På mange videregående uddannelser udgør skriftlig arbejde en relativ stor del af studiet. Ved siden af forberedelse til og at følge undervisningen er skrivning af opgaver og oplæg nok den del, der tager mest tid for studerende. Men hvorfor er det egentlig, at der er så meget skriftlighed både i skolen og på mange uddannelser? Formålet er typisk ikke den skrevne tekst i sig selv. Den skriftlige opgave skal snarere demonstrere eleven eller den studerendes kompetencer på andre områder.

Når en elev i grundskolen skriver en stil om oplevelser i sommerferien, så er det ikke primært, fordi andre skal vide, hvad eleven har lavet i sin sommerferie. Pointen med stilen er snarere at se, om eleven kan stave og sætte korrekte tegn. Noget andet kan være, om eleven er i stand til at skrive sammenhængende, forstår syntaks, kohærens, argumentation og i øvrigt behersker forskellige facetter af skriftlig fremstilling.

Tilsvarende gælder det for den studerende på en videregående uddannelse, der skal skrive en opgave om funktionsnedsættelser i nyren hos patienter med specifikke diagnoser. Her er formålet at tjekke, om den studerende har forstået forskellige fysiologiske sammenhænge i den menneskelige krop, og hvordan en sygdom påvirker disse funktioner. Her er det ikke grammatikken, der er i centrum (selvom den også betyder noget), men at den studerende udviser forståelse for et fagligt stof.

En af grundende til, at generativ kunstig intelligens er blevet set som en trussel i uddannelsessystemet er netop det forhold, at skriftlige opgaver ikke har deres eget formål, men tværtimod er et middel for underviseren eller uddannelsessystemet til at tjekke videns- og færdighedsmål hos eleven eller den studerende.

Generativ kunstig intelligens kan producere tekst, der mimer menneskelig produktion af tekst som eksempelvis en beskrivelse af en sommerferie eller en sammenhæng mellem nyrefunktion og sygdomme. Og når dette er tilfældet, så kan man ikke vurdere det niveau af viden, der ligger bag afsenderen af teksten, medmindre man har forhindret adgang til generativ kunstig intelligens, hvilket på sin side kan være meget vanskeligt, at den generative kunstige intelligens er tilgængelig alle steder.

Problemstillingen om skriftlighed i forhold til de videregående uddannelser er emnet for Sidney Dobrins bog AI and Writing, der netop er udkommet. Han ser nok på de udfordringer, der findes i forhold til skriftlige opgaver og kunstig intelligens, men hans fokus er et andet, nemlig hvordan et samarbejde mellem menneske og maskine (her forstået som den generative kunstige intelligens) kan fungere inden for rammerne af de videregående uddannelser.

Og kan man provokerende spørge: Hvem er det egentlig, der er forfatteren af en skriftlig aflevering? Den studerende, som har læst op på stoffet, vil huske en masse forskellige sammenhænge - måske også uden at citere direkte, da det er blevet en del af den studerendes egen viden. Desuden vil vedkommende også inddrage andre sammenhænge som eksempelvis noget, man kan kalde almen viden, som bare er lagret hos den enkelte, men som oprindeligt jo er kommet gennem de interaktioner, der studerende har haft i løbet af sit liv. Den studerende vil måske også lave netsøgninger, som inddrages i den endelige tekst eller indgår som inspiration til, hvordan opgaven skal se ud. Det færdige produkt bliver til som et sammensurium af forskellige elementer, den studerende har inddraget forskellige steder fra. Mange formuleringer kan være enslydende med andres formuleringer - enten fra bøger, andre kilder eller mundtlige samtaler. Alligevel regner vi den afleverede tekst som et udtryk for den studerendes faglige niveau.

På denne vis betragtes det faglige niveau som et udtryk for den studerendes evne til at sammensætte forskellige reminiscenser og brudstykker, der er hentet alle mulige steder fra. Den skriftlige opgave er netop ikke en aftapning af den studerendes hjerne - eller hvor man nu kan forestille sig, at en bestemt mængde viden befinder sig. I det hele taget er en af fordelene ved generativ kunstig intelligens måske, at vi kan begynde at stille spørgsmål ved, hvad viden er for en størrelse, men nu bevæger jeg mig væk fra den bog, Dobin har skrevet.

Dobrin beskriver, hvordan man kan anvende generativ kunstig intelligens (GenAI) i forskellige skriveprocesser. Han sammenligner den studerendes skrivning med en samlebåndsarbejder, der bliver assisteret af forskellige robotter for at producere en bil. “When it comes to writing, we can think of GenAT and human collaboration in the same way: both the human and the AI provide expertise and labor in order to successfully complete the task at hand. The real value in human-machine collaboration is that it allows us to think of GenAI not only as a tool to complete a task but also as a potentially important way to augment our own writing abilities” (s. 28). Det er især dette samarbejde, og hvordan dette kan forekomme på en frugtbar måde inden for de videregående uddannelsers system, der er det centrale i bogen, der dog også kommer ind på en række problematiske sider som eksempelvis de betragtelige co2-udledninger, der følger med den generative kunstige intelligens. Også genereringen af giftig affald, der følger med hele den nødvendige infrastruktur, og udnyttelsen af billig kenyansk arbejdskraft er noget, Dobrin får plads til at beskrive i bogen.

