Hvordan gjøre kunstig intelligens til forskerens personlige assistent

Gjennom KI-skole-serien i Khrono har vi vist hvordan kunstig intelligens allerede former akademia, fra forskning og undervisning til administrasjon. Samtidig har vi understreket viktigheten av å være bevisst fallgruvene. Uten varsomhet risikerer vi å undergrave akademisk tankegang, der egen refleksjon svekkes og skjevheter forsterkes.

I denne siste delen av KI-skolen skal vi se nærmere på hvordan kunstig intelligens og språkmodeller kan fungere som praktiske assistenter. Teknologien kan effektivisere rutineoppgaver, frigjøre tid til kjerneaktiviteter og samtidig heve kvaliteten på det som produseres.

En stor del av arbeidsdagen i akademia går med til oppgaver som ikke er direkte knyttet til forskning og undervisning. Møter, e-poster, administrativt arbeid og byråkratiske prosesser stjeler tid og etterlater mindre rom for fordypning og faglig nyskaping. 

KI kan avlaste oss på mange av disse områdene, men i denne delen retter vi blikket mot det som virkelig betyr noe — akademias kjerneoppgaver.

ki-skolen

Dette kan du bruke KI til i hverdagen

Effektivitet versus kvalitet

Vi vet alle at både publiseringspresset og antall studenter øker, noe som fører til stadig høyere krav til oss forskere, en utvikling som sannsynligvis vil fortsette. Når arbeidsmengden øker, er det en risiko for at kvaliteten synker. Kunstig intelligens kan være en katalysator som bidra til økt effektivitet, men også redusert kvalitet hvis den brukes feil.

Språkmodeller kan hjelpe oss med å skrive flere forskningsartikler og forskningsrådssøknader, fagfellevurdere flere publikasjoner og undervise i flere fag, rett og slett fordi de kan overta deler av arbeidet.

Men dette er ikke nødvendigvis en utvikling vi ønsker. 

Ingen ønsker at akademisk arbeid skal reduseres til en form for masseproduksjon, en slags «fast food science». I stedet ønsker vi å bruke KI til å heve kvaliteten på forskningen, styrke undervisningen, øke den analytiske dybden og sikre at arbeidet gir grundigere og mer presise resultater.

I denne artikkelen presenterer jeg konkrete eksempler på hvordan forskere, undervisere, studenter og andre i akademia kan integrere KI i sitt daglige arbeid på en måte som både forenkler og forbedrer oppgavene.

Målet er ikke å la teknologien overta forskningen, men å bruke den som et verktøy for å frigjøre tid, slik at den som forsker kan fokusere på metodisk fordypning, kunnskapsutvikling og de oppgavene som virkelig krever kritisk tenkning. Riktig anvendt kan KI bidra til økt kvalitet og åstyrke det faglige arbeidet.

I tidligere deler av KI-skolen har vi sett på skrivehjelp og litteraturanalyse. Nå skal vi dykke dypere inn i de sentrale aktivitetene som utgjør akademisk arbeid, fra å utvikle hypoteser og utforme forskningsdesign til å gjennomføre dataanalyse.

I denne delen av KI-skolen bruker jeg hovedsakelig ChatGPT som eksempel, men det finnes en rekke språkmodeller med ulike funksjoner og muligheter, og du bør velge den språkmodellen som passer ditt behov. Se KI-skolens del 3 for en oversikt.

KI-skolen

Slik «snakker» du med kunstig intelligens

La KI foreslå hypoteser

Hypoteser er avgjørende fordi de danner grunnlaget for systematisk utforskning og vitenskapelig forståelse. Uten klare hypoteser famler vi forskere i blinde, mens gode hypoteser gir retning og struktur til undersøkelsene.

Her kan kunstig intelligens være til stor hjelp. En språkmodell kan foreslå hypoteser basert på eksisterende kunnskap og mønstre i data. På denne måten kan KI bidra til å avdekke nye sammenhenger og inspirere forskere til å stille enda skarpere spørsmål.

Eksempelvis kan vi spørre ChatGPT direkte om å komme med forslag til hypoteser med følgende instruks:

­
ChatGPT svarer:

­
Dette kan være et nyttig førsteutkast hvis du skal starte et nytt arbeid om hvordan digitale læringsplattformer påvirker studenter. 

