I takt med at generative KI-systemer integreres i utdanning, forvaltning, kunst og vitenskap, vokser behovet for en refleksiv epistemologi – en som ikke bare nyttiggjør seg KI-ens kapasiteter, men som også undersøker de antakelser, verdier og maktstrukturer som former utviklingen og bruken.
Hva regnes som en gyldig slutning?
Hvilken kunnskap kodes og formidles?
Hvilke spørsmål gjøres tenkbare og hvilke utelukkes?
En slik refleksjon fordrer dialog mellom informatikk, filosofi, kulturteori og samfunns-vitenskap. Ved å behandle generativitet ikke bare som en teknisk egenskap, men som en epistemisk og kulturell handling, kan vi bedre navigere de transformerende – og potensielt forstyrrende – virkningene på hvordan vi vet, skaper og forholder oss til verden.
Men ikkke bare det.
Når tekstproduksjon og transformasjon delvis automatiseres og langlesning svinner hen, holder det ikke å bare kreve mer av akkurat det samme som der råten har satt seg. Et vesentlig bidrag er å løfte fram den kvalifiserte bedømming – generalisert som dømmekraft. Vi får her to strategier for å møte massifisering av tekst:
Mer tekst, mer lesning og skriving.
Den praktiske vending: Tekstene må forankres og testes mot levd liv.
Aftenposten har et to-siders oppslag om dette, men fra en annen vinkel: Hvordan få unge mennesker til å velge fagutdanning og praktiske profesjoner framfor rene tekststudier?
Det «teoretiske» poenget får der et pragmatisk uttrykk
Dette er det verdt å grave mer i. Det knyttes her til striden om hva som egentlig er hensikt og kvalifiseringskrav for opprykk i dosentstigen.
Er det et bredspektret pytt-i-panne der man kan kvalifisere seg på forskningsartikler (men uten å levere på phd-nivå); drive egen-utvikling og så skrive selvpromotorende «personlige refleksjonsnotater» om hvor langt man har kommet med det; eller administrere studier; eller drive urviklingsarbeid; eller litt av det ene og litt av det andre, – man tager det man haver? Slik var det 2006-2025 der dosentstigen skrumpet år for annet.
Eller er det å drive håndfast faglig utviklingsarbeid et terskelkrav som alle må tilfredsstille, – gjerne supplert med andre typer bidrag? Dette er en linje for forpliktelse.
Det snodige nå er at UHR promoterer begge de selvmotsigende retningene samtidig. Jo, kravet om håndfast utviklingsarbeid er tydelig understreket, – ikke minst med henvisning til Frascati-manualens klare definitoriske skille mellom grunnforskning og anvendt forskning på den ene side og det eksperimentelle utviklingsarbeidet på den andre. F og U. Det avgrenses også mot administrasjon.
Samtidig skal man ifølge UHR legge NOR-CAMs breddeforståelse til grunn med konkrete eksempler som opphever og motsier foregående punkt.
Det er forvirrende. Det er logisk lapskaus.
Problemstillingen har nå et korrelat i nettopp spørsmålene rundt KI og utviklingen av den faglige dømmekraft. Her er en skisse som både springer ut av og gjenspeiler de to linjene.
Ledetekst:
Akademikere må utvikle bedre dømmekraft for å skrive gode ledetekster til KI og redigere tilbakemeldingene de får fra KI. Gi en liste over 10 tiltak som bidrar mest til at master- og phd-studentet oppøver slik dømmekraft.
Tiltak for å utvikle dømmekraft
Systematisk trening i å formulere og revidere ledetekster.
Studentene bør arbeide iterativt med samme faglige problemstilling, der de sammenligner hvordan små endringer i ledetekster gir ulike typer svar. Dette utvikler forståelse for hvordan språklige valg styrer KI-ens resonnement og prioriteringer.
Kritisk etterredigering som obligatorisk del av oppgaver.
KI-genererte tekster bør aldri leveres uendret. Studentene må pålegges å identifisere faglige svakheter, implisitte antakelser og uklare begreper, og dokumentere hvordan teksten er forbedret gjennom faglig vurdering.
Sammenligning mellom menneskelig og maskinell respons.
Ved å sammenholde egne utkast med KI-forslag på samme oppgave, blir det tydelig hvor KI er presis, hvor den er vag, og hvor den mangler faglig dømmekraft. Dette skjerper studentenes evne til å vurdere kvalitet.
Eksplisitt arbeid med kriterier for faglig kvalitet.
Studentene bør formulere og bruke eksplisitte vurderingskriterier for hva som kjennetegner gode faglige svar i eget felt. Slike kriterier fungerer som korrektiv mot KI-ens generiske formuleringer.
Analyse av feil, hallusinasjoner og overgeneralisering.
Systematisk gjennomgang av feilaktige eller misvisende KI-svar gir innsikt i modellens begrensninger og styrker studentenes evne til å gjenkjenne tilsynelatende plausible, men faglig svake utsagn.
Refleksjonsnotater om samspill mellom fagkunnskap og KI.
Studentene bør skrive korte refleksjoner om hvordan deres egen faglige forståelse påvirket både ledetekstene de skrev og vurderingen av svarene de mottok. Dette synliggjør dømmekraft som en lærbar ferdighet.
Arbeid med kontekstualisering og avgrensning.
