Kategorier
Generativ AI The light side Uncategorized

AI literacy: att kunna använda AI är inte samma sak som att förstå den

Troligtvis har de flesta universitetsundervisare upplevt samma sak som jag gjort de senaste två åren. En student lämnar in en välskriven text. Språket är flytande. Strukturen är logisk. Allt ser professionellt ut. Kanske lite för professionellt. Frågan som då dyker upp är: Har studenten använt AI?

Men är det verkligen rätt fråga att ställa? Borde inte den intressanta frågan snarare vara: Vet studenten hur AI påverkar det hen har skrivit?

Men detta gäller inte bara studenter. Samma fråga kan faktiskt ställas till forskare. Detta gäller även de manuskript som jag får för review. Hur påverkar detta forskarens vardag?

När AI flyttar in i laboratoriet

Generativ AI har på gott och ont, under kort tid blivit en del av forskningsvardagen. Den används för att brainstorma idéer, hitta litteratur, skriva kod, analysera data, sammanfatta artiklar och formulera texter. För många är ChatGPT eller liknande AI-verktyg lika naturliga att använda som Google eller texteditorprogram.

Det finns uppenbara fördelar. Många arbetsuppgifter går snabbare. Tröskeln för att komma i gång med nya projekt sjunker. Den som fastnat framför en tom sida kan få hjälp att ta första steget i skrivandet.

Men samtidigt uppstår nya problem.

AI hittar på referenser. AI sammanfattar ibland fel. AI presenterar osäkra slutsatser med en övertygelse som skulle göra många forskare avundsjuka. Och kanske viktigast av allt: AI påverkar hur vi tänker utan att vi alltid märker det.

En ny artikel av Jessica Parker och Kimberly Becker[1] argumenterar därför för att vi behöver flytta fokus från AI-användning till AI literacy. Det handlar inte om att kunna skriva bra prompts. Det handlar om att förstå hur AI påverkar forskning som kunskapsprocess.

AI är inte bara ett verktyg

Vi talar ofta om AI som ett verktyg. Ungefär som en miniräknare. Problemet är att en miniräknare inte föreslår vilka forskningsfrågor som är intressanta, vilka artiklar som är relevanta eller hur din introduktion bör se ut. Det är något som dagens AI-system gör.

Parker och Becker beskriver AI som en slags kulturell mellanhand. Tanken är att AI inte bara hjälper oss att utföra arbete. Den påverkar också vad som framstår som rimligt, trovärdigt och viktigt. Om du ber en språkmodell föreslå forskningsfrågor inom ett område kommer dess svar att bygga på mönster i den litteratur som modellen har tränats på. Det innebär att etablerade perspektiv ofta förstärks medan ovanliga, kontroversiella eller framväxande idéer riskerar att hamna i skymundan. AI fungerar därmed mindre som ett fönster mot världen och mer som ett filter. Där det som redan är etablerat skapar en verklighet.

Tre sorters AI literacy

För att möta dessa utmaningar delar Parker och Becker upp begreppet AI literacy i tre nivåer.

1. Funktionell AI literacy

Den första nivån handlar om det mest uppenbara: att kunna använda verktygen på ett bra sätt.

Hur får man AI att hjälpa till med litteratursökningar? Hur kan den användas för programmering eller dataanalys? Hur formulerar man effektiva instruktioner?

Men här finns en viktig detalj.

Funktionell kompetens handlar också om att förstå verktygens begränsningar. En AI-litterat forskare verifierar referenser, kontrollerar fakta och dokumenterar hur AI har använts i forskningsprocessen. AI:s svar behandlas som preliminära förslag, inte som färdiga resultat.

Med andra ord: AI får hjälpa till med jobbet och göra det lättare, men inte göra jobbet åt dig.

2. Kritisk AI literacy

Den andra nivån är kanske den viktigaste.

AI-system reproducerar mönster från träningsdata. Det innebär att de också reproducerar skevheter, blinda fläckar och dominerande perspektiv. Till exempel forskning och publikationer från icke-västliga länder.

När AI beskriver en metod som «den mest använda» bör en forskare instinktivt fråga:

  • Mest använd av vem?
  • Inom vilket forskningsfält?
  • Saknas det några alternativ?

Kritisk AI-literacy handlar om att motstå frestelsen att acceptera välskrivna svar som sanna. Att man alltid ska kontrollera källorna. Det är egentligen bara klassisk vetenskaplig skepticism i ny förpackning.

3. Retorisk AI literacy

Den tredje nivån är kanske den mest underskattade och svårfångade.

AI kan skriva mycket text. Ofta ganska bra text. Problemet är att den ofta låter som en AI. Språket blir korrekt men generiskt. Resonemangen blir välordnade men förutsägbara. Vetenskapliga texter riskerar att få samma tonfall oavsett om de kommer från Trondheim, Tokyo eller Toronto.

För forskare handlar retorisk AI literacy om att behålla sin egen röst, sina formuleringar. Inte därför att individualitet är ett självändamål, utan därför att vetenskap kräver tolkning, omdöme och argumentation. Just skrivandet är viktigt i denna process, då man måste vända på ord och formuleringar för att föra fram sina argument på bästa sätt. Den delen av forskningsprocessen kan inte outsourcas utan kostnad.

AI literacy är egentligen vetenskaplig metod

Det mest intressanta i Parker och Beckers resonemang är kanske att AI literacy inte presenteras som en teknisk färdighet. Den beskrivs som en del av normal vetenskaplig praxis. Det handlar inte främst om att förstå neurala nätverk eller hur en Large Language Model fungerar.

Det handlar om att:

  • verifiera påståenden,
  • dokumentera arbetsprocesser,
  • identifiera bias,
  • bedöma osäkerhet,
  • ta ansvar för slutsatser.

Det vill säga exakt samma ideal som forskningen bygger på. Vi må ha en ny teknik, men de vetenskapliga dygderna är gamla.

Den viktiga frågan

När vi ser på diskussionerna på universitetet kretsar de ofta kring regler och oftast då för studenter. För studenterna, stipendiater och forskare blir frågorna:

  • Får man använda ChatGPT?
  • När måste man deklarera det?
  • Var går gränsen mellan hjälpmedel och fusk?

Det är viktiga frågor, men de riskerar att missa det viktigaste! Det avgörande är inte om AI används. Det avgörande är om användaren fortfarande använder sitt självständiga omdöme.

Det som är viktigt att komma ihåg är att forskning inte är en process för att generera text. Forskning är en process för att generera kunskap. Där finns det inga genvägar. AI kan hjälpa oss att arbeta och kanske tänka snabbare. Men den kan inte ta ansvar för våra tankar och hur vi använder vårt omdöme.

Så AI literacy är något som alla behöver, inte bara studenter…


[1] Parker, J. L., & Becker, K. P. (2026, April). Defining and assessing AI literacy for researchers across the research lifecycle. In Frontiers in Education (Vol. 11, p. 1827603). Frontiers Media SA.