig vis. Rollerne kan også skifte mellem teamets deltagere, så de får afprøvet deres praksis ud fra de forskellige perspektiver.

 

(2) Udvikling af undervisningsgruppens AI-strategi

En række offentlige myndigheder, faglige råd og teknologileverandører anbefaler i stigende grad, at uddannelsesinstitutioner formulerer klare politikker og strategier for ansvarlig anvendelse af AI. U.S. Department of Education (2023) fremhæver i en analyse, U.S. Department of Education (2023) fremhæver i en analyse, at sådanne retningslinjer bør sætte en tydelig, ansvarlig og sammenhængende retning for anvendelsen af AI. Analysen advarer mod at lade teknologisk effektivitet overskygge de dannelsesmæssige og sociale formål med uddannelse. AI bør understøtte og ikke erstatte menneskelig dømmekraft i undervisningen. Det vil sige, at der bør anlægges en “menneske i loopet”-tilgang, hvor underviseren fortsat spiller en central rolle i de studerendes læreprocesser.

Når disse anbefalinger skal omsættes til praksis på mikroniveau – i det enkelte fagmiljø eller underviserteam – aktualiseres behovet for en fælles drøftelse af, hvad der forstås ved ansvarlig AI-brug.

En sådan dialog bør først og fremmest balancere ønsket om pædagogisk innovation med behovet for regulering og etiske afvejninger. Dernæst kan undervisergruppen formulere en konkret AI-strategi og handleplan, som sætter retning for eksperimenter, videndeling og personlig udvikling.

Nedenfor præsenteres en række punkter, som med fordel kan indgå i udarbejdelsen af en lokal AI-strategi for undervisningsteamet:

Ovenstående punkter til en strategi giver et afsæt for lokale drøftelser og en fælles retning. Nedenfor samles de vigtigste pointer og formålet med artiklen i en afsluttende opsamling.

Opsamling

Artiklen er skrevet for at imødekomme det voksende behov for at forstå og styrke undervisningsteams i deres arbejde med AI.

Med udgangspunkt i en nyudviklet circumplex-model og et digitalt profileringsværktøj introduceres otte typiske AI-roller blandt undervisere. Modellen visualiserer forskelle i tilgang, samarbejdsstil og indflydelse, hvilket muliggør et arbejde med balanceret teamudvikling.

Artiklen kan inspirere til, hvordan AI-roller kan anvendes i teamudvikling, handleplaner og refleksionsprocesser. Læseren inviteres til at overveje, hvilken rolleprofil de selv (eller en underviser de kender) bedst matcher. Refleksionen kan være et værdifuldt afsæt for at forstå egne styrker og mulige spændingsfelter i undervisergruppen.

 

Det med småt: Teoretiske og praktiske begrænsninger i Circumplex-modeller

Der kan påpeges flere faglige forbehold, når Circumplex-modellen anvendes til rolleanalyser i en undervisningskontekst.

For det første foretages en typologisering af undervisere, hvilket kan opleves som værende reduktionistisk. Ved at indplacere undervisere i bestemte roller overses kompleksiteten og den dynamiske karakter, som ofte kendetegner undervisning. Det er ikke usædvanligt, at undervisere opererer på tværs af roller og fag, ligesom deres tilgang til AI kan ændre sig over tid. Derfor er det vigtigt at understrege, at analysen er et tværsnit på et bestemt tidspunkt. Når det er sagt, så kan en analyse være nyttig i begyndelsen af en udviklingsproces og senere igen som et vidensinput i statusmøder og løbende kompetenceudvikling.

For det andet tager modellen kun i begrænset omfang højde for forskelle, der udspringer af organisationskultur, fagdiscipliner og nationale karakteristika. Eksempelvis kan en underviser inden for kvantitativ samfundsvidenskab have en anderledes tilgang til AI end en kollega fra humaniora. Her kan etiske overvejelser om teknologiens samfundseffekter måske vægtes højere end det teknologiske indhold. Sådanne variationer komplicerer modellens generaliserbarhed og kan betyde, at den bør tilpasses lokale forhold.

Endelig er Circumplex-modellen i artiklen primært et konceptuelt redskab. Modellens empiriske grundlag er begrænset, hvorfor dens anvendelighed som udviklingsværktøj skal valideres gennem afprøvninger. Derfor bliver den p.t. testet i konkrete undervisningsmiljøer og teamudviklingsprocesser.

