@Privatfar Personligt ville jeg ikke bruge LLM-værktøjer, men det er dels fordi jeg ikke stoler på de leverer noget godt og dels fordi deres ressource forbrug er for stort til jeg kan retfærdiggøre det. Udover dette er der også spørgsmålet om databeskyttelse og rettigheder.

PS. Jeg er også underviser og vi skal netop forholde os til en del etiske og rettigheds forhold omkring AI.

#skolechat

@davsebamse @Privatfar Jeg er bange for, at det bliver svært at undgå - i hvert fald i nogle fag. Hvis man ser nogle af de tråde herinde med hvad folk formår at gøre på rekordtid programmeringsmæssigt, så virker det lidt som forskellen på at bruge kugleramme og lommeregner. Der er stadig en masse problemer, som til dels kan løses, men jeg er ikke sikker på, at vi nogensinde når dertil, at vi kan decideret stole på deres output. Det kan dog stadig bruges som en accelerant til at nå frem (f.eks. ved at se på output og udplukke det brugbare efter brug af kildekritik) til det, man gerne vil – også udenfor programmering.

Ressourceforbruget er klart problematisk, men det er også vigtigt at se kritisk på den side af snakken; det tungeste er træningen af modellerne og derefter multimedieoutput. Simple søge-lignende prompts eller opsummeringer er slet ikke i samme skala, og på et tidspunkt krydser linjerne for hvornår X antal forgæves søgninger vs en prompt forbruger. Nogle af modellerne kan fint køre på ganske almindelige computere uden at involvere datacentre, og man kan jo sige, at når modellen er trænet og kan bruges enkeltstående efterfølgende, så er det relativt tæt på “gratis” (det trækker færre kræfter at køre en LLM lokalt et stykke tid end f.eks. at køre et computerspil i den samme periode det tager den at svare - hvilket svinger mellem sekunder og minutter alt efter kompleksitet).

#skolechat

@trezzer @Privatfar Enig, mit issue med LLM'er i forbindelse med undervisning, er at der ikke er meget læring i at bruge sådan en. Hvis man sammenligner en LLM og en lommeregner, så skal du stadig selv finde ud af hvad det er der skal regnes ud, hvor LLM'en "overtager" din tankegang og det lærer man ikke meget af.

Jeg er klar over at LLM'er bliver brugt i virkeligheden, men dem der bruger dem kan også forholde sig til hvad der kommer ud fordi de har grundviden og træningen uden LLM

@davsebamse @Privatfar Ja, det kræver i hvert fald en tilpasning af hvordan man bruger LLM. Vi er i gang med at udarbejde retningslinjer for brug af LLM i forbindelse med større opgaver, og hvis man skal opsummere dem kort, så er det et værktøj man kan bruge til research til at finde kilder med, samt noget man kan bruge til sokratisk dialog med sine tanker i planlægningsfasen.

Allerede nu ville jeg dog kunne uddele prompts til mine elever, som ville give dem konkret feedback på skriftlige afleveringer i engelsk (hvor den vurderer om krav til tragtindledning overholdes, om der er kohæsion og kohærens, om der er intern sammenhæng med kernesætning, uddybning og delkonklusion i analyseafsnit, samt om konklusionen er en fornuftig syntese og overbygning på analysen og i øvrigt hænger sammen med indledningen. Den kan i samme omgang fremhæve de mest almindeligt forekommende sproglige fejl.

Problemet med det er, at 1) fristelsen nok ville være for stor til ikke at køre prompten på et AI-genereret essay og massere det, til det lever op til kravene. I hvert fald ved de, der ikke allerede er erfarne essay-skrivere. Og 2) elever er typisk heller ikke interesserede i at høre fra en LLM. Den menneskelige relation betyder noget.

Men muligheden for selv at køre denne type prompts og manuelt udplukke og formulere på baggrund af en faglig vægtning, hvor man ser på LLMens output som en måde at bevare fokus - også efter den 12. aflevering på dagen - og et åbent sind (de bliver aldrig trætte, har ingen personbias og kan fremhæve positivt såvel som negativt) har potentiale til at løfte kvaliteten af feedback, så længe man bruger dem kritisk.