God dømmekraft utvikles når studentene lærer å gi KI presis faglig kontekst, tydelige avgrensninger og eksplisitte forutsetninger. Dette reduserer generiske svar og øker faglig relevans.
Kollegial diskusjon av KI-bruk.
I seminarer kan studenter legge frem egne ledetekster og KI-svar for felles analyse. Ulike vurderinger av samme tekst synliggjør at kvalitet ikke er gitt, men må begrunnes faglig.
Integrering av vitenskapsteoretiske perspektiver.
Diskusjoner om kunnskap, evidens, forklaring og forståelse gir et begrepsapparat for å vurdere hva KI faktisk gjør når den produserer tekst, og hva den ikke kan gjøre.
Vektlegging av ansvar og forfatterskap.
Studentene må trenes i å se seg selv som fullt ansvarlige for teksten, også når KI er brukt. Dette styrker dømmekraft ved å tydeliggjøre at KI er et verktøy, ikke en faglig autoritet.
Samlet sett bidrar disse tiltakene til å flytte fokus fra teknisk bruk av KI til utvikling av faglig dømmekraft. Det er denne dømmekraften som avgjør om KI blir et produktivitetsverktøy eller en kilde til faglig forflatning.
Det er jo her påfallende hvor lite praksis og levd liv som gjenspeiles i punktene ovenfor. Det skyldes at den store språkmodellen kolporterer det samme innadvendte verdensbilde med svak orientering mot praksis som UHR-veilederen preges av.
Kan du også ta med praktisk utprøving, arbeidserfaring og livserfaring som grunnlag for bedømming av KI-genererte tekster?
Nedenfor gis det tilbakemelding om at dette er avgjørende, men altså ikke nok til å være blant de 10 tiltakene som bidrar mest ovenfor. Det forklares med at dette ikke kan utledes av tekst alene.
Men generativ KI utleder ingenting. Den er ikke logisk deduktiv, men gjenspeiler kun sitt tekstforråd, dvs. det dominerende teksttilfanget på Internett.
Praksis
Ja. Praktisk utprøving, arbeidserfaring og livserfaring er avgjørende korrektiver til KI-genererte tekster. De gir tilgang til erfaringsbasert kunnskap som ikke lar seg utlede av tekst alene, og som derfor ofte mangler i KI-ens svar. Nedenfor følger en presisering av hvordan slike erfaringer kan inngå systematisk i bedømmingen av KI-generert tekst på master- og ph.d.-nivå.
Systematisk kobling mellom tekst og praksissituasjoner.
Studenter bør vurdere KI-genererte tekster opp mot konkrete praksissituasjoner de kjenner fra arbeid, feltarbeid eller profesjonsutøvelse. Spørsmålet er om teksten faktisk lar seg anvende i virkelige situasjoner.
Erfaringsbasert plausibilitetstesting.
Arbeids- og livserfaring gir et repertoar av situasjoner som gjør det mulig å vurdere om forslag, forklaringer eller anbefalinger framstår realistiske, gjennomførbare og faglig forsvarlige.
Identifisere fraværende praktiske detaljer.
KI-tekster er ofte generelle og glatte. Studenter med praksiserfaring kan lettere oppdage hva som mangler: tidsbruk, ansvarslinjer, institusjonelle rammer, motstridende hensyn og uforutsette konsekvenser.
Bruk av arbeidserfaring som eksplisitt vurderingsgrunnlag.
Studentene bør trenes i å vise hvordan egne erfaringer fra arbeid eller praksis inngår i vurderingen av KI-ens svar, for eksempel ved å forklare hvorfor en løsning ikke fungerer i faktiske organisasjoner.
Refleksjon over rapportert livs- og arbeidserfaring.
Livs- og arbeidserfaring gir kunnskap om samhandling, timing, skjønn og ansvar. Slike forhold bør brukes aktivt til å kritisere KI-ens ofte normerte og kontekstløse fremstillinger.
Praktisk utprøving som valideringsform.
Når det er mulig, bør forslag eller analyser fra KI testes i praksis, i begrenset skala. Resultatet brukes deretter som grunnlag for kritisk revisjon av teksten.
Sammenstilling av teori, KI-tekst og erfaring.
Dømmekraft styrkes når studenter eksplisitt sammenholder tre kunnskapsformer: teoretiske begreper, KI-genererte formuleringer og egne erfaringer. Spenninger mellom disse må analyseres, ikke glattes over.
Erfaringsbasert grensedragning.
Gjennom livs- og arbeidserfaring kan studenter lettere avgjøre hva KI egner seg til, og hvor verktøyet kommer til kort. Dette gir bedre dømmekraft i utforming av ledetekster.
Dokumentasjon av erfaringsbaserte korreksjoner.
Studenter bør pålegges å dokumentere hvordan erfaring har ført til endringer i KI-generert tekst. Dette tydeliggjør dømmekraft som en systematisk og etterprøvbar praksis.
Vurdering av normative implikasjoner.
Livserfaring bidrar til å vurdere etiske, sosiale og profesjonelle konsekvenser som KI sjelden tematiserer eksplisitt. Slike vurderinger er sentrale i akademisk ansvarlighet.
Når praktisk utprøving, arbeidserfaring og livserfaring brukes aktivt, blir KI-generert tekst et utgangspunkt for faglig vurdering, ikke en fasit. Dømmekraft utvikles nettopp i spennet mellom det tekstlige, det teoretiske og det erfarte.
