Issuu

kraftig verktøy for læring. Men dersom elevene bruker det feil, frykter mange at de slutter å tenke selv og lærer mindre. KI må derfor brukes på en pedagogisk god måte, men hva betyr egentlig det? Hvordan får vi KI til å spille på lag med hjernen? Disse spørsmålene besvarer denne boka. Med utgangspunkt i kognitiv læringspsykologi gir den et innblikk i hvordan KI har utviklet seg, hvordan språkmodeller som ChatGPT fungerer, og hva denne teknologien gjør med elevenes læring.

Vidar Skogvoll Andreas D. Haraldsrud

Elever bruker allerede generativ KI i skolen. KI kan være et

Boka gir deg som lærer kunnskap og trygghet til å ta KI i bruk i aktiviteter og KI-instrukser. Boka løfter også blikket mot teknologiavhengighet, klima, personvern og framtidens arbeidsliv. Lære med KI passer for alle lærere, lærerstudenter og skoleledere som ønsker å bruke KI på en pedagogisk måte. Vidar Skogvoll (førstelektor) og Andreas D. Haraldsrud (førsteamanuensis) jobber med forskning og undervisning ved Det matematisk-naturvitenskapelige fakultet ved Universitetet i Oslo. Begge har erfaring som lærere i skolen og har holdt flere kursrekker om pedagogisk bruk av KI.

LÆRE MED KI

klasserommet og mange konkrete forslag til undervisnings-

Lære med KI Vidar Skogvoll Andreas Haraldsrud

© Aschehoug AS ved Universitetsforlaget 2026 ISBN 9788215076928 Papirbok ISBN 9788215076935 EPUB Materialet i denne publikasjonen er omfattet av åndsverklovens bestemmelser. Uten særskilt avtale med rettighetshaverne er enhver eksemplarframstilling og tilgjengeliggjøring bare tillatt i den utstrekning det er hjemlet i lov eller tillatt gjennom avtale med Kopinor, interesseorgan for rettighetshavere til åndsverk. Utnyttelse i strid med lov eller avtale kan medføre erstatningsansvar og inndragning og kan straffes med bøter eller fengsel. Forfatterne har mottatt støtte fra Norsk faglitterær forfatter- og oversetterforening, NFFO. Henvendelser om denne utgivelsen kan rettes til: Universitetsforlaget AS Postboks 508 Sentrum 0105 Oslo www.universitetsforlaget.no

N VA

E MER K

Trykksak 2041 0013

Omslag: Andreas Brekke Sats: Vidar Skogvoll og Andreas D. Haraldsrud Kapittelillustrasjoner: Vidar Skogvoll Trykk og innbinding: Mediehuset Andvord AS Boka er satt med: Latin Modern Papir: 100 g Arctic Matt

Innhold Forord: KI-deklarasjon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1 Vil KI revolusjonere undervisningen? 7 1.1 Det store læringsteoremet . . . . . . . . . . . . . . . . . . . . . . . 8 1.2 Teknologi og oppmerksomhet . . . . . . . . . . . . . . . . . . . . . 9 1.3 Hva skal elevene lære? . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.4 Vårt ståsted . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5 Hvordan bruke boka? . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6 Bokas innhold . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7 Så … revolusjon? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Kunstig intelligens

2 Kunstig intelligens 17 2.1 De første KI-modellene . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2 Maskinlæring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3 Dyp læring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.4 Språkmodeller . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.5 Hallusinasjoner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.6 Hvordan «tenker» språkmodeller? . . . . . . . . . . . . . . . . . . . 25 2.7 Språkmodellens seks evner . . . . . . . . . . . . . . . . . . . . . . . 27 2.8 Instruksdesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.9 Utvidelser av språkmodeller . . . . . . . . . . . . . . . . . . . . . . 34 3 KI og skolen 37 3.1 Den didaktiske kontrakten . . . . . . . . . . . . . . . . . . . . . . . 38 3.2 Personvern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.3 Opphavsrett . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.4 VuKI-rammeverket . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5 Begrense hjelpemidler . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6 Tilpasse vurderingsformene . . . . . . . . . . . . . . . . . . . . . . 49 3.7 Hva kommer? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3

4 Innhold 4 KI og samfunnet 53 4.1 Teknologien og individet . . . . . . . . . . . . . . . . . . . . . . . . 54 4.2 Bias og rettferdighet . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.3 Datasikkerhet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.4 Demokrati og virkelighetsforståelse . . . . . . . . . . . . . . . . . . 60 4.5 Klima, vann og strøm . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.6 Kunsten og jobbene . . . . . . . . . . . . . . . . . . . . . . . . . . 61

Læring

5 Kognitiv læringspsykologi 67 5.1 Hjernen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 5.2 Innkoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 5.3 Kognitiv (over)belastning . . . . . . . . . . . . . . . . . . . . . . . 72 5.4 Nyttig og unyttig kognitiv belastning . . . . . . . . . . . . . . . . . 75 5.5 Langtidsminnet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 5.6 Gjenhenting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.7 SOLO-taksonomien . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 5.8 Prateroboter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 5.9 KI som personlig læringsassistent . . . . . . . . . . . . . . . . . . . 83 6 KI og eleven 87 6.1 Motivasjon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 6.2 Metakognisjon og selvregulering . . . . . . . . . . . . . . . . . . . . 90 6.3 KI-vettreglene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 6.4 God bruk av KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 6.5 Øveprøver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 6.6 Lage egen læringsassistent . . . . . . . . . . . . . . . . . . . . . . . 99 7 KI og læreren 101 7.1 Læringsmål og meningsfylt samsvar . . . . . . . . . . . . . . . . . . 102 7.2 Undervisningsopplegg . . . . . . . . . . . . . . . . . . . . . . . . . 104 7.3 Oppgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 7.4 HTML-applikasjoner . . . . . . . . . . . . . . . . . . . . . . . . . . 106 7.5 Misoppfatninger . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.6 Underveisvurderinger . . . . . . . . . . . . . . . . . . . . . . . . . . 110 7.7 Vurderingskriterier og rubrikker . . . . . . . . . . . . . . . . . . . . 111 7.8 KI i vurderingsarbeidet . . . . . . . . . . . . . . . . . . . . . . . . 112

