Syklepleierstudet Ronja Løtveit ved Universitetet i Stavanger, roser på nrk.no kunstig intelligens som læremiddel.

“Den kan forklare ting enkelt til deg som eit barnehagebarn, seier studenten Ronja Løtveit.”

Det er mer enn bare et tankekors at en som studerer ved et universitet står fram offentlig med å si at hun vil ha lærestoffet presentert på barnehagenivå.

“Vi må møte studentene der de faktisk lærer”, skriver en av de ivrige KI-evangelistene, Karl Philip Lund, i Khrono. Bare en liten påminnelse: Karl Philip Lund er han som har tatt i bruk kunstig “intelligens” til å sensurere eksamensbesvarelser, slik at han bruker i gjennomsnitt 15 minutter per besvarelse. Vi mennesker er fra naturen side late. Det gjelder også studenter, professorer og førsteamanuenser. Vi er skapt for å bevege oss, det var en gang nødvendig for å overleve. Men vi kaster ikke bort energien på aktiviteter som fremstår som unødvendig.

Vi må møte studentene der de er. Vi kan ikke sitte i våre elfenbenstårn og vente på at nye studenter skal klare å klatre opp til oss. Men veien videre skal ikke bestemmes av studentenes uvaner. Vi som selv har studert, har undervist i en del år og har bedømt et stort antall eksamensbesvarelser vet langt bedre enn ferske studenter hva som gir resultater og hva som kreves. Vi skal lede studentene til dit hvor de faktisk lærer, og ikke la oss lede av studentene til der hvor de, ofte feilaktig, tror at de lærer.

Nå skal jeg si noe som mange vil være uenige i: Vi skal ikke høre på studentene i slike spørsmål. Studentene vet ikke hva de skal lære, og de vet ikke hva som skal til for å gjøre det godt i et fag. Det har alltid vært studenter som mener at de har funnet noen “lure snarveier” som de prediker med stor entusiasme. Stort sett fungerer de ikke. Studenter som klager over lærebøker de ikke har lest, blir som studenter som klager over undervisning de ikke har fulgt. Studier krever konsentrasjon og arbeid, og det er jo så slitsomt å skulle lese en hel bok.

Det har også alltid vært forelesere som forenkler stoffet så mye at det blir for enkelt. Enkle punkter som studenter kan huske, det er populært blant studenter — særlig blant middels til svake studenter. At det er populært betyr ikke at det er gir god læring. Å lære et fag på universitetsnivå er ikke slik studenter ofte tror. Bruk av KI kostet de beste studentene  toppkarakteren, kunne vi nylig lese. Det stemmer med noe av det vi fikk presentert på en konferanse om bruk av teknologi i juridisk undervisning og juridisk praksis i Chicago, sommeren 2024: Middels til svake studenter gjorde det bedre når de fikk bruke KI, sterke studenter gjorde det dårligere.

De store språkmodellene, som misvisende markedsføres som en form for intelligens, om enn aldri så kunstig, er ikke så fantastiske som KI-predikantene vil ha det til, og som mange i sin naivitet tror på. Noe av det mer teknooptimistiske vrøvl jeg har hørt om dette, ble sagt av produktdesigner Nima Shahinian i episoden “Ny teknologi – nyttig eller farlig?” i NRKs podkastserie “Burde vært pensum”. Han bruker blant annet følgende eksempel på hvordan en robot angivelig kan lære ved hjelp av kunstig intelligens:

“Vi kan legge en «nyfødt» robotkropp med to ben på gulvet. Den har noen «preprogrammerte instinkter» som sier at den kan bevege seg fra A til B, men det er ikke programmert hvordan den kan gjøre dette. Det må den finne ut av selv, ved å prøve alle muligheter, til den finner den optimale måten å bevege seg på, altså reise seg opp og gå på to ben.”

Dette bør i alle fall ikke være pensum. Steven Pinker åpner sin bok “How the mind works“ med følgende setning:

“Why are there so many robots in fiction, but none in real life?”

