Studerende anvender i højere og højere grad generativ kunstig intelligens i deres studier. Det er oplagt for mange af dem at gå til værktøjer, der gør deres arbejde nemmere eller bedre; ikke mindst når de samtidig har meget let og fri adgang til disse værktøjer.

Men selvom værktøjerne er meget nemme at bruge, kan det være vanskeligt at anvende dem på hensigtsmæssige måder. For det første er det et spørgsmål, om de studerende får nok ud af værktøjerne. Det kender vi fra alle mulige andre værktøjer som eksempelvis tekstsbehandling, hvor meget få studerende får brugt de muligheder, som ligger i eksempelvis Word?

Men for det andet - og vigtigere - er det et spørgsmål, om de studerendes brug af generativ kunstig intelligens styrker deres læring, eller om deres brug snarere kommer til at træde i stedet for deres læring? Det gælder især, når underviserne bruger skriftlige opgaver til at vurdere de studerendes faglige ståsted, hvor de har fokus på et produkt frem for den proces, der har ledt frem til produktet.

Generativ kunstig intelligens kan anvendes på mange konstruktive måder, som understøtter studerendes lærende udvikling, men det kræver for de flestes vedkommende, at de lærer at bruge det. Og det er præcis det, bogen ChatGPT Assignments to Use in Your Classroom Today forsøger gennem formulering af en lang række af konkrete opgaver, der skal løses ved hjælp af generativ kunstig intelligens. Bogen anvender ChatGPT 3.5 som eksempel, men opgaverne kan løses med en hvilken som helst stor sprogmodel som f.eks. Copilot og Gemini.

Bogen er open source og kan derfor frit downloades og anvendes af enhver underviser, der gerne vil lære sine studerende hensigtsmæssig brug af generativ kunstig intelligens, samtidig med at de studerende lærer noget specifikt fagligt. Det er dog tydeligt, at bogen er blevet til i en amerikansk sammenhæng, hvor skriftlige opgaver fylder mere og anvendes på en lidt anden måde, end man gør i en dansk sammenhæng. Bogen kan dog sagtens anvendes i en dansk sammenhæng uden den helt store tilpasning.

I bogens indledning advarer forfatterne mod en meget udbredt misforståelse, nemlig at sprogmodeller er en slags opslagsværker. Det er de ikke. Generativ kunstig intelligens er “word predictors are not answer-generators”, som de siger (s. ii). Derfor bør man også tænke generativ kunstig intelligens ind som støtte til læringsprocesser og ikke som instanser, man kan henvise til. Man kan aldrig anvende en generativ kunstig intelligens som belæg for en påstand eller lignende, da de ikke besidder nogen vidensmæssig autoritet. Dette gælder ikke mindst, når man får genereret svar på spørgsmål, hvor man ikke selv er ekspert, og derfor heller ikke selv kan validere et genereret svar. Her bliver man nødt til at opsøge og få valideret vidensmæssige påstande fra andre kilder. Så lidt paradoksalt kan man sige, at når det gælder viden, kan man kun bruge generativ kunstig intelligens til noget, man ved i forvejen.

Men det betyder langt fra, at generativ kunstig intelligens ikke kan indgå som en aktiv og berigende del i en læringsproces: “At the same time, while ChatGPT should be distrusted when it comes to factual information, academic citations, and specific quotes, it’s actually quite good at brainstorming and ideation—in particular when creating lists of sub-topics or bullets that relate to a given prompt” (s. ii).

Efter den generelle indledning består resten af bogen af 61 konkrete opgaver eller opgavetyper, man kan give studerende, så de lærer at anvende generativ kunstig intelligens på en måde, der beriger deres studier.

Alle opgavebeskrivelserne følger en fast skabelon. Først en titel på opgaven efterfulgt at en meget kort beskrivelse. En af de tidlige opgaver hedder “Prompt engineering: specified style”, som giver følgende opgave: “Ask students to exercise their creativity by asking ChatGPT for explanations or summaries delivered “in the style” of someone famous” (s. 11). Formålet med opgaven beskrives kort. Og endelig kommer der tre eller lidt flere eksempler på prompts: “Write a sonnet in the style of Shakespeare that explains the third law of thermodynamics” (s.12), da denne opgave jo handler om stil.

I ganske korte kapitler følger de i alt 61 opgaver denne indholdsfortegnelse som af en eller anden grund ikke er i bogen (opgavenummer i parentes):

Prompt engineering (1-9)
Searching (10-12)
Evaluation (13-19)
Analyzing (20-26)
Writing (27-44)
Generating (45-52)
Study practices (53-61)

Den første type har til formål at give studerende en fornemmelse af og viden om, hvordan generativ kunstig intelligens fungerer. Derfor handler opgaverne om prompting; om den måde, hvorpå man som studerende interagerer med en stor sprogmodel.

