Disse ble randomisert over fire grupper der noen jobbet kreativt aleine uten å bruke KI, mens andre fikk bruke det. Noen jobbet i grupper, – de også med eller uten KI-støtte. Kvalitet på arbeidsresultatet ble vurdert av dommerpaneler. Studien undersøkte hvordan generativ kunstig intelligens (KI) påvirker teamytelse og gruppestrukturer.
Hovedfunn
Resultatene viste at team som benyttet KI presterte betydelig bedre enn de uten KI.
Interessant nok presterte enkeltpersoner med KI på nivå med tradisjonelle team uten KI, noe som indikerer at KI kan etterligne visse fordeler ved menneskelig samarbeid.
Videre bidro KI til å bryte ned funksjonelle siloer. Uten KI foreslo forsknings- og utviklingsarbeidere ofte tekniske løsninger, mens kommersielle fagpersoner tenderte mot kommersielt orienterte forslag. Profesjonelle som brukte KI utviklet derimot mer balanserte løsninger, uavhengig av faglig bakgrunn.
KI sitt språkbaserte grensesnitt førte også til en mer positiv emosjonell respons blant deltakerne. De rapporterte høyere nivåer av positive følelser som entusiasme og energi, og lavere nivåer av negative følelser som angst og frustrasjon.
Det antyder at KI kan fylle deler av den sosiale og motiverende rollen som tradisjonelt tilbys av menneskelige teammedlemmer.
Skarpe nok bilder i 5 sekunder: (Qwen 4.5: Make a video of a professor using AI at her PC while talking to a few students).
KI-drevet ombygging
Studien konkluderer med at å bruke KI i kunnskapsarbeid omformer ikke bare ytelsen, men også hvordan ekspertise og sosial tilknytning manifesterer seg i grupper. Dette utfordrer organisasjoner til å revurdere strukturen for samarbeid. KI fungerer mer som en “kybernetisk lagkamerat” enn bare et verktøy.
Ytterligere funn inkluderer at
KI-forsterkede team oftere produserte løsninger som rangerte i øverste sjikt.
Deltakere som brukte KI var samtidig mer usikre på om løsningene deres ville rangere høyt, til tross for den objektive forbedringen i kvalitet.
KI bidro også til å redusere dominanseffekter innad i samarbeidet, noe som førte til mer balanserte bidrag.
Analyser av KI-bruk viste at mange deltakere i stor grad brukte KI-generert innhold, men at de endelige løsningene fortsatt hadde et “semantisk fingeravtrykk” nærmere menneskelige løsninger enn rent KI-genererte utdata.
Studien fremhever behovet for at organisasjoner tenker nytt om optimale teamstørrelser og sammensetning. De kan med fordel investere i å utvikle ansattes evner til å samhandle med KI. Fremtidig forskning bør undersøke hvordan fordelene med KI-integrasjon utvikler seg over tid og hvordan KI påvirker utviklingen av domeneekspertise.
Dersom resultatene fra denne studien skulle stå seg over tid, vil det blinke blålys for individualisert karriereutvikling i akademia, og kanskje særlig i dosentstigen. Man må legge større vekt på bidrag fra arbeidsgrupper framfor enkeltindivider når det gjelder utviklingsarbeid og kvalitetsheving. Samtidig som produktiviteten (bruksverdi) går opp, vil prisen (bytteverdien) gå ned over tid. Kunnskapsarbeidet mister sin fortryllelse og blir mer på linje med annet arbeid.
Utviklingsarbeider
Her er noen KI-genererte punkter om mulige utviklingsprosjekter der dette forskningsresultatet kan komme til anvendelse. De gjelder både tradisjonelle og nye områder for eksperimentell utvikling, med konkrete eksempler på hver kategori.
På hvert punkt kan vi gå inn i og utforske hvordan KI kan bidra i utviklingsarbeidet når enkeltperson eller en arbeidsgruppe utvikler og prøver ut løsninger.
Samfunnsrelevans
Mål: Sikre relevans i forhold til kunnskapsutvikling og samfunnsbehov.
Eksempel: Et universitet utvikler en tverrfaglig bachelor i bærekraftig teknologi, hvor studenter kombinerer ingeniørfag, økonomi og etikk for å utvikle bærekraftige løsninger.
Arbeidsmarkedets behov
Mål: Utdanne kandidater som er bedre forberedt på arbeidslivet.