Men vi kan ta hypoteseforslagene et skritt videre ved å gi ChatGPT et solid fundament basert på relevant litteratur.

Hypoteser bygget på forsknings­litteratur

Som forskere har vi inngående kjennskap til de mest innflytelsesrike arbeidene innen vårt felt og en klar forståelse av hvilke spørsmål som bør utforskes.

Ved å veilede språkmodellen med nøye utvalgte kilder og relevant kontekst, kan vi ikke bare forankre hypoteseforslagene i vår egen ekspertise, men vi har også muligheten til å utvide perspektivet ved å utforske mulighetene som ligger i den nyeste forskningen.

Vi kan gi ChatGPT følgende instruks:

­
ChatGPT svarer:

­
Her bruker ChatGPT faktisk forskning som grunnlag, der du som forsker selv velger hvilke artikler som skal danne utgangspunkt for hypotesene.

I stedet for at modellen baserer seg på generelle kilder, har du full kontroll over prosessen og sikrer at den bygger videre på relevant og pålitelig forskning. 

Dette gir langt større presisjon og transparens i hypoteseforslagene, ettersom språkmodellen ikke bare genererer ideer, men også begrunner dem ut fra de valgte kildene.

Dialogen kan og bør fortsette. Du kan justere, tilføre nye artikler og styre diskusjonen i ønsket retning. Se KI-skolen del 2 om hvordan føre en samtale med språkmodellene.

KI-skolen, del 3

Her er de viktigste og nyttigste KI-verktøyene

Datadrevne hypoteser

Vi kan ta dette et steg videre ved å la språkmodellen foreslå hypoteser direkte fra et datasett, enten et du har samlet selv eller et som andre forskere har satt sammen. 

På denne måten kan KI bidra til å avdekke mønstre og sammenhenger som ellers kunne gått ubemerket hen.

La oss se på et eksempel:

­
Dataene er lastet ned fra Student Engagement and Empowerment (SEE) Project, Washington, 2014—2019 (ICPSR 37659.

Datasettet inneholder brukerundersøkelser med svar fra en bred gruppe studenter, både i form av avkrysningsspørsmål og utdypende beskrivelser av deres opplevelser av hvor nyttige og engasjerende ulike deler av studiet var.

ChatGPT svarer:

­
Å la ChatGPT analysere dataene dine og følge instruksjonene dine gir et solid grunnlag for videre utforskning. 

Det kan brukes til mye, blant annet å definere hypoteser basert på faktiske datakilder, avdekke mønstre som ellers kunne gått ubemerket hen, eller foreslå nye retninger for eksperimenter og analyser.

KI-skolen, del 4

Slik kan KI hjelpe deg med språk­vask, illustrasjoner og presentasjoner

Forskningsdesign med KI

Dette kan videreutvikles ved å bruke språkmodeller til å utforme et forskningsdesign. Gjennom målrettede spørsmål kan modellen foreslå metodikk, identifisere relevante variabler og anbefale egnede analyseverktøy, noe som styrker både struktur og gjennomføring av studien.

La oss se på et eksempel hvor vi fortsetter etter at vi har lastet opp dataene fra Student Engagement and Empowerment.

Instruks:

­
ChatGPT svarer:

­
Modellen gir metodeforslag, utvalgsstrategier og relevante analysemetoder. Selv om dette er en nyttig start, er det åpenbart at det alene ikke er tilstrekkelig for å sette i gang studien. 

Igjen, målet er ikke å la ChatGPT gjøre forskningen for oss, men å bruke den som et verktøy for idéutvikling og strukturering.

Forskningsprosessen krever kritisk refleksjon og metodisk presisjon, noe forskeren selv må sikre. KI kan fungere som en sparringpartner og bidra til å styrke forskningsdesignet, men det er opp til forskeren å forme og gjennomføre studien.

Vi kan derfor fortsette dialogen med ChatGPT, få den til å justere metodene og komme med alternative forslag.

KI-skolen del 5

Slik kan du bli lurt av kunstig intelligens

Lage bruker­undersøkelser

Vi kan fortsette dialogen med ChatGPT innenfor det samme forskningssporet, men denne gangen med fokus på utforming av brukerundersøkelsen.