Innhold 5

III Lære med KI 8 Lesing og skriving 117 8.1 Formålene med lesing og skriving . . . . . . . . . . . . . . . . . . . 118 8.2 Skjerm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 8.3 Lese for å forstå . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 8.4 Kildekritikk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 8.5 Skrive for å lære . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 8.6 Skrive for å formidle . . . . . . . . . . . . . . . . . . . . . . . . . . 133 8.7 Tilbakemelding på tekst . . . . . . . . . . . . . . . . . . . . . . . . 135 9 Grunnleggende kunnskap 137 9.1 Direkte instruksjon . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 9.2 Pugging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 9.3 Drilling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 9.4 Eksempler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 9.5 Multimodalitet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 9.6 Historier og analogier . . . . . . . . . . . . . . . . . . . . . . . . . 148 9.7 KI-støtte for tilegnelse av grunnleggende kunnskap . . . . . . . . . 149 10 Sammenhengsforståelse 151 10.1 Inert kunnskap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 10.2 Drøfting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 10.3 Problembasert læring . . . . . . . . . . . . . . . . . . . . . . . . . . 157 10.4 Utforskning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159 10.5 KI-støtte for sammenhengsforståelse . . . . . . . . . . . . . . . . . 162 11 Programmering 163 11.1 Programmering i skolen . . . . . . . . . . . . . . . . . . . . . . . . 164 11.2 Programmering som verktøy og ferdighet . . . . . . . . . . . . . . . 166 11.3 Grunnleggende programmering . . . . . . . . . . . . . . . . . . . . 167 11.4 Programmering i klasserommet . . . . . . . . . . . . . . . . . . . . 170 11.5 Algoritmisk tenkning . . . . . . . . . . . . . . . . . . . . . . . . . . 174 11.6 Vibbekoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176 Epilog: Vil KI erstatte læreren?

179

Referanser

181

Stikkordregister

203

Forord: KI-deklarasjon Kjære leser! I denne boka argumenterer vi for at åpenhet om bruk av verktøy er viktig, og vi anbefaler at elevene deklarerer hvordan de har brukt KI i skrivearbeidet. Det er redelig av oss å gjøre det samme. Boka du holder i hånda, er resultatet av omfattende arbeid om hvordan KI kan brukes i læring. Den bygger på utvikling av kursmateriell, samtaler med lærere og elever, utprøving i klasserom og forskning på læring og bruk av KI i undervisning. Arbeidet med ei slik bok preges av diskusjon, omskriving og kritisk vurdering. Selve tekstproduksjonen er en liten del av dette arbeidet, og KI har ikke vært spesielt nyttig for det formålet. Forsøk på å generere tekst har ofte gitt blass tekst fylt av floskler og språklige klisjeer. Derfor har vi skrevet det aller meste av teksten selv. Men vi legger ikke skjul på at vi har brukt KI i dette arbeidet. Vi har brukt KI til å komme med ideer og forslag til vinklinger og enkelte formuleringer. Vi har bedt om hjelp til å forstå komplekse fenomener, og fått tilbakemelding på tekst vi har skrevet etter kriterier vi har formulert selv. Vi har brukt KI til å identifisere egne blindsoner, og finne relevante kilder (som vi har lest og vurdert selv). Målet vårt har vært å skrive ei så god bok som mulig slik at den blir så nyttig som mulig for deg. Og vi står 100 % bak innholdet i denne boka. Kvaliteten i forslagene fra KI har vært varierende, og tilbakemeldingene har ofte vært litt for positive. Derfor har vi søkt tilbakemelding på teksten fra kolleger og venner. Vi vil i den forbindelse rette en stor takk til Erling Midtgard, Øyvind Skogvoll, Lars Hvaal, Lisa Smith Walaas, Mari Paus, Anja Røyne, Henning V. Myhrehagen og Tor Ole Odden med resten av gjengen på Center for Computing in Science Education. Takk også til fagkonsulenten for grundig gjennomlesing og tilbakemelding, og ikke minst til vår redaktør Kristin Beatrice Berg for mange fine samtaler og hjelp med tekst. Det er mye å være kritisk til når det gjelder KI og læring. Vi håper vi klarer å formidle det. Samtidig mener vi at KI kan være et fantastisk hjelpemiddel når det brukes riktig. Vi håper du setter pris på boka vi har skrevet for deg. Oslo, september 2026 Vidar og Andreas

1. Vil KI revolusjonere undervisningen?

“

For å lære noe må du bruke tid og energi på det. Og KI kan være et fantastisk verktøy for å lære. Sigve Eliassen, Skedsmo vgs., KIosk ep. 3

I 1984 publiserte utdanningsforskeren Benjamin Bloom et oppsiktsvekkende resultat (Bloom, 1984). Det kom fra en studie der forskerne hadde undervist elever på forskjellige måter. Elevene i éi gruppe fikk konvensjonell forelesningsbasert undervisning, mens elevene i ei anna gruppe fikk individuell oppfølging. De som ble fulgt opp individuelt, lærte mer enn de andre. Det oppsiktsvekkende var hvor mye mer de lærte. En gjennomsnittlig elev i oppfølgingsgruppa gjorde det faktisk bedre enn nesten 98 % av elevene i kontrollgruppa. På statistikkspråk heter det at gjennomsnittseleven som fikk individuell oppfølging, lå omtrent to standardavvik, to «sigma», over snitteleven som ikke fikk oppfølging. Individuell oppfølging krever tid og ressurser vi ikke har, så Bloom stilte spørsmålet: Hvordan kan vi utnytte potensialet i individuell oppfølging med begrensede undervisningsressurser? Han kalte denne utfordringen 2sigmaproblemet. Selv om Blooms funn bygger på smale, kortvarige studier, viser også senere forskning at individuell oppfølging gir bedre læringsutbytte enn tradisjonell klasseromsundervisning (Nickow mfl., 2024). Så, i november 2022, lanseres ChatGPT. Over natta har elever fått tilgang til en tjeneste som kan svare på spørsmål, forklare og tilpasse fagstoff, og som kan gi nettopp individuell oppfølging til alle. Mange fagfolk har forhåpninger om at KI kan være løsningen på 2-sigmaproblemet (Cantor, 2023).