Eksempel: Et helsevitenskapelig fakultet innfører simuleringsbasert undervisning for å gjøre studenter i paramedisin mer erfarne i håndtering av akuttsituasjoner før de møter pasienter.
Forbedret fagdidaktikk
Mål: Øke læringseffekten gjennom bedre undervisningsmetoder.
Eksempel: Innføring av “omvendt klasserom” i ingeniørfag, der studentene ser forelesninger på nett og bruker forelesningstid til problemløsning i grupper.
Digitalisering
Mål: Bruke teknologi for å forbedre læring og vurdering.
Eksempel: Et universitet implementerer adaptive læringsplattformer som justerer undervisningen basert på studentens progresjon og læringsstil.
Teoretisk & praktisk kunnskap
Mål: Sikre at studenter kan anvende teori i praksis.
Eksempel: En lærerutdanning lar studenter analysere klasseromsopptak av egen undervisning for å styrke refleksjon og profesjonell utvikling.
Campusstudier & praksisperioder
Mål: Skape sterkere koblinger mellom akademia og arbeidslivet.
Eksempel: En sykepleieutdanning utvikler en veiledet refleksjonsplattform der studenter logger sine erfaringer fra praksisfeltet og diskuterer disse med veiledere og medstudenter.
KI-støttet personlig tilpasning
Mål: Skreddersy læringsløp for studenter med ulike forutsetninger.
Eksempel: En master i informatikk implementerer KI-drevne veiledere som gir studentene skreddersydde oppgaver basert på deres styrker og svakheter.
Hybride arbeidsformer
Mål: Forberede studenter på fremtidens arbeidsliv med fjern- og hybridarbeid.
Eksempel: En økonomiutdanning designer teamprosjekter der noen studenter arbeider fysisk på campus, mens andre deltar virtuelt for å simulere globalt samarbeid.
Alternativ vurdering
Mål: Redusere eksamensstress og øke læringsutbytte.
Eksempel: En jussutdanning tester en vurderingsmodell der studentene arbeider med en praktisk sak gjennom hele semesteret, og vurderes basert på refleksjonsnotater og klientinteraksjoner.
Spillbasert læring
Mål: Øke studentengasjement og læring gjennom interaktive scenarioer.
Eksempel: En historieutdanning utvikler en digital rekonstruksjon av middelalderbyer, der studentene kan navigere i ulike roller for å forstå økonomiske og sosiale strukturer.
Tverrfaglige og komplekse problemstillinger
Mål: Forberede studenter på å jobbe med globale utfordringer.
Eksempel: En tverrfaglig modul i “Krisehåndtering og beredskap” lar jusstudenter, helsearbeidere og økonomer samarbeide om simuleringer av pandemihåndtering.
Metakognisjon og selvregulering
Mål: Øke studentenes evne til å styre egen læringsprosess.
Eksempel: Et pedagogikkfag innfører refleksjonsnotater og KI-baserte selvevalueringsverktøy for å styrke studentenes evne til å reflektere over egen faglige utvikling.
Læringsfellesskap/kollaborativ læring
Mål: Skape mer inkluderende og studentdrevne læringsmiljøer.
Eksempel: Et kurs i entreprenørskap bruker et sosialt læringsnettverk der studenter gir hverandre tilbakemeldinger på forretningsidéer før de presenterer for investorer.
Kortere og fleksible utdanningsløp
Mål: Gjøre høyere utdanning mer tilgjengelig for voksne i arbeidslivet.
Eksempel: En IT-utdanning tilbyr modulbaserte mikroemner som kan settes sammen til en fullverdig bachelorgrad over tid.
Extended Reality (XR)
Mål: Skape immersive læringsopplevelser som erstatter eller supplerer praksis.
Eksempel: Medisinstudenter bruker VR-simuleringer av kirurgiske inngrep for å øve før de deltar i faktiske operasjoner.
Livslang læring
Mål: Sikre at utdanningsinstitusjoner dekker kontinuerlige læringsbehov.
Eksempel: Et universitet utvikler en abonnementsbasert modell der alumner får tilgang til faglige oppdateringer gjennom korte, årlige etterutdanningsmoduler.
Refleksjon rundt teknologiutvikling
Mål: Utvikle studentenes kritiske blikk på teknologiens rolle i samfunnet.
Eksempel: Et masterprogram i kunstig intelligens inkluderer et obligatorisk kurs i etikk, politikk og lovgivning for å sikre at teknologer forstår de sosiale implikasjonene av sine løsninger.