Språkmodellen kan bistå med å formulere relevante spørsmål ved hjelp av følgende instruks:

­
ChatGPT er, som alltid, hjelpsom:

­
Like verdifullt som å be ChatGPT om direkte forslag, er det å bruke modellen som en sparringpartner etter at du selv har utformet et utkast til brukerundersøkelsen. 

Du kan laste opp spørsmålene dine og få modellen til å identifisere svakheter og forbedringsområder, foreslå alternative formuleringer og justeringer, knytte spørsmålene til relevant forskningslitteratur, vurdere om forskningsdesignet dekker alle nødvendige aspekter, påpeke eventuelle skjevheter eller manglende perspektiver og mer.

En slik prosess kan bidra til å styrke undersøkelsens kvalitet og sikre at den er både metodisk solid og forskningsmessig relevant.

På samme måte kan språkmodellen brukes i andre deler av forskningsprosessen, ikke bare som en sparringpartner for hypoteser og undersøkelser, men den kan foreslå analysemetoder, strukturere intervjuguider eller gi innspill til hvordan forskningsfunn kan formidles på en klar og engasjerende måte.

KI-hjelp til dataanalyse

En viktig del av både kvalitativ og kvantitativ forskning er dataanalyse. Kvantitative forskere, i særdeleshet, bruker mye tid på å analysere, visualisere og tolke data gjennom statistiske metoder for å avdekke mønstre og sammenhenger. Dette gjelder alt fra eksperimentelle analyser av algoritmer, som jeg forsker på, til enhver annen form for dataanalyse.

Her kan også språkmodeller være til stor hjelp. De kan bistå med å analysere store datamengder, identifisere mønstre, oppsummere sentrale funn og til og med foreslå alternative analysemetoder. På denne måten kan KI ikke bare effektivisere arbeidsflyten, men også bidra til dypere innsikt i forskningsdataene.

I eksemplene som følger, analyseres vin gjennom kjemiske data samlet fra én italiensk region og tre ulike druesorter. Selve vinen er ikke hovedfokuset — det er analyseteknikkene og hvordan en språkmodell kan støtte forskningen. 

Ulike fagfelt benytter forskjellige metoder, og her demonstreres en regresjonsanalyse kombinert med visualisering og en enkel maskinlæringsmodell. Maskinlæringsmodellen forutsier hvilken vingård en vin stammer fra basert på dens kjemiske sammensetning.

Språkmodeller kan naturligvis håndtere mange ulike statistiske metoder, men målet her er ikke å dekke alle muligheter — det er å vise en konkret analyse i praksis. Forskere kan bruke språkmodeller til å teste nærmest hvilken som helst dataanalyseteknikk, fra enkle statistiske metoder til avanserte maskinlæringsmodeller. Her presenteres ett eksempel på hvordan slike verktøy kan brukes i praksis.

Vi tar utgangspunkt i en vinstudie presentert i «Aeberhard, S., Coomans, D., & De Vel, O. (1994). Comparative analysis of statistical pattern recognition methods in high dimensional settings. Pattern Recognition, 27(8), 1065—1077. 

Dataene kan lastes ned fra UC Irvine Machine Learning Repository.

Først etablerer vi konteksten for ChatGPT ved å introdusere vinstudien og gi en presis instruks:

­
ChatGPT2 svarer:

­
La oss si at vi har en forskningshypotese om at det er en sammenheng mellom farge og alkoholprosent. Du kan vi for eksempel først se på dataene, og be språkmodellen lage en graf med følgende instruks:

­
ChatGPT koder da et lite python-script for å gjøre analysen, kjører sin egen kode, og presenterer resultatene i form av visualiseringer, som i dette eksempel er et  dataplott:

­
Det er viktig å forstå at det ikke er ChatGPT som utfører selve analysen. Den skriver koden for oss, og det er denne koden som gjennomfører beregningene. 

Denne åpne Python-koden, som like gjerne ChatGPT kunne skrevet i Matlab, R eller Excel, kan granskes i detalj av oss akademikere, kvalitetssikres og justeres ved behov. Eventuelle feil eller «hallusinasjoner» oppstår i selve koden, ikke i analysen.

