Behøver man at lære at regne, når man har adgang til en lommeregner? Hvem kunne finde på at sætte sig ned med papir og blyant og regne ud, hvad 22218 divideret med 138 giver? Og behøver man overhovedet at vide hvordan man regner det ud? (Det giver 161, siger min lommeregner - Og ja, det behøver man efter min mening).

Spørgsmålet trænger sig på, fordi mange nye teknologier kan løse menneskelige opgaver. Jo flere ting, man kan overlade til maskiner, jo vanskeligere bliver det at argumentere for, at man selv behøver at kunne det. Behøver man overhovedet at vide noget, hvis man bare kan søge på internettet efter oplysninger og informationer? Og hvis man behøver at vide noget, hvad er det så for en viden, der må betragtes som uomgængelig? Ja, behøver man overhovedet at tænke, hvis man kan få en AI-assistent til at gøre det for sig?

Mange af de ting, vi kan, har været besværlige at lære. Det kan f.eks. kræve blod sved og sommetider tårer at få den uddannelse, man ønsker sig, fordi der er så meget, man skal vide og kunne. Men kunne meget af det besvær ikke erstattes af robotter? “Technology has now made it harder to see the benefit of doing things ‘the hard way’” skriver José Antonio Bowen og C. Edward Watson i deres bog Teaching with AI (s. 190).

Forfatterne argumenterer for, at man som underviser må være i stand til at gøre læring meningsfuld for studerende. Man må kunne forklare, hvorfor studerende skal lære det, de skal lære. Og man må også designe undervisningen, så studieaktiviteter giver mening. De studerendes anvendelse af AI skal gøre de studerende i stand til at kunne tingene bedre, end man tidligere krævede. Kravene skal derfor sættes op, så det, der før kunne bedømmes til at være en gennemsnitlig præstation, nu skal vurderes som utilstrækkelig.

Som forfatterne siger, så skal man ikke forbyde de studerendes anvendelse af AI, man skal forbyde det gennemsnitlige arbejde, som AI kan gøre lige så godt som de studerende. Man skal spørge, hvad kan studerende gøre, når de anvender AI, som de ikke ville kunne gøre uden og som heller den kunstige intelligens kunne gøre alene. Vi taler her om det, Ethan Mollick kalder co-intelligense.

Bogen er delt op i tre dele, som handler om hhv. “Thinking”, “Teaching” og “Learning” med kunstig intelligens. Ud over at redegøre for “the basics" handler første del om, hvordan kunstig intelligens kan støtte menneskelig tænkning. “If the internet changed our relationship with knowledge, AI is going to change our relationship with thinking” (s. 2). Dette demonstrerer de gennem to forskellige temaer. Det første handler om den enorme kapacitet, kunstig intelligens har som idégenerator. Man kan prompte sig til at få genereret masser af ideer på ingen tid. Dette kan bidrage til menneskelig kreativitet, fordi det for de fleste kan være vanskeligt at generere mange nye ideer. ““The best way to have a good idea is to have lots of ideas” [D.K. Simonton] ... Creativity relies on the quantity of different and divergent ideas” (s.63). Pointen er, at de genererede ideer kan bidrage til den menneskelige kreativitet.

Det andet eksempel går på, at kunstig intelligens kan bidrage til at udvide og støtte divergent tænkning. Problemløsning, hævder forfatterne, fungerer som oftest ikke på den måde, at man har et problem, som man søger en løsning på. I første omgang skal man forsøge at finde ud af, hvad problemet er. Derfor hævdede Einstein også, at man skal bruge meget mere tid på at finde ud af, hvad problemet er, end at løse det.

I definitionen af et problem har man brug for divergent tænkning, da det er en undersøgelse af problemets art. Løsningen kræver derimod mere konvergent tænkning. “Since AI is such a prolific idea generator… it is especially useful in the divergent phases” (s. 47). Senere viser de også, at man får mest ud af generativ kunstig intelligens, når man anvender det til at støtte ens processer.

“AI is becoming a new, powerful partner, in both the classroom and the real world, that can accelerate accomplishment and achievement. AI can help humans clarify their thoughts, explore new ideas, increase divergent thinking, and perhaps even become more creative. The potential for more creative humans and better thinking is the promise of this new partnership: it is in the iterations that thinking and creativity happen”.(s. 77) Del to handler om, hvordan undervisere kan anvende kunstig intelligens i deres arbejde. Her gennemgår de masser af scenarier med opgaver, man har som underviser ved videregående uddannelser, og de kommer med mange konkrete forslag til, hvordan man kan prompte, så man bliver støttet i forsknings-, planlægnings-, undervisningsprocesser osv. Det kan være støtte til at udvikle mere differentieret undervisningsmateriale og emner til plenumdiskussioner. Det kan også være udfordringer af ens egne undervisningsplaner, som man kan få kritisk feedback på.