Når sant skal sies, har vi noen roboter også i det virkelige liv. Vi har industriroboter som kan gjenta de samme bevegelsene og f.eks. lakkere biler, uten at man behøver å bekymre seg for løsemiddelskader. Og vi har roboter som kan bevege seg mellom bordene på en restaurant, slik at servitørene ikke behøver å bære maten eller samle inn brukt service og bestikk selv. Men de er temmelig langt fra de robotene som vi møter i Science fiction.

Jeg tar med som en kuriositet denne signeringsroboten som jeg så på bokmessen i Frankfurt for noe år siden. Det fremstår ikke som en veldig effektiv form for elektronisk signatur. Men det er kanskje slike man trenger når de skal selge signerte eksemplarer av de virkelig store bestsellerne?

Vi kan gå tilbake til Steven Pinker, som på s. 11 i boken “How the mind works” forklarer hvorfor det å gå på ben er den beste metoden for å bevege seg, og beskriver de kompliserte mentale prosessene som må til for at man skal kunne bevege seg på to ben:

“But legs come with a high price: the software to control them. A wheel, merely by turning, changes its point of support gradually and can bear weight the whole time. A leg has to change its point of support all at once, and the weight has to be unloaded to do so. The motors controlling a leg have to alternate between keeping the foot on the ground while it bears and propels the load and taking the load off to make the leg free to move. All the while they have to keep the center of gravity of the body within the polygon defined by the feet so the body doesn’t topple over.”

Vi kan også ta med det de to norske nevrologene Are Brean og Geir Ove Skeie skriver på s 179 i sin bok «Musikk og hjernen»:

“Gange er nemlig et så uhyre komplekst fenomen at selv det enkleste lille skritt på stuegulvet langt overstiger den «datakraften» vi har i vår begrensede bevissthet.”

Nima Shahinians podkast er fra mars 2022. Om han testet dette i praksis, er jeg ganske sikker på at roboten hans fortsatt kaver rundt på gulvet og spreller ganske hjelpeløst, uten å ha klart å komme seg opp på to ben. Hjerneforsker Kaja Nordengen skriver det slik på s. 128 i sin bok “Hjernen er stjernen“:

“Det er viktig å påpeke at dataingeniørene ikke kommer til å klare å lage kunstige hjerner som fungerer som vår. Til det vet vi altfor lite om den menneskelige hjernen. Det de prøver på, er å lage programmer som etterligner de funksjoner vi har tilegnet oss gjennom millioner av år med evolusjon.”

De store språkmodellene er superutgaver av den funksjonen vi alle har på våre telefoner: Når vi skriver et eller flere ord, gjetter systemet seg til hva det neste ordet vil være, og kommer med forslag. De store språkmodellene har en langt større base enn vi har på våre telefoner, så de er flinkere til å forutse hvilke ord man vil velge. Men disse systemene vet ingen ting, og de forstår ingen ting. I alle fall vet eller forstår de ikke mer enn hva et leksikon vet eller forstår.

Datasystemer er bedre enn oss mennesker på noen områder. En datamaskin kan gjøre det samme millioner av ganger, uten at den går lei og dermed begynner å slurve — slik vi mennesker gjerne gjør når det blir for mange repeterende oppgaver. Datamaskiner kan kjenne igjen mønstre, og de kan ha et veldig stort datagrunnlag som basis for denne mønstergjenkjenningen. Det er mange mønstre som kan identifiseres: Mønstre i bilder, f.eks. røntgenbilder, tekstmønstre, musikkmønstre, handlingsmønstre, osv. Datamaskiner kan derfor ofte lettere enn oss mennesker identifisere avvik fra en slags normal. Hvis systemene er trent og programmert til det, kan de også identifisere og klassifisere ulike former for normalavvik, f.eks. et brudd eller en kreftsvulst på et røntgenbilde. Ofte vil avvikene sorteres ut, som noe som må undersøkes nærmere av kvalifiserte mennesker.