Så lenge vi kvalitetssikrer koden før vi bruker den, kan vi derfor ha høy tillit til at analysen er korrekt. Faren for hallusinasjoner er minimal fordi det er den faktiske Python-koden som utfører analysen, ikke ChatGPTs språkmodell. Se KI-skolen del 5 for utfordringer knyttet til hallusinasjoner.

Vi kan ta analysen et steg videre ved å bruke regresjonsanalyse, en metode som ofte benyttes for å avdekke mønstre, kartlegge sammenhenger mellom variabler og forutsi fremtidige verdier basert på historiske data. 

I dette tilfellet kan vi undersøke om det finnes en lineær sammenheng mellom farge og alkoholprosent. Med andre ord: Har mørkere viner en tendens til å inneholde mer alkohol?

Instruks:

­
ChatGPT fortsetter å kode, og grafen koden spytter ut, er:

­
Samtidig svarer ChatGPT:

­
Ifølge ChatGPTs analyse finnes det en viss sammenheng mellom vinens farge og alkoholprosent, men den er ikke særlig sterk. For å sjekke hvor pålitelig denne sammenhengen er, kan vi se nærmere på residualene — altså forskjellen mellom den faktiske alkoholprosenten i vinene og den prosentandelen modellen vår forutsier.

Enklere sagt: Vi sammenligner de faktiske målingene med den røde linjen ChatGPT nettopp tegnet, og ser hvor mye de avviker.

Hvis disse avvikene fordeler seg jevnt rundt null, betyr det at modellen treffer ganske godt. Men hvis vi ser et tydelig mønster, for eksempel at modellen konsekvent bommer i én retning, kan det være et tegn på at vi mangler viktige faktorer eller at sammenhengen ikke er så enkel som en rett linje. 

Kort sagt, vi sjekker om modellen holder mål, eller om vi må finjustere den for å få et mer realistisk bilde.

Vi kan derfor spørre:

­
Språkmodellen plotter:

­
Og svarer:

­
Vi må selvfølgelig kvalitetssikre resultatene, men fordelen er at vi kan åpne Python-koden og, så lenge vi forstår den, undersøke i detalj hvordan modellen fungerer.

I tillegg kan vi følge med på plott og visualiseringer for å bekrefte at modellen faktisk leverer meningsfulle resultater.

Og vi kan gå langt utover enkle 2D-plott, for eksempel med følgende instruks:

­
ChatGPT svarer med denne figuren:

­
Eller vi kan be den lage et lite dataprogram som gjør at vi selv kan leke oss med visualiseringen på en interaktiv måte:

­
ChatGPT svarer med følgende demo:

Vi kan gå videre med instruksen «Lag en heatmap av alle variabler», som gir en visuell framstilling av hvordan de ulike faktorene påvirker hverandre.

Heatmapen viser hvor sterke sammenhengene er, for eksempel om høyere alkoholprosent ofte henger sammen med mørkere farge, eller om fargetone (engelsk: hue) har en tydelig kobling til syrenivået.

Jo sterkere sammenheng, desto mer markert blir den i fargeskalaen, slik at vi raskt kan oppdage mønstre og trender i dataene.

­
Og vi kan finne «nålen i høystakken» med følgende instruks:

­
Den svarer:

­
Og i tillegg kommer den med en grafisk visualisering:

­
Det finnes utvilsomt flere viner å velge mellom, men ChatGPT viser likevel et godt valg. 

Språkmodeller kan selvfølgelig brukes til mye mer enn å finne den flasken på Vinmonopolet med høyest alkoholprosent og lavest syre. De kan anvendes til dataanalyser på en rekke andre vitenskapelige områder, for eksempel:

• Medisin: Identifisere mønstre i pasientdata for å finne sammenheng mellom sykdommer.
• Klimaforskning: Analysere værdata for å forutsi ekstreme værhendelser og klimaendringer.
• Genetikk: Kartlegge genetiske sammenhenger for å forstå arvelige sykdommer.
• Økonomi: Forutsi markedsutviklinger basert på store mengder historiske finansdata.
• Astrofysikk: Tolke teleskopdata for å oppdage eksoplaneter eller forstå universets utvikling.

Og selvsagt en rekke andre.