Pointen i alle eksemplerne er, at man kan anvende forskellige værktøjer med kunstig intelligens til at forbedre det, man har kunnet udvikle uden støtte. Det er som at have en mere iderig, men også utroværdig, kollega ved sin side, der hele tiden kan anspore en til at se tingene fra nye og overraskende sider. Kreativitet har ikke med sandt og falsk at gøre, men om at komme op med anderledes perspektiver, man som underviser ikke selv kunne finde på.

Forfatterne diskuterer også kvalitet i denne del. Som nævnt handler det om, at man må forvente højere kvalitet i de studerendes deltagelse i undervisningen og i deres afleveringer, når de anvender kunstig intelligens. Det spørgsmål, man må stille, når man forholder sig til de studerendes bidrag er “In what ways has the student moved above and beyond what AI produced for them (s. 153). De studerende må kunne demonstrere, hvad de selv bidrager med udover, hvad de får frem gennem anvendelsen af kunstig intelligens. Kvalitet handler om det, studerende selvstændigt bidrager med. Det drejer sig om refleksion og kritisk tænkning, og det handler om at kunne gennemskue, hvordan man også samarbejder med kunstig intelligens, så man kan udnytte styrkerne og undgå faldgruberne. Igen er der fokus på processerne, som også må være en del af det, de studerende skal bedømmes på.

Også her finder man masser af praktiske råd og vejledning til, hvordan man som underviser kan gøre dette.

Tredje del om “Learning with AI” har fokus på, hvordan man som underviser kan få studerende til at deltage i læreprocesser, der styrker deres lærende udvikling. Der gives mange eksempler på forskellige typer af feedback, som studerende kan anvende i forskellige faser af deres læringsproces. Som også andre steder i bogen har forfatterne udarbejdet skabeloner, der kan hjælpe undervisere og studerende med prompting, hvilket gør bogen meget anvendelig og konkret.

Feedbackskabelonen består i at definere, hvilken rolle den kunstige intelligens skal indtage, hvad den skal gøre, målet med feedbacken, hvordan skal den kunstige intelligens agere, og hvordan processen skal forløbe.

I forhold til de to sidstnævnte kan man f.eks. instruere den kunstige intelligens i at stille spørgsmål i stedet for at genere svar. Og man kan definere en proces, hvor man kan få den kunstige intelligens til ikke at foreslå noget, men mere guide den studerende.

Her kan man naturligvis stille spørgsmålet, hvad der skal få studerende til at gøre det så besværligt, når nu teknologien også kan bruges til direkte at støtte i udarbejdelsen af en opgave eller et svar. Hvorfor ikke gå direkte til besvarelse frem for at dyrke processen med besvarelsen, som jo kræver langt mere arbejde af den studerende? “If only the outcome matters, students will rightly be tempted to use AI. If we want students to value the learning itself, we need to clarify the value of the process” (s. 192).

Her peger de på tre elementer, der skal være tydelige i undervisningen, nemlig at den studerende føler: “I care, I can, I matter!” (s. 185). Undervisningens mål skal være meningsfuld for de studerende, og det er op til underviseren, at undervisningen taler ind i de studerendes opfattelse af meningsfuldhed. Desuden skal de studerende udfordres tilstrækkeligt til at opleve mestring. Og endelig skal de studerende føle sig anerkendt, respekteret og værdsat. Det stiller store krav til underviserne.

Der er meget andet at hente i denne praktiske guide til at undervise med AI. Den vil være brugbar for alle undervisere på videregående uddannelser. Set i en dansk sammenhæng er der dog også elementer, som forekommer mindre relevante. Eksempelvis er bogen skrevet ud fra, at de studerende konstant arbejder med skriveopgaver, hvilket der slet ikke er den samme tradition for i Danmark som i USA. Arbejdet med rubiks kan også forekomme fremmedartet, ligesom den konstante fokus på bedømmelse og eksamen. I forhold til de angelsaksiske uddannelsesformer, så er der langt mere fokus på processer i en skandinavisk tradition, hvor der også er langt mere fokus på mundtlighed i undervisningen.

Jeg savner en dybere refleksioner over de etiske aspekter af anvendelse af generativ kunstig intelligens. Der bliver nævnt mange spændende værktøjer, undervisere og studerende kan anvende. Men hvordan forholder disse værktøjer sig til data? Dette nævner forfatterne ikke, ligesom de ikke kommer ind på mange andre etiske udfordringer ved at bruge kunstig intelligens. Der er ganske vist lidt om AI literacy og de skriver også indledningsvist: “AI ethics must be baked into curriculum and include AI literacy, an emerging essential skill” (s. 3). Men det fylder ikke i bogen - og man mærker det ikke som en grund, den pædagogiske begejstring for kunstig intelligens står på.

Men i høj grad en anbefalelsesværdig bog, der er praktisk guide for undervisning med AI, som titlen lover.