Datamaskiner kan også gjenskape mønstre som de er trent opp til. Med store databaser kan de kombinere ulike mønstre, som det som kalles morphing. Det er dette som gjør at vi f.eks. kan kombinere et bilde av en person med et bilde av en løve, og få personen til å se ut som en slags løve. Mange vil oppfatte dette som nytt, spennende og kreativt, inntil de går lei. Er ikke de fleste av oss allerede temmelig lei av intetsigende, KI-genererte illustrasjoner? Om kunstig intelligens og kunst, anbefaler jeg denne fra The Oatmeal.

I alle fag kreves en solid kunnskapsbase. Det er denne man skal tilegne seg i løpet av studiet. Dette er den faglige grunnmuren, som må videreutvikles ved at man tilegner seg ferdigheter i faget. I noen fag kreves først og fremst intellektuelle ferdigheter, i andre mer praktiske ferdigheter — i de fleste fag kreves en blanding av begge to. Men også intellektuelle ferdigheter er ferdigheter som må trenes opp. Man skal kunne tenke og argumentere selv, det holder ikke å kunne gjengi hva andre har tenkt og eller hvordan andre har argumentert. Om argumentene presentere i en lærebok, under en forelesning eller av en språkmodell, spiller ingen rolle. Man må kunne gå videre fra dette, slik at man tenker og argumenterer selv.

Jeg går igjen tilbake til boken «Musikk og hjernen» av Are Brean og Geir Ove Skeie. De skriver på s. 114 om hva som skal til om man vil bli virkelig god i noe. De viser til en undersøkelse foretatt av og en bok skrevet av den svenske psykologiprofessoren Anders Ericsson (som jeg ikke har lest). De skriver om hva som skal til for å bli en vrkelig god musiker, den som vil bli best. Men det samme gjelder nok på de fleste områder. Det gjelder nok også for alle som vil bli gode i et fag, ikke bare for de som vil bli best.

“Man må selvsagt trene hardt over lang tid. Men det er ikke nok. I tillegg må man identifisere sine svake sider, og trene disse spesifikt, man må sette seg oppnåelige mål og trene mot disse, og samtidig våge seg ut av komfortsonen. Altså utfordre seg selv – kontinuerlig.”

Hjerneforsker Kaja Nordengen skriver dette om de såkalte “vinnerskaller” på s. 106 i boken “Hjernen er stjernen“:

“Du kommer imidlertid ikke dit uten innsats. Viljen til å vinne er ikke verdt noe uten den daglige innsatsen for å gjøre det som kreves av forberedelser.”

KI som er trent opp til det, kan sikkert bidra til å identifisere svake sider og fortelle hva vi må trene på. Men vi blir ikke gode av at KI forteller oss dette. Vi må fortsatt trene selv. Vi blir ikke spreke av å lese treningsprogrammer, enten disse er laget av kompetente mennesker eller av KI.

Vi kan lære mye av å lese, være på forelesninger, se videoer, og sikkert også av å bruke det som presenteres i språkmodeller. Men de kan stort sett ikke bringe oss lenger en til å fortelle oss at dette er noe vi må reflektere over og trene på. Uten denne refleksjonen og treningen, lærer vi ikke stort. Uansett hva vi studerer, må vi trene på å løse oppgaver som simulerer det vi skal arbeide med i faget. Hvis vi skal lære, må vi løse oppgavene selv. Vi må løse mange oppgaver, og vi bør helst løse dem flere ganger. Om vi får andre til å løse oppgavenen, enten det er andre mennseker eller språkmodeller, lærer vi ingen ting.

På unniversitetsnivå skal man studere store og vanskelige spørsmål, og komplekse sammenhenger. Da nytter det ikke med enkle forklaringer på barnehagenivå. Det har alltid vært noen som har trodd at man kan forklare det vanskelige på en enkel måte, slik at folk forstår det. Det går som regel ikke. Det vanskelige er faktisk vanskelig. Det nytter ikke med enkle sammendrag og forklaringer på barnehagenivå, enten de er laget av mennesker eller kunstig “intelligens”.

