Mange AI-værktøjer er i dag intuitive og lette at bruge.  AI kan være så dybt integreret i de digitale tjenester vi bruger, at teknologien bliver usynlig for os. Man kunne derfor med rette spørge, om det virkelig er nødvendigt med "AI-kompetencer"? 

Det korte svar er ja! For jo bedre du bliver til at forstå og bruge AI bevidst, desto højere værdi kan teknologien skabe for dig og understøtte lige præcis det du gerne vil lære, skabe og opnå!

AI literacy kan løseligt oversættes til AI-kompetencer og handler ikke kun om at kunne bruge teknologien. Det handler faktisk mere om, hvordan vi bruger den. Og der er forskel på: 

• At kunne bruge AI lidt
• At kunne bruge AI bevidst, kritisk og værdiskabende

Med afsæt i artiklen Conceptualizing AI literacy: An exploratory review rammesætters følgende fire aspekter af AI literacy:

1. Know & understand AI: Know the basic functions of AI and how to use AI applications
2. Use & apply AI: Applying AI knowledge, concepts and applications in different scenarios
3. Evaluate & create AI: Higher-order thinking skills (e.g., evaluate, appraise, predict, design) with AI applications
4. AI ethics: Human-centered considerations (e.g., fairness, accountability, transparency, ethics, safety).

AI literacy kan beskrives som evnen til at bruge AI bevidst og kritisk. Det indebærer at kunne reflektere over hvordan man bruger AI, at forholde sig kritisk til genereret indhold og anvende det på en måde, der understøtter læring.  

I relation til det at være studerende, er det vigtigt at være bevidst om hvordan du bruger AI-værktøjer som støtte i dit studie uden at give afkald på faglighed, ansvar og selvstændig tænkning. 

Hvor vi tidligere brugte en søgemaskine til at finde svar på vores spørgsmål, bruger mange i dag en AI-baseret chatbot. Det kan føles som to veje til det samme: et hurtigt svar, men teknologisk set og indholdsmæssigt er der væsentlige forskelle.

En traditionel søgemaskine finder eksisterende indhold på nettet og præsenterer dig for en række af links til eller direkte indhold fra hjemmesider, hvor indhold matcher din søgning. Her kan du ofte vurdere afsender og kontekst. Søgemaskinen hjælper dig altså med at finde information, den producerer den ikke selv.

Det er anderledes med en AI-chatbot. Her genereres et samlet svar ved hjælp af generativ AI, der er trænet på meget store datamængder, og kan producere tekst, billeder og lyd ud fra statistiske mønstre. Svaret er ikke hentet fra én bestemt kilde og det kan være svært at vurdere troværdigheden.

Udviklingen går hurtigt og flere søgemaskiner integrerer allerede AI-genererede svar direkte i søgeresultaterne, mens chatbots i stigende grad henviser til links og kilder, hvor man kan læse mere eller se hvad indholdet bygger på.  

Grænserne flyder sammen og det udfordrer den måde, vi søger, forstår og vurderer viden på.

Need to know om teknologien

• Sprogmodeller forstår ikke på samme måde som vi gør. De forudsiger sandsynlige ord ud fra statistiske mønstre og neurale netværk baseret på enorme træningsdatamængder. Selvom de giver os overbevisende og velstrukturerede svar, så tænker de ikke, og har ikke bevidsthed eller intentioner.
• Der er ingen garanti for korrekte svar. Modellerne kan tage fejl, opdigte information (hallucinere), være biased og give inkonsistente, unuancerede svar.  
  Sprogmodellerne kan ikke styres fuldstændigt. F.eks. kan modellen give dig de svar du gerne vil høre (kaldet sycophancy), tilpasse svarene til dit vidensniveau (kaldet sandbagging) eller opleves som manipulerende.
• Modellens værdier kan designes og reguleres af leverandøren. Derfor repræsenterer modellen ikke nødvendigvis de værdier, der findes i dens træningsdata. 

Nice to know om teknologien

• Skalering og performance hænger ofte sammen. Større modeller, mere træningsdata og mere regnekraft fører ofte til bedre performance.
• Sprogmodeller er stadig en "black box". Vi forstår ikke til fulde, hvorfor de giver bestemte svar eller hvordan de når frem til dem.
• Sprogmodeller kan udvikle "nye færdigheder" pludseligt og være svære at forudsige.
• Sprogmodeller kan præstere bedre end mennesker ved visse typer af opgaver;  blandt andet fordi de har adgang til ekstremt store datamængder.

Før vi går videre i teksten, kan du prøve kræfter med vores AI-kontrolrum, hvor du skal processesere en brugers prompt som AI chatbot.

AI-værktøjer kan potentielt booste din læring og forståelse som studerende. Med udgangspunkt i AI literacy har vi samlet nogle punkter som du som studerende kan være opmærksom på, når du anvender generativ AI. 

Det er nemlig ikke lige meget, hvordan vi bruger AI. Målet er at bruge AI bevidst, når det giver mening og altid på et kritisk og reflekteret grundlag. 

Som nævnt under punkt 7 ovenfor findes der flere strukturerede metoder til prompting, for eksempel modeller som CLEAR (Context, Length, Expectation, Audience, Role). Fordelen ved at bruge en systematisk ramme er ikke kun, at selve outputtet bliver mere præcist; det fungerer i høj grad også som en øvelse i kritisk tænkning.

Når du systematisk opbygger en prompt, tvinges du til at foretage en faglig "hjernestart". Du kan ikke blot bede om et hurtigt, overfladisk svar, men må aktivt trække på din egen viden for at sætte grænserne for opgaven. Ved eksplicit at definere konteksten eller bede modellen om at indtage et bestemt teoretisk perspektiv (Rollen), skaber du refleksiv friktion allerede i input-fasen. Du tager dermed styringen og definerer de faglige spilleregler, inden AI'en får lov at generere sit svar, hvilket er et afgørende skridt mod at undgå den forhastede sammenhæng (præmatur kohærens) og fastholde dit faglige ejerskab.

Du kan også arbejde iterativt med din prompting, hvor du indarbejder elementerne fra f.eks. CLEAR løbende. Betragt prompting som en styret dialog frem for en envejsbestilling. Start med en grundlæggende prompt, og brug derefter opfølgende spørgsmål til at justere niveauet, tilføje faglig kontekst eller skabe refleksiv friktion. Du kan for eksempel opbygge din proces i tre trin:

1. Start bredt: "Giv et overblik over de vigtigste pointer i teorien om praksisfællesskaber"
2. Tilføj kontekst: "Gør overblikket mere specifikt ved at relatere pointerne direkte til [indsæt specifik case eller problemstilling fra dit pensum]"
3. Skab friktion: "Vurdér nu det genererede overblik med kritiske briller. Hvilke centrale faglige nuancer eller teoretiske begrænsninger udelades i denne forklaring?"

Ved at arbejde i små, justerende trin tvinger du modellen til at arbejde dybere med stoffet, samtidig med at du aktivt styrer den faglige retning og selv tager stilling til indholdet undervejs.