8 Kapittel 1. Vil KI revolusjonere undervisningen? Men helt slik har det ikke gått. Tvert imot ser vi en bekymringsfull tendens til at elever velger å bruke KI til å ikke gjøre skolearbeidet, og at KI-bruk kan føre til såkalt metakognitiv latskap, altså til at elevene slutter å tenke aktivt over sin egen læring (Fan mfl., 2025). Det tyder altså på at KI ikke gir noen automatisk løsning på 2-sigmaproblemet. Men kan det hende vi ikke bruker teknologien riktig? Selv om teknologien bringer med seg utfordringer, har KI også et stort potensial. Mange elever bruker verktøyet godt, for eksempel til å diskutere egne ideer, til å generere oppgaver de løser selv, eller til å motivere seg til å jobbe produktivt. Denne boka er vårt forsøk på å løse 2-sigmaproblemet. Den vil fungere som en guide til hvordan KI kan fremme læring i stedet for å hindre den. Det er ikke lett, for læring er hardt arbeid.

1.1

Det store læringsteoremet

Det harde arbeidet krever tid og kognitiv energi. Dessverre har elever begrensede mengder av begge deler. Implikasjonene av disse begrensningene vil være en rød tråd gjennom boka vår, så vi gir fenomenet en formel og et navn. L=E·t

(1)

Det store læringsteoremet: Læring krever kognitiv energi og tid. Tenk på en elev som øver til ei matteprøve. Hun kan bruke enorme mengder tid (t) uten å lære så mye hvis hun bare løser de enkle oppgavene hun allerede kan. Motsatt kan hun ta et skikkelig skippertak kvelden før prøva, bruke masse energi (E) på vanskelige oppgaver, men én kveld er for lite tid for at det hun har lært, skal automatiseres eller feste seg i langtidsminnet. Læring (L) krever både energi og tid, se figur 1.1.

Figur 1.1: Sammenhengen mellom tid, kognitiv energi og læring i det store læringsteoremet.

1.2. Teknologi og oppmerksomhet 9 Dette «teoremet» stammer ikke direkte fra forskning på læring, men er et pedagogisk grep for å oppsummere enkelte deler av forskningen. Det gir oss en nyttig måte å snakke om KI på, både lærere imellom og med elever. Det å bruke KI i undervisningen aktualiserer nemlig det store læringsteoremets to hovedpoenger. Det ene, som sagt, er at elevene må bruke tid og energi på læringsarbeidet for å lære. Kunstig intelligens kan fort redusere både hvor hardt elevene må jobbe (energien), og hvor lang tid noe tar, for eksempel ved at KI skriver, regner og noen ganger tenker for dem. Hvis elevene bruker den frigjorte energien til annet læringsarbeid, som å fordype seg i faget, kan bruken av KI være god. Hvis elevene derimot bruker energien på å skrolle på TikTok, lærer de lite nyttig. Det andre er at det elevene bruker tid og energi på, er det de lærer. Hvis elevene alltid skriver med hjelp av KI, lærer de ikke å skrive, de lærer å skrive med KI.

1.2

Teknologi og oppmerksomhet

Teknologi som distraherer oss, er ikke noe nytt. De siste tjue årene har teknologiselskaper brukt enorme ressurser på å kapre oppmerksomheten vår. Plattformer som TikTok, Instagram og YouTube bruker algoritmer som er trent på milliarder av klikk for å finne ut nøyaktig hva som holder oss lengst mulig på skjermen. Resultatet er at mange unge bruker flere timer daglig på korte videoer og innhold som ikke har noe med læring å gjøre. Sosialpsykologen Jonathan Haidt (2024) mener at dette har ført til en fragmentering av oppmerksomheten, og at unge i dag har vanskeligere for å konsentrere seg. Lærere i norsk skole er enige (Hatfield, 2025). Og når teknologien rammer elevers evne til å konsentrere seg, klarer de ikke å sitte med krevende oppgaver og investere den kognitive energien læring krever. Dette har ført til berettiget skepsis mot ny teknologi i skolen, og noen mener at vi, kloke av skade, bør holde KI utenfor skolen så mye som mulig. Det er feil medisin, mener vi, av tre grunner. For det første er KI nå en del av elevenes hverdag, og vi må undervise dem i hvordan de skal forholde seg til dette nye verktøyet. Som med seksualundervisning mener vi det er best å ta KI-praten i klasserommet og la elevene erfare hvordan de kan bruke KI på en god måte, i stedet for at de skal finne ut av alt på egen hånd på internett. For det andre er KI ikke en oppmerksomhetstyv. Elever sitter ikke sent oppe og kaster bort tida på ChatGPT. Faktisk forteller enkelte lærere oss at elever blir litt slitne av «all teksten» ChatGPT gir dem. Det KI gjør, derimot, er å tilby elevene en måte å slippe skolearbeidet på slik at de kan vende tilbake til oppmerksomhetstyvene.

10 Kapittel 1. Vil KI revolusjonere undervisningen? For det tredje kan KI brukes til å støtte læring hvis verktøyet brukes på en god måte. Målet med boka er å vise deg dette, og hvordan du kan ta KI i bruk i egen undervisning og veilede elevene dine til å bruke KI godt.

1.3

Hva skal elevene lære?

Kanskje lurer du på: «Hvordan skal jeg som lærer ha sjanse til å si noe fornuftig om KI og læring når utviklingen går så vanvittig raskt?» Vi har stilt oss det samme spørsmålet. Likevel har vi, i samtale med mange lærere blant annet gjennom podkasten KIosk, erfart at det meste koker ned til det sentrale spørsmålet: «Hva skal elevene lære?» Dette er ikke noe nytt spørsmål. Det har dukket opp hver gang ny teknologi har gjort intellektuelt arbeid enklere. For eksempel har vi i dag teknologi som gjør navigasjon veldig enkelt, og vi bruker mindre tid på å lære elever å navigere etter kart og kompass. Nå er det KI som er den nye teknologien, og som kan hjelpe oss med å løse stadig flere oppgaver. Derfor må vi igjen ta stilling til hvilke ferdigheter elevene skal tilegne seg. Men selv om teknologi kan løse stadig flere oppgaver, må elever fortsatt trene på å løse mange av dem selv. Ellers risikerer vi at de ikke utvikler den faglige forståelsen de trenger i framtida. KI gir derfor både nye muligheter og nye utfordringer, og i denne boka undersøker vi begge sidene.

