Python-kode fra ChatGPT for å behandle medlemsliste

Programmeringsspråket Python er populært. Det brukes også av generativ kunstig intelligens for å løse programmeringsproblemer. Å kunne det grunnleggende om dette, og i mange tilfelle også utvikle større innsikt og ferdighet, er blitt sentralt for å bruke KI i høyere utdanning.

Derfor er dette også blitt aktuelt i et bredt spekter av oppgaver i 1.lektor- og dosent-kvalifisering for en digital tid.

Et lite eksempel

Dosentforeningen bidrar til utviklingen av den alternative karriereveien på flere måter. En av dem er å skape kontakt mellom de som ønsker å kvalifisere seg for opprykk og ny stilling, og de som allerde har gjort det og kan gi råd og veiledning.

Dette er forsøkt løst med lite administrativ overhead. Nye medlemmer registrerer informasjon om seg og hva de vil og kan. Det blir til et medlemsregister som så trimmes.

Medlemsdata er samlet inn via en Microsoft Form og skrevet ut til en Excel-fil. Denne lastes opp til ChatGPT.

Eksempel på bestilling (prompt) til ChatGPT som omgjør medlemstabellen fra Dosentforeningens registreringsskjema til en veiledertabell for offentlig publisering.

Please make an HTML formatted table 
with the columns 
 'Navn', 
 'Institusjon',
 'Personlig epostadresse' and
 'Egenpresentasjon' 
for those entries where 
  'Off?' == 'Ja' and 
  'Veileder' <> 'Nei'

Dette er funksjonelt sett det samme som seleksjon og projeksjon i databaseteorien, f. eks. uttrykt i SQL (Structured Query Language):

Select Navn, Institusjon, Epost, Egenpresentasjon
From <tabell>
Where ((Off = 'Ja') and (Veileder != 'Nei'))

Resultatet er HTML-kode for en HTML-tabell som viser alle som kan gi veiledning og som også tillater at informasjonen om dette gjøres offentlig tilgjengelig. HTML-koden kan limes inn i et HTML-dokument som ei nettside i WordPress.

Her er så eksempel på hva slags Python-skript som blir laget. Det kan lagres på egen maskin og gjenbrukes når medlemstabellen blir oppdatert.

NB: I dette lille eksempelet er det såpass begrenset antall innførsler at de like gjerne kan redigeres for hånd. Det gir bedre innsikt i den faktiske medlemsmassen i denne foreningen. Å bli kjent med datamatrisen på denne måten er nærmest et prinsipp i kvantitativ databehandling, som det dessverre også syndes mot. Det er også fagdidaktisk nyttig å la den som lærer selv bli nærmere kjent med eksempeldata og hvordan (og hvorfor) de “vaskes” og omformateres.

import pandas as pd

# Load the Excel file
data = pd.read_excel("/mnt/data/medlemsskjema_dosentforeningen_20230717.xlsx")

# Filter the data according to the new provided conditions
# 'Off?' = 'Ja' and 'Veileder' != 'Nei'
new_filtered_data = data[(data['Off?'] == 'Ja') & (data['Veileder'] != 'Nei')]

# Select the specified columns
new_filtered_data = new_filtered_data[['Name', 'Institusjon', 
'Personlig epostadesse (fortrinnsvis fra din viktigste UH-institusjon)', 
'Egenpresentasjon som vises via medlemsliste.']]

# Rename the columns for readability
new_filtered_data.columns = ['Name', 'Institution', 'Personal Email Address', 'Self Presentation']

# Convert the DataFrame to HTML showing all rows
new_html_table = new_filtered_data.to_html(index=False, escape=False, max_rows=None)

# Print the HTML table
print(new_html_table)