Udgivet på LinkedIn August 30, 2023
Endnu engang velkommen til AI og uddannelse - nyhedsbrevet, der beskæftiger sig med krydsfeltet mellem kunstig intelligens og uddannelse, strategisk såvel som praktisk.
I denne udgave af nyhedsbrevet går vi lavpraktisk til værks og kigger nærmere på, hvad man kan bruge kunstig intelligens og en chatbot som eksempelvis ChatGPT til, hvis man arbejder med uddannelse.
Holdningerne til AI er mange, og det fremmer ikke ligefrem forståelsen, når 733 nye apps, prompting, neural networks, sprogmodeller, NLP, maskinlæring og lignende begreber rundkastes som det mest naturlige i verden. Så lad os indledningsvis prøve at reducere kompleksiteten en smule.
Du kender sikkert allerede til AI
Hvis du bruger Netflix, Spotify eller en lang række andre apps på din telefon eller andre devices, så anvender du allerede teknologi, der er baseret på AI. Kunstig intelligens er for længst blevet en integreret del af vores hverdag, og det klassiske eksempel er, at teknologien bruges til at tilpasse vores oplevelser - den 'gætter' eksempelvis på musik eller film, du formentlig vil være interesseret i på baggrund af din historik. Vi giver typisk vores samtykke og tilladelse (permissions) som modydelse for, at Google Maps kan hjælpe os med at finde vej og forsøge at undgå myldretidstrafikken undervejs. Det er som sådan ikke nyt.
Det nye er den seneste tids udvikling inden for Large Language Models (LLM), altså store sprogmodeller baseret på enorme mængder data. Samtidig er det ret nyt, at kunstig intelligens er blevet mere brugervenligt i betjeningen med eksempelvis chatbots. Hvis du bruger Messenger eller lignende, eller hvis du har prøvet en chatbot på hjemmesiden hos et forsikringsselskab eller en elektronikforhandler, så har du allerede en rigtig god idé om, hvordan det virker. Fra et brugerperspektiv er det ikke væsentlig anderledes.
Om prompts og prompt engineering
Begreberne ‘prompting’ og ‘prompt engineering’ i forbindelse med AI vil formentlig være nye for de fleste. Det lyder mere kompliceret end det behøver at være. Jovist, prompt engineering er en faglighed som så meget andet, men det at kunne skrive en god ‘prompt’ - altså tekst eller kommando - det kan enhver lære på ganske kort tid.
Nedenfor skal vi se nogle konkrete eksempler, du forhåbentlig vil kunne bruge i din hverdag, men først et par opmærksomhedspunkter.
Sådan virker det: Når du eksempelvis i ChatGPT skriver en prompt (en besked), så sendes der besked til modellen (den kunstige intelligens bagved, som du ikke kan se), og modellen producerer så en completion (besvarelse) som er det svar, du ser på skærmen. Det ser eksempelvis sådan ud, hvor min prompt er øverst og besvarelsen er nederst:
Systemet er chatbaseret. Det vil sige, at du kan fortsætte med at korrigere de svar eller spørgsmål du får, således at der opstår en cyklus med besked-fuldførelse, besked-fuldførelse, etc. Styrken ved at arbejde på denne måde med en chatbot som ChatGPT er, at der bliver skabt en kontekt for dine beskeder, så svarene bliver mere og mere brugbare i den enkelte samtale.
Den underliggende sprogmodel baserer sig groft sagt på ‘alt godt fra havet’. Modellen er ikke trænet kun på uddannelsesdata, men i princippet på al fri tilgængelig information på internettet, godt som dårligt. Det betyder, at den yder bedst, hvis den får hjælp til at forstå konteksten - eksempelvis uddannelse.
Chatbotten kender intet til dig eller dine forudsætninger. Tænk på chatbotten som en ekstremt begavet men naiv assistent, der skal hjælpes til at forstå din kontekst.
Note: Mine eksempler nedenfor er alle lavet med ChatGPT-4, men du kan fint bruge ChatGPT-3.5, Bing, Bard, Claude eller tilsvarende AI-chatbots (dog kræves der Code Interpreter / Advanced data analysis for at kunne generere tabeller og lignende).
Forskellige tilgange til prompting
For at få brugbart materiale ud af en AI-chatbot skal du levere brugbart input. Det handler i sin enkelhed om at skabe konteksten og forudsætningerne for de besvarelser, du gerne vil have. Det kan gøres på flere forskellige måder, men her er tre af de mest gængse:
1. Du kan skrive frem og tilbage med chatbotten ganske frit, indtil du får indkredset emnet og svarene bliver brugbare. Det kan være et rigtig godt sted at begynde og opnå fortrolighed med at bruge eksempelvis ChatGPT. Her er et banalt eksempel på, hvordan de første prompts kan se ud:
Chatbotten fortsætter herefter med at spore sig ind på emnet, og eksempelvis vil den gerne kende niveauet vi skal undervise på, hvilket jo er oplagt inden undervisningen/lektionsplanerne detailplanlægges.