1.4

Vårt ståsted

Hvorvidt vi er optimistiske eller pessimistiske til ny teknologi, varierer. Vi som har forfattet denne boka, er forsiktige teknologioptimister, noe som kanskje henger sammen med vår realfagsbakgrunn. At vi har en slik bakgrunn, har du sikkert skjønt siden vi innledet bokas første delkapittel med en likning og en graf. Derfor er de fleste eksemplene vi selv kommer med i denne boka, hentet fra matematikk eller naturfag. Likevel er den skrevet for alle faglærere, og vi lover at likning 1 er én av svært få likninger i boka. Der vi gir eksempler fra andre fagfelt, har vi hentet disse fra troverdige kilder. Dessuten kan de fleste KI-instruksene vi gir, brukes i alle fag, og vi vil derfor at du som faglærer tilpasser innholdet og formatet til dine emner og elever. Fordelen med en realfagsbakgrunn er at vi har gode forutsetninger for å forstå teknologien. Samtidig har vi kanskje en tendens til å favorisere enkle modeller som ikke fanger alle nyansene av virkeligheten. Vi kjenner vår forutinntatthet og understreker derfor at modellene vi bruker for læring i denne boka, er forenklinger av den svært komplekse og sammensatte læringsprosessen. Vi bruker dem i tråd med statistikeren George Box’ aforisme «Alle modeller

1.5. Hvordan bruke boka? 11 er feil, men noen er nyttige». Modellene er bare verktøy for å forstå ulike sider av læringsprosessen, og vi prøver å være tydelige på begrensningene de har. Modellene for læring vi presenterer i denne boka, er forankret i kognitiv læringspsykologi. De tar utgangspunkt i spørsmål av typen: «Hvilke prosesser foregår i hjernen når en elev lærer fagstoff?» Eller: «Hva er den beste måten å lære denne ferdigheten på?» Siden KI er et verktøy som kan avlaste eller utfordre oss kognitivt, mener vi at den kognitive læringspsykologien er et godt utgangspunkt. Vi har også lånt noen metaforer fra økonomi når vi beskriver læring, for eksempel at elever bør «investere» kognitiv energi i læringsarbeidet. Vi bruker metaforene fordi de får fram ideene våre effektivt, men husk å ikke ta dem bokstavelig. Læring er så klart mye mer sammensatt enn en økonomisk transaksjon. Selv om vi har hatt gode grunner til å velge den kognitive læringspsykologien som rammeverk når vi har utarbeidet forslag til KI-instrukser for elevene, vil vi påpeke to begrensninger knyttet til dette utgangspunktet. Den ene er at det kan framstå som om læring alltid skal foregå individuelt, i relasjonen mellom eleven og en maskin. Det mener vi ikke. Instruksene i denne boka er bare ment som et supplement til undervisningen. Den andre er at kognitiv læringspsykologi ikke fullt ut fanger de sosiale sidene ved læring. Til dette hadde sosiokulturell læringsteori vært bedre egnet, en tradisjon som ser på hvordan læring utspiller seg mellom mennesker, og hvordan kunnskap oppstår gjennom kommunikasjon og samhandling. Sosiokulturell læringsteori stiller spørsmål som: «Hvordan oppstår kunnskap i dialogen mellom elever?» Og: «Hvilken rolle spiller språket og fellesskapet for det eleven lærer?» Dette er viktige spørsmål, ikke minst fordi KI nå lar oss bruke maskiner som en form for «læringspartnere». Boka som svarer på disse spørsmålene, er ikke den vi har skrevet, men vi ser fram til å lese den når noen gjør det.

1.5

Hvordan bruke boka?

I tillegg til vårt arbeid med KI og læring bygger denne boka på vår praktiske erfaring som lærere i videregående skole. Vi har stått i klasserommet og kjent at det vi selv har lært i våre pedagogiske utdanninger, ikke alltid fungerer i møte med 30 umotiverte og søvnberøvede 16-åringer. Derfor har vi gjort boka så anvendelig som mulig, med mange forslag til undervisningsaktiviteter og KI-instrukser. Disse instruksene kan brukes av deg som lærer eller av elevene dine. For at du skal slippe å skrive av instruksene fra boka manuelt, har vi samlet dem på en nettside: https://læremedki.no/bok. Passordet til nettsiden er BokaErBedre fordi det er best å forstå den pedagogiske tanken bak instruksene før du bruker dem i klasserommet.

12 Kapittel 1. Vil KI revolusjonere undervisningen? Det er dessuten få ferdigskrevne instrukser som fungerer for alle på første forsøk. Eksperimenter derfor med ulike formuleringer. Mange av instruksene inneholder også plassholdere, for eksempel [TEMA], hvor du kan fylle inn den relevante konteksten. Et nyttig tips: Du må ikke fylle inn disse feltene. Hvis du limer inn instruksen direkte, vil KI-tjenesten som regel spørre deg om feltene du har glemt å fylle inn.