Bruke gruppebasert KI
Kunstig intelligens (KI) har potensial til å transformere hvordan faglige arbeidsgrupper i høyere utdanning gjennomfører utviklingsarbeid. Ved å integrere KI i ulike faser av prosjekter kan man oppnå økt effektivitet, kreativitet og kvalitet. For å realisere dette er det avgjørende at faglig ansatte tilegner seg nødvendig kompetanse innen KI.
Måter å integrere KI i utviklingsarbeid:
Idéutvikling og konseptualisering: KI kan brukes til å utvikle nye ideer og modeller ved å analysere store mengder data og identifisere mønstre som mennesker kanskje ikke oppdager. Det kan føre til innovative løsninger på komplekse problemer.
Dataanalyse: Gjennom maskinlæring kan KI analysere omfattende datasett for å avdekke trender og sammenhenger. Dette er spesielt nyttig der man håndterer store mengder informasjon.
Automatisere rutineoppgaver: KI kan automatisere repetitive oppgaver som datainnsamling og -behandling, utkast og illustrasjon, – noe som frigjør tid for ansatte til å fokusere på mer strategiske aktiviteter.
Digitale læringsressurser: Ved hjelp av KI kan man utvikle adaptive læringsplattformer som tilpasser seg den enkelte students behov, noe som forbedrer læringsopplevelsen og -utbyttet.
Forbedre samarbeid og kommunikasjon: KI-drevne verktøy kan fasilitere bedre kommunikasjon i team ved å oppsummere møter, foreslå oppgaver og holde oversikt over prosjektfremdrift.
Nødvendig KI-kompetanse for faglig ansatte:
Grunnleggende forståelse av KI: Kjennskap til hva KI er, hvordan det fungerer, og hvilke muligheter og begrensninger teknologien har.
Kunnskap om maskinlæring: Forståelse for hvordan maskinlæringsalgoritmer utvikles og anvendes, samt evne til å tolke resultater fra slike modeller.
Datahåndtering: Kompetanse i å samle inn, rense og analysere data, samt forståelse for datakvalitet og -etikk.
Etiske og juridiske aspekter: Bevissthet rundt personvern, datasikkerhet og de etiske implikasjonene ved bruk av KI i utdanningssektoren.
Praktisk erfaring med KI-verktøy: Ferdigheter i å bruke KI-applikasjoner og -plattformer som er relevante for deres fagområde.
For å bygge denne kompetansen kan institusjoner tilby kurs og workshops, samt legge til rette for deling av beste praksis blant ansatte. Samarbeid med eksterne eksperter og deltakelse i faglige nettverk kan også bidra til å styrke KI-kompetansen i organisasjonen.
Ved å investere i KI-kompetanse og integrere teknologien i utviklingsarbeidet, kan faglige arbeidsgrupper i høyere utdanning oppnå mer effektive og innovative resultater.
Studien fremhever behovet for at organisasjoner tenker nytt om optimale teamstørrelser og sammensetning. De kan med fordel investere i å utvikle ansattes evner til å samhandle med KI. Fremtidig forskning bør undersøke hvordan fordelene med KI-integrasjon utvikler seg over tid og hvordan KI påvirker utviklingen av domeneekspertise.
Dersom resultatene fra denne studien skulle stå seg over tid, vil det blinke blålys for individualisert karriereutvikling i akademia, og kanskje særlig i dosentstigen. Man må legge større vekt på bidrag fra arbeidsgrupper framfor enkeltindivider når det gjelder utviklingsarbeid og kvalitetsheving. Samtidig som produktiviteten (bruksverdi) går opp, vil prisen (bytteverdien) gå ned over tid. Kunnskapsarbeidet mister sin fortryllelse og blir mer på linje med annet arbeid.
Her er noen KI-genererte punkter om mulige utviklingsprosjekter der dette forskningsresultatet kan komme til anvendelse. De gjelder både tradisjonelle og nye områder for eksperimentell utvikling, med konkrete eksempler på hver kategori.
Kunstig intelligens (KI) har potensial til å transformere hvordan faglige arbeidsgrupper i høyere utdanning gjennomfører utviklingsarbeid. Ved å integrere KI i ulike faser av prosjekter kan man oppnå økt effektivitet, kreativitet og kvalitet. For å realisere dette er det avgjørende at faglig ansatte tilegner seg nødvendig kompetanse innen KI.