2. Du kan også hjælpe chatbotten på vej ved at give den lidt mere kontekst fra begyndelsen. Eksempelvis kunne du have indledt sådan:
Nedenfor ser du begyndelsen af besvarelsen, der faktisk er et ganske udmærket udgangspunkt, og derfra fortsætter chatbotten så med flere lektioner og de didaktiske overvejelser:
3. Du kan også vælge at sætte scenen endnu tydeligere allerede i din første prompt. Fordelen ved denne tilgang kan være, at systemet hurtigt spores ind på den slags output, du formentlig er interesseret i. Ulempen kan være, at det tager længere tid at prompte, og at du måske ikke altid er helt klar over, hvad du præcist søger hjælp til af chatbotten. Jeg prøver med følgende prompt, der giver systemet endnu flere informationer om, hvad jeg efterlyser:
Foruden lektionsplanen ovenfor og de efterfølgende didaktiske overvejelser får jeg nu også disse idéer eller arbejdsspørgsmål til min undervisning:
Ikke alle forslag er lige anvendelige, naturligvis, men så kan man jo bare bede om 5, 10 eller 20 forslag mere. Idégenerering er nemlig en af de ting, en chatbot er rigtig god til.
Sammenfattende vil jeg anbefale at give så præcise og specifikke rammer for opgaven som du kan. Men chatbots kan være uforudsigelige - ligesom mennesker - og det er sjældent, at du får det mest optimale resultat i første forsøg. Prøv igen og tilpas løbende.
Tabeller
Nedenfor vil jeg give et par eksempler på, hvordan ChatGPT med Code Interpreter / Advanced data analysis kan bruges til at generere tabeller, oversigter og lignende. Denne type prompt bør være relevant for dig, hvis du arbejder med skemaer, undervisningsplaner, oversigter, semesterplaner, evalueringer og lignende. For mit vedkommende er udgangspunktet censorarbejde:
Som du kan se, så giver jeg systemet
en kontekst (du er censor på de danske universiteter)
en opgave / instruktioner (brug kriterierne fra vedhæftede læringsmål)
formmæssige krav (lav en tabel og brug gængs dansk uddannelsesterminologi)
Jeg får denne enkle, men brugbare tabel tilbage:
Ganske som i de tidligere eksempler er besvarelsen ikke nødvendigvis helt fin i kanten - det er jo en proces - men nu er vi i gang, og jeg justerer blot med mine prompts, indtil jeg er tilfreds. Til sidst eksporterer jeg filen til word, excel eller hvad end jeg måtte ønske. Voila.
Hvis du importerer data til ChatGPT kan den hjælpe med forskellige analyser, ligesom den kan generere grafik som nedenstående på baggrund af data. Detaljerne springer vi dog over denne gang, da vi skal videre til det sidste tip i nyhedsbrevet for denne gang.
Kritisk sparring med den sure, gamle mand
I det sidste eksempel vil jeg tage udgangspunkt i en studieordning. Formålet er at få idéer til forbedringstiltag, eksempelvis forud for en opdatering af studieordningen. Den konkrete anvendelse kunne også være evalueringsprocesser, trykprøvning af idéer til diverse oplæg eller inden rundsendelse af materiale, argumenter til en lønforhandling - og alt muligt andet.
Nu vil jeg prøve at få ChatGPT til at vise en smule tænder, og det kræver, at jeg eksplicit instruerer den i at tillægge sig en lettere grænsesøgende adfærd. Det opnår jeg ikke særlig godt ved at chatte frem og tilbage, så her sætter jeg fra starten en ret præcis ramme for at få brugbare output:
Som i det foregående eksempel prompter jeg igen ved at tænke over og formulere:
en kontekst/rolle (du er underviser og deltager i et møde- du er kynisk, men kompetent)
opgave (giv kritik af studieordningen)
formkrav (punktform)
Det første tilbageløb jeg får ses her:
Afslutningsvis beder jeg ChatGPT om at være endnu mere kritisk end i det første svar, og så begynder det at blive ret interessant i et udviklingsperspektiv, synes jeg. Bedøm selv:
Afsluttende bemærkninger
Mange tak fordi du læste med.
Forhåbentlig har denne korte gennemgang medvirket til, at arbejdet med AI-chatbots virker spændende, konkret og produktivt nok til, at du begynder at arbejde med det.
Hvis du kunne bruge indholdet, så vær rar at dele nyhedsbrevet med dit netværk. På forhånd mange TAK 🙏
Vh. Jeppe
PS Har du mon tænkt over, at begrebet AI faktisk ikke er særlig heldigt? Både ‘kunstig’ og ‘intelligens’ er ord med mange associationer og betydninger på både dansk og engelsk, men det er ikke desto mindre det, vi har at arbejde med. Det er en gammel diskussion, der går helt tilbage til 1950'erne, hvor AI som begreb blev introduceret på en konference på Dartmouth College i USA. Et alternativt begreb der blev foreslået dengang var 'cybernetics'. Om det ville have været bedre i dag kan man diskutere, men det er en helt anden historie.