Språkmodeller forenkler dataanalyse og gir ny innsikt på tvers av fagfelt. De håndterer beregninger, oppsummeringer og statistiske tester, slik at forskeren kan fokusere mer på den kreative og analytiske delen av arbeidet.

Opprydding i data

Når vi arbeider med ekte data, vil feil uunngåelig oppstå. Målinger kan være unøyaktige, sensorer kan svikte, registreringer kan være mangelfulle, formater kan være inkonsekvente, og menneskelige feil kan snike seg inn i prosessen.

Noen ganger må vi rydde opp i dataene i etterkant, og språkmodeller kan være til hjelp når slike utfordringer oppstår, for eksempel ved å følge denne instruksen.

­
ChatGPT svarer:

­
Få språkmodellen til å lage sin egen kunstig intelligens

Språkmodeller kan også brukes til mer avanserte analyser og programmering, for eksempel til å konstruere en egen, om enn enkel, nevralt nettverksmodell ved hjelp av følgende instruks:

­
Og ChatGPT svarer:

­
Når vi kjører maskinlæringsmodellen, fungerer den som en selvstendig KI. Den trener seg selv og evaluerer ytelsen ved å teste på de samme dataene som den har analyser, og presenterer ytelsen i en forvirringsmatrise:

­
Vi har senket terskelen for å bygge kunstig intelligens og maskinlæringsmodeller, slik at alle med en språkmodell og litt innsats kan utvikle sine egne prediksjonsverktøy.

Mulighetene strekker seg langt utover identifisering av vingårder fra målinger av vinen.

Teknologien kan for eksempel brukes til å forutsi sykdomsutbrudd basert på medisinske data, avsløre mønstre i økonomisk svindel, optimalisere energiforbruk i smarte byer, forbedre værprognoser og analysere genetiske data for å avdekke arvelige sykdommer.

Så lenge du som forsker har data, finnes det også muligheter.

Vi kan fortsette å be ChatGPT lage en figur av KI-modellen vi nettopp har laget, med følgende instruks: 

­
ChatGPT svarer:

Her er et lite Python-program som visualiserer det nevrale nettverket ved å bruke Graphviz og Torchviz. Programmet vil:

Vise modellarkitekturen grafisk.

Visualisere et enkelt foroverpass (forward pass) for å forstå hvordan data flyter gjennom nettverket.­

[ChatGPT oppgir en lang Python-kode, som ikke gjengis her]­

[

 ­
KI lager simuleringer

Dataanalyse er en grunnpilar i vitenskapen, og en annen er simuleringer. Språkmodeller kan bidra på begge områder ved å generere realistiske scenarioer og håndtere store datamengder. De gjør det mulig å bruke ChatGPT og de andre KI-modellene til å forutsi utviklingen av systemer, teste hypotetiske situasjoner og avdekke skjulte sammenhenger. 

Enten det gjelder klimaendringer, økonomiske svingninger eller sykdomsspredning, gir språkmodeller oss et kraftfullt verktøy for å forstå og navigere i en verden preget av usikkerhet.

La oss se på et enkelt eksempel med en numerisk simulasjon for en bil som bremser.

Instruks:

­
ChatGPT kan programmere i ulike språk, men her velger vi Python. Modellen genererer følgende:

­

Så gir den meg kode som vi kan kjøre for å få ut dette plottet av simuleringen:

­
Vi kan fortsette med å spørre:

 ­
ChatGPT kommer med et spill som demonstrerer simuleringer:

Språkmodeller kan ikke bare lage enkle bilsimuleringer, men også bidra til langt mer avanserte modeller for forskning og undervisning, det være seg økonomiske prognoser, genetiske analyser eller partikkelfysikk. Her har simuleringer tradisjonelt vært tidkrevende å utvikle. Nå kan ChatGPT gi verdifull starthjelp, og i noen tilfeller sette opp hele simuleringen på egen hånd.

Et eksempel på hvor langt dette har kommet, viste Elon Musk da han lanserte Grok 3. Da demonstrerte han hvordan språkmodellen kunne simulere en reise fra jorden til Mars. Selv om dette åpenbart var en del av en promotering for hans egen teknologi, viser det hvor raskt språkmodeller blir bedre til å håndtere simuleringer.

