Optimering af case-baseret undervisning med kunstig intelligens

Den seneste udvikling inden for AI-chatbots præsenterer et spændende perspektiv for case-baseret undervisning og træning, fordi de skaber mulighed for dynamisk interaktion samt mere realistiske og engagerende læringsoplevelser. Artiklen udforsker denne mulighed ved at dele et praktisk eksempel fra et projektledelseskursus på Aarhus Universitet i Herning. Her har kunstig intelligens ikke kun bidraget til at forme case-beskrivelsen, men også gavnet undervisningen ved at lade studerende interagere direkte med case-figurerne gennem AI-chatbots.

AI-Chatbots gør case-arbejde mere virkelighedsnært
Case-baseret undervisning er et effektivt værktøj til at udvikle kritisk tænkning, og det er i høj grad en praktisk træningsbane til at håndtere usikkerhed. Men hvis du har bare en smule erfaring med cases – som fx underviser, studerende, kursist eller lignende – har du sandsynligvis også oplevet, at de sjældent indeholder alle de svar, man kunne ønske sig, og nogle valg må bygges på antagelser.

Jo mere kompleks en case er, desto mere udfordrende bliver det at forudse præcist hvilke informationer, der vil blive behov for, når casen skal diskuteres. Behovet for informationer har nemlig stor sammenhæng med det perspektiv, der lægges ned over casen, når der arbejdes med den. Derfor bliver man som underviser ofte nødt til at bede folk om at gøre sig nogle antagelser, og selv hvis disse antagelser indarbejdes i case-beskrivelsen efterfølgende, vil der sandsynligvis opstå nye behov for antagelser næste gang, den anvendes. Det øger sandsynligheden for, at såvel diskussioner som resultater bliver begrænset til det, man i forvejen ved eller har erfaring med, og det mindsker samtidig følelsen af at arbejde med en virkelighedsnær problemstilling.

Derfor er det interessant, at den seneste udvikling inden for kunstig intelligens (AI) har skabt AI-chatbots, såsom ChatGPT, Copilot og Gemini, der giver mulighed for at gøre cases mere virkelighedsnære og mindske oplevelsen af manglende informationer. Når en case indsættes i en AI-chatbot, kan den nemlig svare på spørgsmål og reagere på valg, der tages undervejs i arbejdet med casen.

Hvordan fungerer det?
En af de mest fundamentale funktioner i AI-chatbots er evnen til at forudsige det næste ord i en sætning ved hjælp af Large Language Models. Det er denne evne, der kan udnyttes til at skabe interaktive cases. Når man stiller et spørgsmål, kan AI-modellen analysere konteksten af spørgsmålet og forudsige hvilket ord, der sandsynligvis vil følge efter. Man kan fx stille spørgsmål til en case-figur, eller bede om informationer om et bestemt emne, og så får man et svar. Men for at få et brugbart svar er det vigtigt, at AI-chatbotten kender konteksten, så casen i højere grad bliver fokuseret på at beskrive den, frem for at levere informationer og svar til en mulig løsning.

Hvis en case handler om en konkret virksomhed, kan man fx sørge for, at casen indeholder informationer om virksomhedens organisering (afdelinger, antal ansatte mv.) samt økonomiske nøgletal. Herudover kan man supplere med informationer om nøglemedarbejdere og interviews med udvalgte, relevante medarbejdere. Dette kan i øvrigt også udvikles med en AI-chatbot som sparringspartner, hvilket der er et praktisk eksempel på længere nede. Den første version vil sikkert være mere eller mindre ubrugelig, men der er en god sandsynlighed for, at der er noget brugbart, som man kan bygge videre på, og der vil ofte komme perspektiver og idéer, som man ikke selv havde fundet på.

Udfordringer og muligheder med AI-chatbots
En af udfordringerne med AI-chatbots er, at de kan være forudindtaget, eller de kan miste fokus undervejs, når man interagerer med dem. Det er derfor vigtigt, at de, der interagerer med AI-chatbotten, er opmærksomme på at få den ledt tilbage på sporet, hvis det begynder at ske. Eksempelvis kan man opleve at få nogle meget specifikke svar på noget teknisk, selv om man anvender en AI-chatbot til at interviewe en økonomichef, som i princippet ikke bør have nogen forudsætninger eller kompetencer til at give den type svar. I sådanne situationer kan et relevant spørgsmål til økonomichefen/AI-chatbotten være, om han/hun overhovedet har forudsætninger for at give det pågældende svar. Typisk vil økonomichefen/AI-chatbotten undskylde forvirringen og komme tilbage på sporet. Men hvor langt vil en sådan en situation kunne være fra virkeligheden? Her kan man også opleve at få misvisende svar, men hvis det håndteres og italesættes korrekt, er det snarere en mulighed for at træne evnen til at være kritisk.