1.6

Bokas innhold

Foreliggende bok er delt inn i tre deler og skrevet med norske avløserord, se tabell 1.1. Vi bruker også stort sett forkortelsen KI synonymt med generativ KI gjennom boka for enkelhets skyld selv om KI er svært mangefasettert – se kapittel 2. Tabell 1.1: Engelske termer og de norske avløserordene vi bruker i boka

Engelsk

Norsk

Artificial intelligence (AI) Generative AI (Large) language models A prompt (substantiv) Pre-prompt (substantiv) To prompt (verb) Prompt engineering (substantiv)

Kunstig intelligens (KI) Generativ KI (Store) språkmodeller En instruks Førinstruks Å instruere Instruksdesign

Del 1 handler om kunstig intelligens. I kapittel 2, Kunstig intelligens, redegjør vi for hva KI er, og hva dagens språkmodeller kan gjøre. Deretter ser vi i kapittel 3, KI og skolen, på hva KI betyr for skolen som institusjon, og til slutt, i kapittel 4, KI og samfunnet, på hvilke spørsmål KI reiser ikke bare i skolen, men for samfunnet som helhet. Del 2 handler om læring. I kapittel 5, Kognitiv læringspsykologi, beskriver vi hva som skjer i hjernen når en elev lærer, og hvilke konsekvenser KIbruk har for disse prosessene. I kapittel 6, KI og eleven, ser vi på hvordan eleven kan bruke KI til å støtte sin egen læring gjennom å styrke motivasjon, selvregulering og metakognisjon. Deretter, i kapittel 7, KI og læreren, ser vi på hvordan KI kan hjelpe deg som lærer med å planlegge undervisningen, avdekke misoppfatninger og arbeide med underveisvurdering. Del 3, Lære med KI, er praktisk orientert og gir konkrete forslag til hvordan KI kan tas i bruk i undervisningen. I kapittel 8, Lesing og skriving, ser vi på lesing og skriving med KI, fra leseforståelse og kildekritikk til skriving og tilbakemelding. I kapittel 9, Grunnleggende kunnskap, handler det om tilegnelse

1.7. Så … revolusjon?

av basiskunnskap gjennom direkte instruksjon, pugging og eksempelbasert læring. I kapittel 10, Sammenhengsforståelse, løfter vi blikket til ferdigheter på et høyere kognitivt nivå: evnen til å se sammenhenger, til å drøfte og til å løse mer komplekse problemer. I kapittel 11, Programmering, ser vi på programmering som en sammensatt ferdighet der KI har endret premissene, fra algoritmisk tenkning til vibbekoding. Boka ender med en epilog der vi drøfter hvorvidt KI vil erstatte læreren.

1.7

Så … revolusjon?

Mange har drømt om teknologi som skulle revolusjonere utdanningen. Thomas Edison sa i 1922 at film ville revolusjonere utdanningsfeltet (Cuban, 1986). USAs føderale kommunikasjonskommisjon sa i 1948 at «college-by-radio» ville gi USA et forsprang på 25 år (Wikipedia, 2026). Og noen drømte om at iPad til alle seksåringer ville gi god teknologisk kompetanse i skolen. Enn så lenge har revolusjonen uteblitt. Grunnen til det, ifølge videoskaperen og fysikkdidaktikeren Derek Muller, er at disse drømmerne har misforstått den grunnleggende utfordringen med undervisning. Problemet er ikke mangel på gode læringsressurser, men å få elevene til å investere tid og energi i dem. Som han sa i et foredrag i 2025: «Verden er full av tunge ting. Likevel er de færreste kjempesterke» (Perimeter Institute for Theoretical Physics, 2025, 00:44:47). Dette er akilleshælen til bruk av teknologi i skolen. Elever motiveres sjelden av gode forklaringer og fjonge animasjoner alene. De motiveres av lærere som bryr seg, og medelever som støtter dem. Og når digitale løsninger fungerer i klasserommet, er det som oftest fordi læreren har investert sin pedagogiske ekspertise i dem (Sperling, 2025). Dette vil nok også gjelde KI. Selv om det finnes mange artikler og metaanalyser som tyder på at KI kan være en god læringsressurs (X. Liu mfl., 2025), er kvaliteten på disse varierende (L. Zhang mfl., 2026). I noen tilfeller har tidsskrifter trukket tilbake publiserte resultater på grunn av uoverensstemmelser i metaanalysene (J. Wang & Fan, 2026). Vi er ikke overrasket. Denne teknologien er ikke en magisk knapp vi kan trykke på for å slippe å jobbe. Alle nye intervensjoner i klasserommet, deriblant ny teknologi, krever bevisst innsats fra både skoleledelse og lærere for å bli en varig del av skolens praksis (Prenger mfl., 2022). Men hvis vi gjør denne jobben, tror vi at KI har potensial til å bli et godt tilskudd til undervisningen (Alfarwan, 2025). Det er derfor vi har skrevet denne boka. Og vi begynner med K-en og I-en.

Del I Kunstig intelligens

2. Kunstig intelligens

“

Når det virker for oss som om KI tenker, så er det egentlig bare programmering eller trening. Erling Midtgard, Hellerud vgs., KIosk ep. 11

I 1986 gikk ei gruppe amerikanske matematikklærere i demonstrasjonstog mot bruk av kalkulatorer i skolen (Lawrence, 1986). De fryktet at hvis vi brukte maskiner til å regne i stedet for å regne med hodet, ville vi lære mindre. Lærerne fikk delvis gjennomslag. I dag, 40 år senere, venter vi nemlig til elevene har blitt litt eldre før de får bruke kalkulator i skolen. Når elevene kommer til ungdomsskolen, er vi likevel ikke så nøye på om de bruker kalkulator. Vi tenker at så lenge elevene fokuserer på mer avanserte ideer, kan de gjerne la kalkulatoren ta seg av den grunnleggende regningen. Kanskje kan KI etter hvert innta en lignende rolle, der vi lar elever avlaste noe arbeid for å fokusere på mer interessante og sammensatte problemstillinger. Men det er forskjell på kalkulator og KI. Vi vet godt hvordan en kalkulator fungerer. Vi vet hvordan den er bygd opp, at den (nesten) alltid gir riktig svar, og at den ikke krever et abonnement hos en internasjonal teknologigigant. KI er annerledes. Selv utviklerne av KI-tjenester sier at de ikke alltid vet hvorfor tjenestene oppfører seg som de gjør. De kaller dem sorte bokser: systemer der vi vet hva som går inn, og hva som kommer ut, men ikke hva som skjer imellom (Kosinski, 2024). Du kan skrive «Hva er fotosyntese?» og få et presist svar – uten at noen kan peke på nøyaktig hvilke beregninger som produserte det. Hvordan kan en maskin forklare fysikk, skrive dikt og imitere en psykolog? Det skal vi ta for oss i dette kapittelet.