Simuleringen starter om lag 19 minutter ut i videoen nedenfor:

For akademikere betyr dette at vi kan bruke mindre tid på selve programmeringen og mer tid på det viktige arbeidet, å sette premissene, tolke resultatene og trekke konklusjoner.

Den lange og møysommelige prosessen med å skrive kode og utføre tekniske analyser, kan overlates stadig mer til kunstig intelligens.

Dette betyr at forskere og undervisere kan bruke mer tid på analyse og tolkning, i stedet for å bruke uker på å kode og konfigurere simuleringer fra bunnen av.

Fra debugging til kode-optimalisering

Det finnes naturligvis en rekke andre nyttige kodeeksempler der språkmodeller kan være til hjelp. Fra dataanalyse til modellbygging, simulering og automatisering kan modellen bidra med både enkle og avanserte løsninger. 

For eksempel kan vi få hjelp til å skrive funksjoner for statistiske beregninger, visualisere data med Matplotlib eller Plotly, eller utvikle skript som automatiserer databehandling.

I tillegg kan ChatGPT bistå med debugging, optimalisering av kode, utvikling av maskinlæringsmodeller og utforming av interaktive datavisualiseringer. 

Det er ikke uten grunn at programvareutviklere har tatt i bruk språkmodeller som en del av kodeprosessen. Det samme bør gjelder for oss i akademia, enten vi jobber med dataanalyse eller programmering.

På terskelen til en ny revolusjon

I denne seksdelte KI-skolen har vi utforsket hvordan kunstig intelligens og språkmodeller kan brukes i akademia — fra samtaler med ChatGPT til verktøy for lysbildefremstillinger, litteraturanalyse og andre deler av forskningingen. Akademia er i rask endring, drevet frem av denne teknologien.

Gjennom historien har nye verktøy endret måten vi arbeider og tenker på.

Skrivekunsten frigjorde oss fra å måtte huske alt, trykkpressen gjorde kunnskap tilgjengelig for massene, og datamaskinen automatiserte oppgaver som tidligere krevde møysommelig, manuelt arbeid. Nå står vi på terskelen til en ny revolusjon.

KI hjelper oss ikke bare med å organisere informasjon, men også med å forstå, analysere og skape ny innsikt. Samtidig må vi trå varsomt, for når maskiner kan tolke, forutsi og påvirke beslutninger, reiser det spørsmål om pålitelighet, etikk og akademisk integritet.

En stor del av akademikernes arbeidstid forsvinner til oppgaver som ikke direkte handler om forskning. Møter, e-poster, administrasjon og byråkratiske prosesser stjeler tid og etterlater mindre rom for fordypning og faglig nyskaping. 

KI kan avlaste, effektivisere og frigjøre verdifulle timer, men potensialet strekker seg langt utover tidsbesparelse.

I denne siste delen av KI-skolen har vi sett hvordan kunstig intelligens kan brukes til alt fra dataanalyse og simuleringer til programmering. 

Mulighetene er enorme.

Språkmodeller kan lese, oppsummere og sammenligne vitenskapelige artikler på tvers av fagfelt, automatisere analyse av store datamengder og avdekke mønstre ingen tidligere har sett. 

De kan generere og forbedre hypoteser basert på eksisterende forskning, forenkle programmering, kodeutvikling og dataanalyse, og tilpasse komplekse forskningsfunn til et bredere publikum.

KI gir forskere og undervisere verktøy til å jobbe raskere, dypere og mer presist enn noensinne. Det vi ser nå, er utvilsomt bare begynnelsen.

Vi er på vei inn i en ny tidsalder der KI ikke bare blir en integrert del av akademia, men har potensialet til å løfte forskningen til høyder. 

Snart vil vi se tilbake på tiden før KI som vi ser på en svunnen epoke, en tid da forskere manuelt gransket tusenvis av artikler, skrev kode fra bunnen av og brukte utallige timer på datarensing og analyse. Kunstig intelligens er i ferd med å bli like selvsagt i forskningen som datamaskinen er i dag.

Men noen oppgaver er fortsatt våre alene. Kaffetrakteren må settes på, koppen hentes fra skapet på kontoret og fylles, så vi får koffeinen vi trenger. Noe arbeid er, enn så lenge, forbeholdt oss mennesker, i akademia og ellers.