Et praktisk eksempel fra en undervisningssituation
Casen i dette eksempel er udviklet til et kursus i projektledelse for diplomingeniørstuderende på Aarhus Universitet. De studerende har haft undervisning i klassiske projektledelsesværktøjer og skal blandt andet bruge case-beskrivelsen til at identificere relevante interessenter samt disses behov, ønsker og krav til projektet og dets resultater.
Case-beskrivelsen indeholder beskrivelser af forskellige potentielle interessenter, men den giver ikke informationer om deres ønsker, behov, krav osv. Det er de studerendes opgave at interviewe interessenterne ved hjælp af en AI-chatbot, og ud fra svarene skal de blandt andet formulere et scope for projektet. Ved denne fremgangsmåde får de studerende også trænet deres evner til at stille relevante spørgsmål.

Udvikling af casen
Casen er udviklet gennem flere iterationer, og nedenstående uddrag er eksempler på nogle af de inputs og svar, der er givet og modtaget i løbet af processen. Man kan, som i dette tilfælde, vælge at starte relativt åbent i sin formulering af opgaven, da det giver plads til mange forskellige svar fra AI-chatbotten. Med den tilgang er der større sandsynlighed for at blive inspireret med nye perspektiver, som man ikke selv har overvejet. Men man kan også vælge at være mere specifik i sin beskrivelse af konteksten for casen for at komme mere målrettet frem til et resultat.

1. AI-chatbotten får baggrundsinformationer/kontekst for udvikling af casen

2. AI-chatbotten leverer det første bud på en case

3. AI-chatbotten får feedback på sit svar. Bl.a. at den har indsat svar direkte i case-beskrivelsen på trods af, at den er blevet bedt om at lade være.

4. AI-chatbotten leverer et nyt bud på en case

5. AI-chatbotten får en ny opgave i forhold til case-beskrivelsen

6. Eksempel på output fra AI-chatbotten

Interaktion med casen
De studerende blev bedt om at forberede AI-chatbotten på opgaven ved at beskrive, hvad de ønsker at få ud af interaktionen med AI-chatbotten. Et eksempel på en forberedende tekst er vist her:

Det sker, at AI-chatbotten selv går i gang med en opgave, selv om den ikke er blevet bedt om det. Det er fx tilfældet i eksemplet herunder. AI-chatbotten har selv taget initiativ til lave et interview med en person, som er beskrevet i casen. Man kan vælge at afbryde svaret for at få mulighed for at stille sine egne spørgsmål, men man kan også vente og bruge det som inspiration til det videre arbejde.

Det er en god idé at informere AI-chatbotten løbende om formålet med de opgaver, der stilles, så man er sikker på, at den bliver ved med at have fokus på konteksten. Man kan fx også skrive, hvad man gerne vil, og så spørge, om det er muligt, for at undersøge om AI-chatbotten er i stand til at løse opgaven.

Når først AI-chatbotten er blevet bekendt med konteksten, og den er blevet informeret om opgaven, kan man stille de spørgsmål, man ønsker. Et eksempel på et spørgsmål er vist herunder. Spørgsmålet er stillet til Forsknings-og Udviklingschef, Anne Hansen, og AI-chatbotten er gennem casen blevet informeret om, at hun har en ingeniørbaggrund og omfattende erfaring inden for forskning og udvikling. Derudover står der i casen, at hendes hovedfokus er at drive innovation og udvikling af nye produkter og teknologier. Casen indeholder ikke beskrivelser af regler og standarder for medicinsk udstyr, så det er et perspektiv, som AI-chatbotten selv har lagt ind i samtalen

Gå bare i gang
Det er vigtigt at slå fast, at man ikke behøver at vide noget om hverken AI-chatbots, Generative AI eller Large Language Models for at komme i gang. En nysgerrig og eksperimenterende tilgang er tilstrækkelig. Hop med på bølgen i den nuværende udvikling og oplev, hvordan AI-chatbots kan forvandle undervisningens dynamik og skabe mere realistiske læringsmiljøer. Det eneste, du skal gøre, er at give AI-chatbotten kontekst og opgave og så være åben for den kreative interaktion, den kan facilitere. Udforskningen af AI i undervisningen er altså ikke forbeholdt eksperter. Det er en mulighed, der venter på at blive udforsket af enhver med interesse for at forbedre undervisningens kvalitet og gøre læring mere engagerende og effektiv.