Hva man har lest, hvor og hvordan man har tilegnet seg kunnskapene, er likegyldig. Det avgørende er hva man har lært og kan, ikke hva man har lest. Store og kompliserte spørsmål krever ganske omfattende tekster. Om man har lest disse på papir eller på en skjerm, spiller ingen rolle. Jeg er ikke motstander av at studenter og andre bruker språkmodeller. Men jeg har ingen tro på at de lærer det de skal lære ved å holde seg til forenklede sammendrag av det de skal lære.

Hvis målet bare er å få tatt eksamen, ikke å lære, kan noen snarveier sikkert fungere. Hukommelseskunstneren Oddbjørn By skriver i sin bok «Bedre hukommelse. Best of Memo» om hvordan han ved å bruke hukommelsesteknikker kunne lynstudere og lese noen universitetsfag på meget kort tid, og klare seg bra til eksamen. Men Hilde og Ylva Østby skriver i sin bok “Å dykke etter sjøhester” at han etter et år hadde glemt det meste. (Jeg har ingen av de bøkene for hånden her hvor jeg er nå, så jeg kan ikke presise referanser.)

Mye vil kunne variere fra fag til fag, også kvaliteten på lærebøkene. Dessverre verdsettes ikke det å skrive gode lærebøker eller å utvikle andre læremidler i akademia. Man får publiseringspoeng for vitenskapelige publikasjoner. En monografi i form av en lærebok kan være et vitenskapelig arbeid, og slik sett gi publiseringspoeng. Men hvis man virkelig har vitenskapelige pretensjoner og dermed forsøker å ri to hester når man skriver noe som også skal fungere som en lærebok, blir det som regel ikke en god lærebok. I alle fall blir det ikke en god lærebok for studenter på et begynnernivå. En god lærebok eller et annet læremiddel laget for studenter på begynnernivå skal formidle det grunnleggede i faget. Det er veletablert kunnskap. Hvis forfatteren samtidig vil presentere nye viteskapelige funn, rakner lett formålet å kunne fungere for begynnerstudenter.

Ronja Løvtveit studerer sykepleie. Noen vil huske hvordan det gikk da litteraturkritiker Cathrine Krøger begynte å studere sykepleie, og anmeldte pensumlitteraturen. Cathrine Krøger er ikke kjent for å bruke silkehansker i sine anmeldelser, og hun var ikke nådig denne gangen heller. Jeg håper at det hun beskrev ikke er representativt for hva studenter møter i høyere utdanning.

Selvfølgelig skal studenter lære å bruke teknologi, også store språkmodeller, som er en langt bedre betegnelse enn “kunstig intelligens”. Det ble enklere å skrive da vi fikk tekstbehandling med stavekontroll og senere gramatikkontroll og mer avanserte funksjoner. Men når vi ser hvor mange orddelingsfeil slike programmer lager, ser vi at de sliter, selv på et ganske banalt nivå.

Innholdet må vi stå for selv. Teknologien vil også kunne gi oss bedre søkeverktøy og vil, når den er videreutviklet og tilpasset de ulike fag, kunne hjelpe oss med å sortere alle de kildene vi finner, slik at vi kan konsentrere oss om det viktigste. Men det er fagfolk som må vurdere hvilke kilder som er viktige om som må tolke kildene, og det er de som må stå for treningen av systemene. Heller ikke her er det slik at “One size fits all” og at en generell språkmodell som ChatGPT kan løse våre oppgaver innenfor alle fagområder, selv om noen i sin naivitet synes å tro det. Også i Norge har vi opplevd at en advokat har sendt et KI-generert prosesskriv til Høyesterett, med oppdiktede kilder.