 

Inspirationskilder:

• Bennett, L., & Abusalem, A. (2024). Artificial Intelligence (AI) and its Potential Impact on the Future of Higher Education. Athens Journal of Education, 11(3), 195–212.

• Birtchnell, John (2002). Psychotherapy and the interpersonal octagon. Psychology and Psychotherapy: Theory, Research and Practice. 75: 349–363

• Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20(22).

• EdTech Digest. (2025). The future of AI in education: Moving beyond fear to innovation. EdTech Diges, March 17, 2025.

• EdTech Magazine. (2024). The challenge AI poses to our models of higher education: The big bang of transformation.

• EDUCAUSE. (2025). AI Landscape Study 2025: Understanding the role of artificial intelligence in higher education. EDUCAUSE

• Empson, L., Langley, A., & Sergi, V. (2025). When everyone and no one is a leader: Constructing individual leadership identities while sustaining an organizational narrative of collective leadership. Organization Studies.

• Empson, L., & Alvehus, J. (2019). Collective leadership dynamics among professional peers: Co-constructing an unstable equilibrium. Organization Studies, 41(9), 1234–1256.

• Hofsess, Christy D. and Tracey, Terence J. G. (2005). The Interpersonal Circumplex As a Model of Interpersonal Capabilities, Journal of Personality Assessment, 84: 2, 137 — 147

• Kiesler, S., Sproull, L., & Waters, K. (1997). A prisoner’s dilemma experiment on cooperation with people and human-like computers. Journal of Personality and Social Psychology, 70(1), 47–65.

• Fowler, D. S. (2023). AI in Higher Education: Academic Integrity, Harmony of Insights, and Recommendations. Journal of Ethics in Higher Education, 3, 127–143.

• George, B., & Wooden, O. (2023). Managing the Strategic Transformation of Higher Education through Artificial Intelligence. Administrative Sciences, 13(196).

• Locke, K.D. (2000). Circumplex Scales of Interpersonal Values: Reliability, validity, and applicability to interpersonal problems and personality disorders. Journal of Personality Assessment, 75, 249–267.

• Locke, K. D. (2023). Interpersonal Circumplex Models and Measures of Personality. EBSCO Pathways to Research in Psychology, October, 1–9.

• Lu, O. H. T., Huang, A. Y. Q., Tsai, D. C. L., & Yang, S. J. H. (2022). Expert-authored and machine-generated short-answer questions for assessing students’ learning performance. Educational Technology & Society, 24(3), 159–173​

• Kiesler, D. J. (1983). The 1982 interpersonal circle: A taxonomy for complementarity in human transactions. Psychological Review, 90(3), 185–214.

• Kiesler, D. J. (1996). Contemporary interpersonal theory and research: Personality, psychopathology, and psychotherapy. New York: Wiley.

• Klinger, R. L., Frazier, M. L., Fainshmidt, S., Pezeshkan, A., & Vracheva, V. (2022). Psychological safety: A meta-analytic review and extension. Personnel Psychology, 70(1), 113–165.

• Mirbabaie, M., Brünker, F., Möllmann, N. R. J., & Stieglitz, S. (2022). The rise of artificial intelligence – understanding the AI identity threat at the workplace. Electronic Markets, 32, 73–99.

• Murgatroyd, S. (2024). Artificial Intelligence and the Future of Higher Education. Revista Paraguaya de Educación a Distancia, 5(1), 4–11.

• Robert, L. P., & McCormack, G. R. (2025). AI Landscape Study 2025: The shifting boundaries of policy and innovation in education.

• Robert, L. P., & McCormack, G. R. (2021). Social identities and the roles of artificial intelligence. In A. Zimmer, M. Coeckelbergh, & T. Timan (Eds.), The De Gruyter Handbook of Artificial Intelligence, Identity and Technology Studies (pp. 93–108). De Gruyter

• Salvagno, M., Taccone, F. S., & Gerli, A. G. (2023). Can artificial intelligence help for scientific writing? Critical Care, 27(75)

• U.S. Department of Education, Office of Educational Technology. (2023). Artificial Intelligence and the Future of Teaching and Learning: Insights and Recommendations. Washington, DC.

• Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – Where are the educators? International Journal of Educational Technology in Higher Education, 16(39).

• Wiggins, Jerry S. (1996). An Informal History of the Interpersonal Circumplex Tradition. Journal of Personality Assessment. 66 (2): 217–233