18 Kapittel 2. Kunstig intelligens Vi forklarer hvordan ulike KI-systemer fungerer, ved å se på hvordan KI har utviklet seg fra de første forsøkene på å lage tenkende maskiner til dagens språkmodeller, teknologien bak blant annet ChatGPT. Selv om maskiner ikke lærer som mennesker, kan vi bruke prinsipp fra (menneskelig) læringsteori for å forstå denne utviklingen og hvordan vi skiller oss fra maskinene. Deretter introduserer vi to rammeverk fra kognitiv psykologi for å forstå hvordan språkmodellene fungerer, og bruker dem til å beskrive seks ulike evner språkmodellene besitter, og hvordan vi kan skrive gode instrukser. Til slutt ser vi på noen av de utvidelsene språkmodellteknologien har hatt de siste par årene.

2.1

De første KI-modellene

I 1955 skrev John McCarthy en søknad om å få arrangere en konferanse i Dartmouth der han ville samle fagfolk som arbeidet med ideer knyttet til maskiner og tenkning (McCarthy mfl., 1955). I søknadsdokumentet beskrev McCarthy og medforfatterne ei framtid med maskiner som kunne tenke, bruke språk og danne begreper. Det er vanskelig å forestille seg et mer presist frampek mot verden slik den ser ut 70 år senere. Det som skulle bli verdens første konferanse om såkalt kunstig intelligens, ble avholdt året etter, men dessverre skrev ikke McCarthy og de omtrent 20 andre deltakerne et oppsummerende dokument for ettertida. Det viktigste gjennombruddet som ble presentert under konferansen, var Allen Newell og Herbert Simons «Logikk-teorimaskin» (Newell & Simon, 1956). Dette var et dataprogram de hadde utviklet sammen med programmereren Cliff Shaw, som kunne bevise enkelte matematiske påstander. Mange anser det som verdens første kunstige intelligens. Programmet imponerte deltakerne ved å vise hvordan det klarte å komme opp med vakre utledninger av kjente matematiske bevis (Newell mfl., 1957). Matematiske bevis er en form for resonnering som bygger på logiske slutninger fra gitte antakelser. Bevisene beskrives som sekvenser av regelstyrte operasjoner. Når du programmerer en datamaskin til å utføre slike operasjoner, følger den et eksplisitt spesifisert system av regler – kall det gjerne en svært avansert oppskrift – for å løse ei bestemt oppgave. Maskinen følger «systemet» og utfører oppgava deretter. Å hevde at datamaskinen har «lært noe» av at vi gir den slike instrukser, er å tøye begrepet læring litt langt, men metoden – å fokusere på regelbasert resonnering, fakta og veldefinerte begreper – kalles deklarativ læring innen kognitiv læringspsykologi (Oakley mfl., 2021). «Deklarativ» kommer fra latin declarare, «å vise» eller «å påpeke», og viser til eksplisitt kunnskap som kan settes ord på. Deklarative læringsmetoder som direkte instruksjon og pugging aktiverer spesifikke deler av hjernen og styrker såkalt deklarativ kunnskap.

2.2. Maskinlæring 19 Litt forenklet kan vi dermed si at Newell, Simon og Shaw brukte deklarative læringsmetoder da de programmerte den første kunstige intelligensen. Denne måten å lage kunstig intelligens på ble veldig populær i de påfølgende tiårene. På 1970- og 1980-tallet lanserte forskere ekspertsystemer, bygd på ideen om at eksperter skulle overføre sin kunnskap til maskiner. Et eksempel er XCON (eXpert CONfigurer), utviklet av det amerikanske selskapet DEC. Selgerne hos DEC gjorde nemlig stadig feil når de skulle bestille datamaskindeler til kundene, og XCON ble lagd blant annet for å løse dette problemet. Når selgeren tastet inn kundens ønske, fulgte systemet en logisk progresjon basert på tusenvis av regler: «Hvis denne harddisken velges, kreves det også en kraftigere strømforsyning og et ekstra kabinett.» Troen på disse systemene var sterk, og selskaper investerte milliarder av dollar i dem. Lederne i DEC anslo i 1989 at XCON hadde spart dem over 40 millioner dollar årlig i færre feilbestillinger (Barker mfl., 1989). Men etter hvert som selskapene forsøkte å utvide disse systemene til å håndtere mer komplekse situasjoner, måtte de manuelt kode inn et eksponentielt voksende antall regler. For eksempel begynte XCON med noen hundre regler, men i løpet av få år vokste antallet regler til mange tusen. For å løse denne utfordringen trengte maskinene en ny måte å lære på.

2.2 Maskinlæring En av de andre deltakerne på Dartmouth-konferansen, Arthur Samuel, var uenig i Newells, Simons og Shaws måte å «lære opp KI» på. På begynnelsen av 1950-tallet hadde han nemlig utviklet en maskin som kunne spille dam. Det er et komplekst spill med ca. 500 trillioner (500 000 000 000 000 000 000) mulige stillinger, så det er nærmest umulig å lage en regel for det beste trekket i alle situasjoner. Likevel slo Samuels maskin dammesteren Robert Nealey i 1962. Dette var en av de første gangene i historien at en maskin vant over en av våre bedre spillere i et komplekst strategispill. For å lage maskinen sin startet Samuel med å definere hvilke «aspekter» ved en damstilling som var viktige.1 Det viktigste aspektet, ifølge Samuel, var hvor mange flere brikker maskinen hadde enn motstanderen sin. Deretter definerte han 26 andre aspekter, inkludert hvor mange brikker som befant seg langs kanten av brettet, og hvor mange som hadde ledige ruter ved siden av seg. Men hvordan skulle disse aspektene vektes mot hverandre? Kan vi virkelig sette et tall på hvor mye bedre det er å ha to ekstra brikker sammenlignet med tre brikker plassert på kanten? Samuels løsning var å la maskinen lære dette selv. Med eksempler. 1

I arbeidet sitt brukte Samuel ordet «parameter», men vi bruker «aspekt» for ikke å forveksle det med parameterne i nevrale nettverk.