Som student skal man ikke bare kunne gjengi et faglig innhold. Man skal opparbeide ferdigheter, slik at man er i stand til å anvende faget, og de beste skal kunne bidra til å utvikle faget videre. Å anvende et fag er noe helt annet enn å kunne gjenfortelle det noen har skrevet om et emne. Det er mer åpenbart i noen fag enn i andre, men jeg tror vi finner det i alle fag. Hvis du skal studere et språk, da må du kunne snakke og skrive språket. Det holder ikke å kunne gjengi gloser og noen grammatikalske regler, slik Øyestein Sunde gjør i Tyskleksa:

Jeg har fulgt diskusjonene om anvendelse av kunstig intelligens innenenfor det juridiske doménet, om enn på litt avstand, fra 1980-tallet. Da fablet noen om at de skulle kunne erstatte dommere og advokater med kunstig intelligens, den gangen gjerne omtalt som ekspertsystemer. På andre områder ville noen erstatte leger og andre profesjoner med tilsvarende systemer. Jeg fulgte denne utviklingen på avstand, fordi jeg var skeptisk den gangen og er skeptisk i dag.

Noen utviklere har et ego og en arroganse nesten på nivå med Donald Trump, når de tror at de med sin teknologi skal kunne erstatte høyt utdannede fagfolk innenfor fag de selv ikke berhersker. Til noen oppgaver vil mennesker bli erstattet av teknologi. Det er en historie som går minst fra Spinning Jenny til kunstig intelligens. Skatteetaten og NAV ville ha vært gigantinstitusjoner om man skulle ha beregnet skatt og trygd manuelt. Forsikringsselskaper og banker ville ha vært noen mastodonter uten teknologien. Banktjenester ville ha vært langsommere og dyrere, og mange av de tjenester vi i dag tar for gitt ville ikke ha eksistert uten datateknologien. Mange portrettmalere så at markedet forsvant da vi fikk fotografiet. Med en ny omdreining av teknologiutviklingen vil andre yrker, med eller uten grunn, kunne føle seg truet.

Universitetene må tilpasse seg KI, og at studenter bruker det. Det skjer på mange måter, og det tar tid. Mange ble tatt på senga av de store språkmodellene. Det kan godt hende at de kan gi viktige bidrag i undervisingen og i studentenes læring. Vi kan likevel ikke gi etter for kravet: Vi vil ha alt, og vi vil ha det NÅ!

Det tar tid å finne ut hvordan vi kan nyttiggjøre oss teknologien. Dette er ikke tekniske spørsmål. Teknologien finnes. Utfordringen er det faglige innholdet, og om det kan tilpasses og tilretteleggies for en slik lærings- og praksisteknologi. Det er ikke teknologien som er utfordringen, det er anvendelsen av den innenfor ulike fag og profesjoner. Dette krever mye arbeid og ressurser. Når veldig mye er basert på enkeltpersoners entusiasme og ubetalt fritidsarbeid, må det gå langsomt.

En del av det vi lærer blir med tiden foreldet. Da jeg gikk på det som den gangen het gymnaset, lærte vi å regne med regnestav, og vi lærte prosjeksjonstegning. Jeg tror ikke man lærer noe av det på videregående skole i dag. Men jeg tror heller ikke at noen tok skade av å lære det.

Mange læresteder innførte hjemmeeksamen under covid-pandemien, og praksisen har fortsatt. Nå ser man en tendens til at man går bort fra hjemmeekseamen. Det blir for lett å jukse ved å bruke språkmodeller. Jeg har sett eksamensbesvarelser fra hjemmeeksamen hvor det har vært åpenbart at studentene har brukt en eller annen form for KI. I disse tilfellene tok vi oss ikke bryet med å starte en prosess med påstand om fusk. Besvarelsene var så dårlige at vi ganske enkelt strøk dem. Men noen har sikkert også gjort bruke av ekte intelligens, slik at de kunstige sporene ikke blir like åpenbare.

Vi ser at man går tilbake til skoleeksamen, og også til muntlig eksamen. Ved en muntlig eksamen får man ikke noen hjelp av store språkmodeller. Muntlig eksamen kan erstatte den tradisjonelle, skriftlige eksamen. Og den kan være slik at studenter må forsvare f.eks. en masteroppgave eller andre innleveringsoppgaver muntlig, hvor formålet først og fremst er å kontrollere at de berhersker innholdet på en slik måte at det er sannsynlig at dette er noe de har skrevet selv.

At studentene bruker teknologi til å ta snarveier og til å jukse, gir ikke læring.