En mulig forklaring er at AI nå for alvor har tatt steget inn i populærkulturen. Fra tidlige bildegenereringsverktøy som Google's DeepDream [1] (2015) til det siste årets Dall E 2 fra OpenAI [2], Midjourney [3], og den åpent tilgjengelige Stable Diffusion fra CompVis-gruppen ved LMU München [4] har utviklingen vært eksplosiv. AI vinner nå kunstkonkurranser [5] og brukes for å lage musikkvideoer [6]. NVIDIAs GET3D [7] har åpnet en skattkiste av AI-genererte 3D modeller og mange liknende prosjekter venter oss i tiden som kommer [8]. AI-generert musikk har lenge bydd på visse utfordringer, men er ikke helt utenfor rekkevidde [9]. ChatGPT [10], som for mange var julens store samtaletema, skriver fagtekster, poesi og kode, og kan til og med emulere en Linux-terminal [11]. AI har blitt kreativ. I alle fall øyensynlig.
Kreativitet er en evne vi verdsetter høyt hos mennesker. Det å skape noe - syntese - står høyt i Blooms taksonomi, og er noe vi vektlegger i emneplanleggingen ved fakultetet (se for eksempel på SOLO-taksonomien [12]) og i hvordan vi vurderer studentbesvarelser [13]. Kanskje er det nettopp det at ChatGPT ikke bare gjengir informasjon (formodentlig korrekt), men også tilsynelatende kan strukturere en faglig godt fundert og begrunnet analyse av en problemstilling, som gjør at flere av oss som jobber med utdanning nå hever øyenbrynene [14, 15]. Teknologien er kommet for å bli, så hvordan tilpasser vi oss? Hva betyr det for studentene våre? Bør vurderingsformene våre tilpasses? Hvilken plass har AI i undervisningen? Og hva kan vi vente oss i årene som kommer?
Å samspille med datamaskinen
Om ikke annet kan vi tillate oss å spekulere: I en fremtidig verden hvor Elon Musks Neuralink [16] tilbyr et sømløst grensesnitt mellom AI-algoritmer og nervesystemet vårt, vil skillet mot digitale hjelpemidler viskes ut. Studentene vil ha kontinuerlig og lynrask tilgang på regneressurser og AI-algoritmer, muligens betinget av økonomisk bakgrunn – en viktig sak i seg selv. Hvordan kan vi da vurdere deres faglige prestasjoner? Behovet for hensiktsmessige og rettferdige vurderingskriterier er åpenbart. Om alle studentene har tilgang på den samme AI-ressursen, vil målet for vurderingen måtte ligge i både de unike menneskelige evnene som eventuelt ikke kan erstattes av kunstig intelligens, og i synergien mellom menneske og algoritme - altså i hvilken grad studenten kan samspille med og utnytte algoritmene.
Det finnes selvsagt i dag menneskelige evner som AI er utpreget dårlig på, som eksempelvis konseptuell forståelse, abstraksjon og analogi [17]. Tiden vil vise hvorvidt fremtidige algoritmer kan mestre også disse evnene, men det er en lang vei fra ChatGPTs evne til å gjengi relevant forskning om et tema, til et menneskets eurekaøyeblikk hvor det innser at et i utgangspunktet fullstendig urelatert teoretisk rammeverk kan gi helt ny innsikt i temaet. Mappevurdering og muntlige presentasjoner, slik det blir gjennomført i Honours-programmet [18] og for computational essays [19] her ved Universitetet i Oslo, er en ideell vurderingsform for å vurdere slike evner. Samtidig krever slik vurdering noe mer ressurser enn den tradisjonelle skriftlige eksamensformen.
Å vurdere samspillet mellom menneske og algoritme er på sin side en relativt ny problemstilling, selv om vi i lenger tid har styrket undervisningen vår innen algoritmisk tenkning [20]. Å kunne identifisere problemer som best løses av algoritmer, og dessuten kunne tilrettelegge disse problemene for datamaskinen vil sannsynligvis ha verdi i fremtidens arbeidsmarked. Mange vil kanskje bli overrasket over at det å skrive kode i seg selv er en aktivitet som i fremtiden kanskje best gjøres av datamaskinen, som vi ser tendenser til med DeepMinds AlphaCode [21] og GitHubs Copilot [22]. Dette handler altså om noe annet enn å vurdere hvor dyktig studentene er til å programmere en datamaskin. På et dypere plan handler det igjen om kreativitet. Dype nevrale nett er per definisjon ikke i stand til å bevege seg utenfor det empiriske grunnlaget de er matet med, så kanskje er det her mennesket har en avgjørende rolle; som en kilde til inspirasjon og utenfor-boksen-tenking.