20 Kapittel 2. Kunstig intelligens Samuel var kanskje inspirert av hvordan vi mennesker lærer fordi vi også lærer gjennom eksempler. Noen ganger trenger vi bare et par eksempler, for eksempel når vi skiller mellom biler og katter. Andre ganger må vi ha flere eksempler, som når vi observerer hva folk rundt oss gjør for å lære sosiale normer. Dette kalles prosedural læring, og står i kontrast til den deklarative læringen vi beskrev i forrige delkapittel. Deklarativ kunnskap er eksplisitt og kan uttrykkes verbalt, mens prosedural kunnskap er automatisert og kan ikke alltid redegjøres for. Prosedural læring bygger slik kunnskap gjennom praktisk øving, repetisjon og gradvis automatisering av ferdigheter, og aktiverer andre deler av hjernen enn den deklarative læringen (Oakley mfl., 2021). Dermed kan vi si at maskinen til Samuel lærte proseduralt. For å lære proseduralt trenger vi erfaring og tilbakemelding fra omgivelsene. Tilbakemeldingen kan komme som belønning eller straff, for eksempel gjennom sosial respons som signaliserer ønsket eller uønsket atferd. Et eksempel på straff er et stygt blikk fra en fremmed hvis vi legger føttene på T-banesetet, og et eksempel på belønning er når noen smiler fordi vi holder døra åpen for dem. Samuels metode for å innføre straff og belønning for maskinen var å la den prøve ulike vektinger av de forskjellige aspektene. Maskinen kunne for eksempel vurdere vektingen «få brikker på kanten er viktigere enn flere brikker enn motstanderen». Deretter lot han maskinen spille mot seg selv eller en menneskelig motstander. Hvis vektingen førte til tap, fikk maskinen «straff» i form av en beskjed om å endre vektingen betydelig. Førte vektingen derimot til seier, fikk maskinen belønning i form av at vektingen fikk stå i fred. Ved å la maskinen spille mange slike spill og stadig oppdatere vektingene, ble den etter hvert rivende god i dam. Samuel (1959) kalte metoden maskinlæring: kunstig intelligens der systemet forbedrer seg ved å lære fra data. Dette var et gjennombrudd, men det var ikke før på 1990- og 2000-tallet at maskinlæring ble den dominerende metoden for å utvikle KI-systemer. Da utviklet forskere flere nye metoder for å trene KI-systemer ved å bruke komplekse matematiske strukturer. En slik matematisk struktur, inspirert av vår egen hjerne, skulle vise seg å være spesielt godt egnet for maskinlæring.

2.3

Dyp læring

Mot slutten av 1800-tallet forsto forskere at hjernen består av milliarder av nevroner som fyrer av elektriske ladninger i lange forgreinede kjeder. Inspirert av det viste McCulloch og Pitts (1943) at nevroner kan modelleres som enkle logiske enheter. Koblet sammen i nettverk kunne slike enheter i prinsippet utføre en hvilken som helst beregning. Modellen hadde imidlertid en svakhet, nemlig at parameterne var fastsatt på forhånd av menneskene som bygde systemet. Det fantes ingen mekanisme for at maskinen selv kunne lære.

2.3. Dyp læring

Det endret seg med perceptronen, som psykologen Frank Rosenblatt presenterte i 1958 (F. Rosenblatt, 1958). Rosenblatt bygde videre på McCulloch og Pitts, men la til en læringsregel som lot maskinen oppdatere sine egne parametere basert på feilene den gjorde. Fikk perceptronen feil svar, justerte den parameterne sine og prøvde igjen. Dette er prinsipielt den samme mekanismen som styrer treningen av moderne nevrale nettverk selv om disse har flere lag enn Rosenblatts perceptron hadde. Figur 2.1 viser en skisse av et moderne kunstig nevralt nettverk som klassifiserer bilder av hunder og katter. Først legges pikslene i bildet som tall inn i nettverkets første lag. Tallene videreformidles i det nevrale nettverket gjennom kunstige nevroner. Nevronene mottar numeriske input-verdier, ofte skalert til et begrenset intervall mellom −1 og 1 (0,62; −0,12 og 0,85 i figur 2.1). Disse vektes mot forhåndsinnstilte parametere (0,9; 0,1 og 0,7 i figuren, der tjukkelsen på linjene representerer verdien på parameteren) og summeres til et tall v (1,14 i figuren). Tallet v sendes gjennom en aktiveringsfunksjon og omformes til et output-signal (et tall) mellom −1 og 1 før det sendes til neste nevron.2 Denne prosessen gjentar seg gjennom flere lag, helt til et output-lag som består av to nevroner, ett for hund og ett for katt. Hvis vi fôrer nettverket med et hundebilde og parameterne er riktig innstilt, vil output-nevronet for hund være 1 og det for katt være 0. I et nevralt nettverk justeres parameterne automatisk under trening. Nettverket tilpasser seg mønstrene i treningsdataene. Det KI-systemet har lært, ligger derfor lagret i parameterne til det dype nevrale nettverket. I figur 2.1 ligger det altså informasjon om hva forskjellen på en hund og en katt «er» i disse parameterne (visualisert i figuren som tjukkelsen på forbindelsene mellom nevronene). 2

I tillegg til vektingene har nevronet et bias, som er et tall lagt til summen v før aktiveringsfunksjonen. Bruken av «bias» har ingen kobling til samfunnsmessige skjevheter som kan oppstå ved mye KI-bruk. Dette vil vi komme tilbake til i kapittel 4.

22 Kapittel 2. Kunstig intelligens

Figur 2.1: Et kunstig nevron i et moderne nevralt nettverk.