Bogen falder i tre dele. Den første del beskriver nogle af de ændringer, der følger i kølvandet på generativ kunstig intelligens og lidt om dens historie. Han kommer også ind på det helt centrale spørgsmål om akademisk integritet, som er det, der er på spil, når man forholder sig til, om generativ kunstig intelligens er snyd eller et hjælpemiddel til styrkelse af skriftligt udtryksevne.

Akademisk integritet handler om ærlighed og det at følge ens moralske principper, og det handler videre om transparens og dokumentation. Studerende, der anvender generativ kunstig intelligens, skal gøre det, så de lever op til principperne for akademisk integritet, hvilket jo ikke adskiller fra, hvad der i forvejen gælder. Det skal være gennemsigtigt, hvordan de er nået frem til de resultater, de forsøger at demonstrere i en tekst, og de skal dokumentere, hvor de har det fra.

Den sidste del handler om nogle af udfordringer, som kunstig generativ intelligens skaber. Her taler Dobrin blandt andet om, hvordan den kunstige intelligens kan besidde fordomme, partiskhed og værdimæssige skævheder, da den jo trækker på ord og sammensætninger af ord, der er produceret af mennesker, der alle også er påvirkede af bestemte holdninger. Når man så lægger til, at de tekster, kunstig intelligens er blevet trænet på, også går tilbage i historien, bliver det klart, at der også kan være værdier, der virker forældede, der indgår i det vokabular, kunstig intelligens har til rådighed.

Et andet - og måske i akademisk sammenhæng større - problem er, at kunstig intelligens jo kun er blevet trænet på data, der er digitalt tilgængelige. Dermed er der store datamængder, der ikke kan inddrages som en del af det træningsmateriale, der indgår i de forskellige sprogmodeller, de forskellige generative kunstigt intelligente platforme baserer sig på. Repræsentation er også en udfordring, da træningsmaterialet typisk også er produceret med en vestlig, midaldrende mand som en normalitetsstandard.

Bogens anden og længste del er viet til at vise, hvordan generativ kunstig intelligens konstruktivt kan indgå i studerendes arbejde med egen skriftlighed. Her tager Dobrin udgangspunkt i den klassiske retorisk opdeling af en tale, som også af andre er blevet set som en generelt model for videnstilegnelse og demonstration af samme.

Først skal man finde ud af, hvad man vil skrive om; hvad skal den særlige vinkel på stoffet være? Her kan man eventuelt bruge generativ kunstig intelligens til at få ideer. Man kan prompte (spørge) den, hvilke vinkler der findes på forholdet mellem nyrefunktion og den enkeltes livsstil. Hvis en eller flere af ideerne lyder interessante, kan man fortsætte med at undersøge denne. Det afgørende er, at man beslutter sig for noget, man selv finder interessant og vedkommende. På samme måde, når man skal finde viden om et emne, så kan man lave netsøgninger, kigge i grundbøger og prompte en kunstig intelligens ved at spørge om, hvilke relevante vidensressourcer, der findes på området.

Man skal være klar over, at kunstig intelligens ikke videregiver konkret viden, men udelukkende sammensætter sit svar ud fra en statistisk sandsynlighed i forhold til ordsammensætninger. Desuden bliver det også afgørende her, at den studerende kender til begrænsningerne i, at en kunstig intelligens kun er blevet trænet på data, der har været digitalt tilgængelige.

Når man har skrevet et udkast til sin tekst, kan man få feedback på forskellige elementer af teksten ved at prompte for netop dette. Det kan være variation i sproget, som man vil have feedback på, men det kan også være, om stoffet er disponeret på en god måde, om argumentationen fungerer osv. Man kan på denne måde få indspark til, hvordan man kan revidere teksten for at gøre den bedre. Men igen er det op til den studerende selv at vurdere værdien af de svar, den kunstige intelligens genererer.

Dobrin understreger igen og igen, at studerende kan anvende generativ kunstig intelligens til at styrke deres egen skrivning, men at det afgørende er, at det er mennesket, der har ansvaret i forhold til den akademiske integritet. Han opfordrer til et samarbejde mellem menneske og maskine (GenAI), men samtidig understreger han “the need to a human author to confirm the accuracy and relevance of all GenAI-produced content and the importance of ethical considerations at all stages of the writing process. The human author must be the primary author” (s.80). Man kan således aldrig uddelegere ansvaret for ens fremstilling (opgave) til de hjælpemidler, man har anvendt - heller ikke selvom de kaldes intelligente.

Det er en virkelig god, konstruktiv og brugbar bog, Dobrin har skrevet. Den kommer fint omkring mange af de vigtigste problemstillinger, som generativ kunstig intelligens har givet de videregående uddannelser - og andre uddannelser, hvor skriftlighed spiller en stor rolle. Han har også et godt blik for, hvad teknologi er og gør, så også i forhold til teknologiforståelse står hans bog stærkt.

Bogen kan umiddelbart anvendes både af undervisere på de videregående uddannelser, som anvender skriftlige opgaver som en del af deres didaktik - og af studerende, som her har en bog, der kan være et hjælpemiddel til, hvordan generativ kunstig intelligens kan styrke deres skriftlige fremstillinger på en akademisk ansvarlig måde.

Kunstigt genereret tekst er ikke formålet med generativ kunstig intelligens, når det handler om at lære noget. Derfor er der også stor forskel på, hvordan genererede tekster kan anvendes i og uden for uddannelsesinstitutioner. De tekster, de studerende skriver på deres studier, har ikke teksten som primære formål. Teksten indgår som en del af deres læreproces - og her kan generativ kunstig intelligens være et nyttigt hjælpemiddel.