Datamaskinen som veileder
Hele vurderingsspørsmålet kan imidlertid også snus på hodet; hvordan tar vi best i bruk AI i evalueringsøyemed? Universitetet besitter i dag store mengder metadata og studentbesvarelser, som kan omsettes i persontilpasset og øyeblikkelig evaluering som kan hjelpe den enkelte student å prestere bedre. En chatbot kan i prinsippet tilby både formell eksaminasjon og uformell veiledning, og representerer slik sett en mulig løsning på et læringsteoretisk kjerneproblem; hvordan vi kan gjenskape den overlegne effekten av en-til-en undervisning for større grupper [23]. Med utfyllende data til studentgruppen kan dessuten AI hjelpe studentene å finne passende samarbeidspartnere og skape gode gruppediskusjoner [24].
I sum er disse spørsmålene interessante, provoserende, litt skumle, og velegnet for diskusjon. De rører både ved hva det betyr å være menneske, lærerens rolle, hvordan læring foregår og hvordan vi bør utforme undervisningssektoren som helhet. Og selv om vi enda ikke er helt klare for å erstatte gruppelæreren med en chatbot, så er det på sin plass å anerkjenne at det å maksimere læringsutbyttet innen høyere utdanning er et optimeringsproblem. Slike problemer er som kjent velegnet for datamaskinen.
På spørsmål om hvilken rolle chatbots kan ha i hjemmearbeidet svarer ChatGPT selv:
"Chatbots, eller chat gpts, kan være nyttige verktøy for studenter som gjør hjemmearbeid, men det er viktig å vurdere fordeler og ulemper før de brukes.
En fordel med chatbots for hjemmearbeid er at de kan hjelpe studentene med å få tilgang til informasjon og svar på spørsmål på en tidseffektiv måte. Dette kan være spesielt nyttig for studenter som trenger hjelp med å forstå kompliserte konsepter eller som har behov for ekstra støtte. Chatbots kan også bidra til å øke motivasjonen og engasjementet til studentene ved å tilby interaktive oppgaver og øvelser.
En annen fordel er at chatbots kan bidra til å strukturere hjemmearbeidet og gi studentene en følelse av fremgang og mestring. Dette kan være spesielt nyttig for studenter som har problemer med å holde oversikt over oppgaver og frister.
Likevel, det er også noen ulemper med chatbots som studenter og lærere bør vurdere. En ulempe er at chatbots ikke kan erstatte menneskelig interaksjon og kvaliteten på læringen kan bli redusert hvis de erstatter læreren helt. Det er også viktig å være oppmerksom på at chatbots kan ha begrensninger i sin evne til å forstå komplekse spørsmål og situasjoner, og kan derfor ikke alltid gi tilfredsstillende svar.
Det er også viktig å huske på at ikke alle studenter vil ha samme tilgang til teknologi og kan derfor ha problemer med å bruke chatbots. Dette kan føre til at noen studenter føler seg utelatt og kan påvirke deres læring og motivasjon negativt.
Alt i alt, chatbots kan være nyttige verktøy for studenter som gjør hjemmearbeid, men det er viktig å vurdere fordeler og ulemper før de brukes. Studenter bør også sørge for å bruke chatbots på en måte som supplerer, ikke erstatter, menneskelig interaksjon og søke hjelp fra læreren dersom det er behov for det."
Kilder
[1] https://en.wikipedia.org/wiki/DeepDream
[2] https://en.wikipedia.org/wiki/DALL-E
[3] https://en.wikipedia.org/wiki/Midjourney
[4] https://en.wikipedia.org/wiki/Stable_Diffusion
[5] https://www.nytimes.com/2022/09/02/technology/ai-artificial-intelligence-artists.html
[6] https://www.youtube.com/watch?v=Cq56o0YH3mE&ab_channel=DieAntwoord
[7] https://blogs.nvidia.com/blog/2022/09/23/3d-generative-ai-research-virtual-worlds/
[8] https://techcrunch.com/2022/12/20/openai-releases-point-e-an-ai-that-generates-3d-models/
[9] https://www.technologyreview.com/2022/10/07/1060897/ai-audio-generation/
[10] https://chat.openai.com/chat
[11] https://www.engraved.blog/building-a-virtual-machine-inside/
[12] https://github.com/features/copilot
[14] https://khrono.no/chatbot-loste-eksamensoppgave-pa-fa-sekunder-fikk-karakter-b/740911
[15] https://www.nrk.no/kultur/laerere-fortvilet-over-ny-kunstig-intelligens-1.16210580
[16] https://en.wikipedia.org/wiki/Neuralink
[17] Mitchell, M. (2021). Abstraction and analogy‐making in artificial intelligence. Annals of the New York Academy of Sciences, 1505(1), 79-101.
[18] https://www.uio.no/studier/emner/matnat/fys/HON1000/
[19] Odden, T. O. B., & Malthe-Sørenssen, A. (2020). Using computational essays to scaffold professional physics practice. European Journal of Physics, 42(1), 015701.
[20] Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.
[21] https://www.deepmind.com/blog/competitive-programming-with-alphacode
[22] https://github.com/features/copilot
[23] Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational researcher, 13(6), 4-16.
[24] Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education.