Utviklingen etter 1958 gikk i rykk og napp, men skjøt virkelig fart drøyt 50 år senere, rundt 2012. Da lå forholdene til rette for en revolusjon. Ettersom samfunnet ble mer digitalisert, fikk vi tilgang til ekstremt mye data, bedre datamaskindeler og mer effektive algoritmer. Startskuddet for revolusjonen gikk da professoren Geoffrey Hinton ved Universitetet i Toronto, sammen med sine to doktorgradsstipendiater Alex Krizhevsky og Ilya Sutskever, bygde et nevralt nettverk for å delta i en bildegjenkjenningskonkurranse i 2012 (Russakovsky mfl., 2015). Her konkurrerte forskere om å lage den beste metoden for å identifisere bilder av jordbær, dalmatinere og undervannsdykkere, basert på ca. 1,2 millioner treningsbilder. Nettverket til Hinton, Krizhevsky og Sutskever hadde bedre algoritmer enn konkurrentene, og var dessuten trent på toppmaskinvare. I konkurransen knuste de alle motstanderne: Nettverket deres gjenkjente bilder med 84,7 % nøyaktighet, mot nest beste deltakers 73,8 % (Krizhevsky mfl., 2012).3 Dette var en enorm bragd i en konkurranse der forbedringen fra år til år typisk lå på 1–2 prosentpoeng. Selv om nevrale nettverk er en form for maskinlæring, skiller de seg fra det Samuel utviklet på 1950-tallet. I stedet for å fortelle maskinen hva den skal fokusere på (for eksempel brikkestrukturen i dam), lar vi et nevralt nettverk finne ut av det selv. Innenfor læringspsykologien kaller vi dette implisitt læring – læring gjennom mønstergjenkjenning uten eksplisitt instruksjon (Reber, 1989). 3 Topp-5-nøyaktighet: Modellen regnes som korrekt dersom riktig svar finnes blant modellens fem mest sannsynlige gjetninger.

2.4. Språkmodeller

Et eksempel på implisitt læring er hvordan barn plukker opp grammatiske strukturer. De lærer tidlig hva som er riktig av «I går jeg spilte fotball» og «I går spilte jeg fotball», men de klarer ikke å sette ord på hvorfor. Maskinlæring med nevrale nettverk fungerer på samme måte ved at systemet lærer fra data, ikke fra eksplisitt programmerte regler. Det er den reneste formen for prosedural læring. Etter 2012 fikk nevrale nettverk flere store gjennombrudd, spesielt i bildeanalyse, sjakk og matematikk. Men de nevrale nettverkene var foreløpig dårlige til å skrive. Det kom derimot snart til å endre seg.

2.4 Språkmodeller Når du skriver, legger du ett ord til det neste. For å få en datamaskin til å skrive, er oppskriften enkel: Gitt en sekvens av ord, «Ja, vi elsker dette landet …», må den finne det neste ordet. Likevel viste språkgenerering seg å være vanskeligere enn bildegjenkjenning. Problemet var at de nevrale nettverkene på den tida bare klarte å se noen få ord bakover (Z. Wang mfl., 2025). Med kort hukommelse er det vanskelig å skrive som Shakespeare fordi betydningen til hvert ord avhenger av hele setningen det opptrer i. Ta ordet «landet». Uten kontekst kan det bety flere ting: et fly som har «landet», «landet» eid av en bonde eller «landet» Italia. Når ordet opptrer i vår eksempelsetning, henviser det til Norge. Ordet som bør følge, er dermed «som». For å løse nettverkenes hukommelsesutfordring utviklet forskere fra Google en ny struktur i det nevrale nettverket som lot maskinen sette ordene i større kontekst. De publiserte nybrottsarbeidet i artikkelen «Attention is all you need» i 2017 (Vaswani mfl., 2017). De kalte strukturen en transformer, som banet vei for at såkalte språkmodeller kunne produsere tekst på en mer meningsfull måte. I takt med at modellene ble trent på stadig større tekstmateriale, vokste de fram til det vi kaller store språkmodeller (eng. LLM: large language model). Etter at OpenAI lanserte modellen GPT-3.5 for offentlig bruk gjennom ChatGPT i 2022, tok utviklingen virkelig av. GPT står for Generative Pre-trained Transformer: «Generative» fordi den genererer nytt innhold, «Pre-trained» fordi modellen er forhåndstrent på tekstmateriale, og «Transformer» fordi det nevrale nettverket bruker transformer-arkitekturen. Vi har illustrert gangen i en språkmodell i figur 2.2.4 4

Teknisk sett jobber språkmodeller ikke med ord, men med bruddstykker av ord kalt tokens.

24 Kapittel 2. Kunstig intelligens

Figur 2.2: Gangen i en språkmodell.

Språkmodellene framstår som svært kunnskapsrike når vi skriver med dem. Denne kunnskapen kommer fra mønstrene i språket de er trent på. For eksempel er Norges flaggfarger kodet inn i den ofte repeterte frasen «Rødt, hvitt og blått». Siden kunnskapen ligger i parameterne, kan ikke modellen forklare hvordan den vet det den vet. Det er derfor vi sammenligner dem med sorte bokser: Vi kjenner systemets input og output, men hva som skjer inni boksen, er vanskelig å beskrive og forklare.

2.5

Hallusinasjoner

Det vanligste ordet som følger etter «Ja, vi elsker dette landet», er «som», men det er ikke det eneste ordet som kan passe. Kanskje handler teksten om sangen selv, og i så fall kan «er» være det naturlige neste ordet («Ja, vi elsker dette landet er første verselinje i Norges nasjonalsang»). For å fange opp slike nyanser i språket har språkmodeller også et element av tilfeldighet i seg, såkalt stokastisitet. Når en språkmodell skriver, genererer den ikke bare ett og ett ord. Den genererer hele tida ei liste over de neste mest sannsynlige ordene. Deretter triller den en slags terning som favoriserer det mest sannsynlige ordet. Men av og til smetter den inn et mindre sannsynlig ord. Hvor fritt modellen velger mellom sannsynlige og mindre sannsynlige ord, styres av en parameter kalt temperatur. Høy temperatur gir mer variasjon og kreativitet, mens lav temperatur gjør modellen mer forutsigbar. Resultatet av denne stokastisiteten er at språkmodellene viser en form for kreativitet, men dette fører også til at de noen ganger finner på kilder som ikke finnes, eller regelrett lyver. Vi sier at språkmodellene hallusinerer, noe som er en av de sentrale utfordringene ved å bruke dem som en pålitelig kilde til informasjon. Å få KI til å hallusinere kan være en morsom aktivitet for å bli kjent med språkmodellteknologien, se undervisningsaktivitet 2.1.

Vidar Skogvoll Andreas D. Haraldsrud

Elever bruker allerede generativ KI i skolen. KI kan være et

LÆRE MED KI

klasserommet og mange konkrete forslag til undervisnings-