Mange af opgaverne handler om både at få genereret tekst og at vurdere outputtet. Læringen består i den proces, selve vurderingen giver anledning til, da de studerende må sætte sig ind i et stof for at kunne vurdere den genererede tekst. Dette er en fuldstændig klassisk læringsproces, hvor den studerende skal sætte sig i den videndes rolle for selv at formidle eller vurdere et stofområde.

Den største sektion handler om, hvordan studerende kan anvende generativ kunstig intelligens i deres egen skriveproces; altså om hvordan man kan understøtte egen skriftlighed og dermed refleksive læringsproces ved at generere output fra sprogmodellen.

Brainstorming er et eksempel på, hvordan man som studerende kan være i dialog med sprogmodellen. Studerende kan få den til at generere 10 ideer, hvorefter de selv vælger nogle ud og måske får specificeret og underdelt nogle af de ideer, de vurderer til at være de mest brugbare. Man kan også få hjælp til at strukturere og systematisere, hvordan ens tekst bliver opbygget på en logisk måde, der understøtter argumentationen.

En rigtig god øvelse handler om, at man kan få sprogmodellen til at give feedback på ens argumentation for underliggende antagelser, der måske ikke deles af alle eller af den videnskabelige tradition, man skriver inden for. “Undoubtedly one of the most important aspects of writing is offering an explicit claim and supporting it with sufficient evidence. The claim is clearly stated via a thesis statement and the evidence is laid out in the body of the essay. Often, the connection between claim and evidence relies upon assumptions, and this is where there may be a disconnect between writer and reader” (s. 73). Med den feedback, kan studerende få et indspark til at overveje egen argumentation, hvilket kan føre til en dybere forståelse for netop, hvad der konstituerer et videnskabeligt argument, og hvordan vedkommendes egen tænkning måske bygger lige så meget på uunderbyggede antagelser som på viden.

En af de helt store fordele ved generativ kunstig intelligens er, at man kan få “oversat” noget, der er svært til noget, der er skrevet på en måde, der passer til ens eget udgangspunkt. Det er enormt smart at få genereret forklaringer, som man kan forstå, selvom man ikke har de store forudsætninger for at forstå en bestemt teori eller et bestemt domæne. Det er store sprogmodeller fantastiske til. Men det er også et af de helt store problemer ved at anvende generativ kunstig intelligens, da man kan få en “forståelse” for noget uden egentlig at “forstå” det:

“While it may seem counterintuitive to the aims of higher education to encourage students to seek summaries rather than read longer primary texts, the general drift in recent years and recent generations has been away from reading longer texts, and the arrival of generative AI likely signals the final switch away from longer readings and toward AI-powered summaries. As such, it seems wise to embrace the change as it begins, rather than asking students to cling to traditional methods of education even as the tools around them change dramatically” (s. 39).

Dette spørgsmål, synes jeg, at forfatterne går alt for let hen over - eller de alt for let accepterer det som tingenes tilstand. At tage en uddannelse betyder netop, at man skal oparbejde en dybere og mere grundlæggende forståelse for et domæne. Og det kræver for de fleste en vis indsats. Det er ikke et spørgsmål om, at man kan ´lære´ et stof udenad, men om at man har en forståelse for dybereliggende sammenhænge inden for et domæne.

Det gælder allerede nu, at nogle studerende i deres studier i for høj grad anvender ressourcer, der ikke har et tilstrækkeligt detaljeret og akademisk niveau. Det er blevet rejst som et problem i forhold til studerende, der i stor udstrækning anvender netressourcer som blogs eller andet skrevet på lægmandsniveau. Det kan være fint, hvis man som studerende har svært ved noget stof, at man læser noget, der er lettere tilgængeligt eller genereret af kunstig intelligens, men det skal netop være for at øge tilgængeligheden af faglitteraturen; ikke for at erstatte den. Dette er en didaktisk udfordring, som underviserne må tage sig af, og som ligger uden for denne bogs emne, der mere snævert handler om konkrete anvendelsesformer med generativ kunstig intelligens.

Også i sektionen med anvendelse af generativ kunstig intelligens som støtte til studiepraksis, er der en del at hente. At man kan opstille en chatbot, så den interviewer den studerende, er en udmærket ide til en måde, hvorpå en studerende kan arbejde med sin egen forståelse af et emne eller måske af den profession, man er ved at uddanne sig til, som med følgende prompt: “Engage in an ongoing interview with me. You are a social worker, and I am an elderly man who lives independently. My doctor has asked you to conduct a biopsychosocial assessment to evaluate my safety living alone” (s. 92)

Bogen opstiller en lang række opgaver, som undervisere kan lade sig inspirere af og enten anvende direkte eller tilpasse til den konkrete undervisningssammenhæng. Der er god inspiration at hente, når det gælder om at understøtte de studerendes læringsprocesser.

Generativ kunstig intelligens bør i sammenhæng med uddannelse udelukkende anvendes som en del af studerendes læringsprocesser og ikke til at generere output som ubearbejdet inddrages i studerendes afleveringer eller eksamener. Som bogen også demonstrerer, så skal værktøjerne styrke læringen og ikke være en erstatning for den.