Den snabba integreringen av artificiell intelligens (AI) inom utbildning har möjliggjort ett paradigmskifte från att se datorer som statiska verktyg till att behandla dem som symbiotiska partners inom en samverkande “människa-AI-allians”. Detta examensarbete undersöker tillämpningen av generativ artificiell intelligens (GenAI) inom matematikundervisning, med specifikt fokus på konstruktion och utvärdering av en AI agent utformad för att ge återkoppling enligt de fyra nivåer som definieras av Hattie och Timperley: uppgift, process, självreglering och person. Genom en iterativ designprocess innefattade studien utveckling och testning av flera versioner av agenten med hjälp av modellen Llama 3.3 70B, huserad på en lokal server på en svensk gymnasieskola. Prompt engineering delen vägleddes av IDEA ramverket och tillämpade principerna PARTS (Persona, Aim, Recipients, Theme, Structure) och CLEAR (Concise, Logical, Explicit, Adaptive, Restrictive) för att förfina agentens pedagogiska beteende. Empiriska data samlades in från ungefär 60 konversationer med svenska gymnasieelever och analyserades genom tematisk analys för att kartlägga interaktioner mot de teoretiska återkopplingsnivåerna. Resultaten bekräftar att genAI agenter är kapabla att ge återkoppling på alla fyra nivåer, även om återkoppling på uppgiftsnivå förblev mest förekommande på grund av stora språkmodellers grundläggande tendens att ge omedelbar verifiering. Tematiska fynd belyste en framgångsrik förskjutning mot återkoppling på processnivå och användningen av ledtrådar av typen “Vart ska jag härnäst?” för att aktivera elevernas självreglering. En kritisk “upplösning av självreglering” observerades dock i komplexa textuppgifter, där agenterna ofta föll tillbaka på direkt instruktion, vilket potentiellt kan framkalla en “expertise reversal effect”. Även om genAI erbjuder en kraftfull potential för omedelbar kognitiv stöttning (scaffolding), lägger den en betydande utvärderingsbörda på de lärande, som måste besitta tillräckliga förkunskaper för att upptäcka sakfel eller “hallucinationer”. Studien drar slutsatsen att en framgångsrik integrering av AI agenter kräver ett “humans in the loop” ramverk för att mildra tekniskt beroende och säkerställa att teknologin förstärker, snarare än ersätter, elevens egen kognitiva ansträngning.

The rapid integration of artificial intelligence in education (AIED) has facilitated a paradigm shift from viewing computers as static tools to treating them as symbiotic partners in a collaborative “human-AI alliance”. This thesis investigates the application of generative artificial intelligence (genAI) in mathematics education, specifically focusing on the creation and evaluation of an artificial intelligence (AI) agent designed to provide feedback according to the four levels defined by Hattie and Timperley: task, process, self-regulation, and self. Adopting an iterative design process, the study involved the development and testing of multiple agent versions using the Llama 3.3 70B model hosted on a local server at a Swedish upper secondary school. The prompt engineering was guided by the IDEA framework, employing PARTS (Persona, Aim, Recipients, Theme, Structure) and CLEAR (Concise, Logical, Explicit, Adaptive, Restrictive) principles to refine the pedagogical behaviour of the agent. Empirical data were gathered from about 60 conversations with Swedish upper secondary school students and analysed through thematic analysis (TA) to map interactions onto the theoretical feedback levels. The results confirm that generative AI agents are capable of providing feedback across all four levels, though task level feedback remained most frequent due to the core nature of large language models to provide immediate verification. The findings highlighted a successful shift toward process level feedback and the use of “Where to next?” cues to activate student self-regulation. However, a critical “dissolution of self-regulation” was observed in complex word problems, where the agents frequently defaulted to direct instruction, potentially inducing an “expertise reversal effect”. While genAI offers powerful potential for immediate cognitive scaffolding, it imposes a significant evaluative burden on learners, who must possess sufficient prior knowledge to detect factual inaccuracies or “hallucinations”. The study concludes that the successful integration of AI agents requires a “humans in the loop” framework to mitigate technological dependency and ensure that technology augments, rather than replaces, the student’s own cognitive effort.