Svensk MIK-forskning har varit och är mycket fokuserad på källkritik. Källkritik innebär att granska information och dess ursprung för att avgöra hur trovärdig, relevant och användbar den är.

För två veckor sedan var det dags för den stora nordiska medieforskarkonferensen – en mötesplats som har samlat forskare från hela Norden ända sedan 1973. Inom ramen för en särskild forskarsektion om MIK (medie- och informationskunnighet) hörde jag forskare uttrycka oro: i AI-tidsåldern, menade de, står källkritiken inför en kris.

Hur, frågade forskarna, kan källkritik fungera när informationen kommer från generativ AI? Källan blir ju osynlig, AI:n ger oss något som det har tränats med. Vad är källan – och var finns den ens? Det talades om den berömda black box-effekten, där ingen riktigt vet hur de svar som AI levererar faktiskt har skapats.

Källkritikens guldålder

Jag tänker tvärtom: vi står inför källkritikens renässans. Källorna, och källkritiken, har blivit viktigare än någonsin.

Nämligen när man ställer en fråga till en AI och får ett svar ska man aldrig betrakta det som något färdigställt. Vi vet ju att AI kan fabulera, bygga på fragment av existerande texter och ibland rena gissningar. Svaret är då endast råmaterial – något att utforska och validera. Svaret är en källa – men inte en statisk sådan, utan en vars sanningshalt kan testas och som ska jämföras med andra källor.

Och framför allt: man ska aldrig nöja sig med det första svaret från en AI. ChatGPT och andra stora språkmodeller är inga sanningsmaskiner. De måste ifrågasättas precis som en journalist gör. Man tar inte bara emot materialet – man ställer följdfrågor, pressar, testar.

När man får ett svar:
”Varifrån kommer informationen du bygger svaret på? Ange källor.”
Om svaret är för abstrakt:
”Kan du utveckla det mer detaljerat, gärna med exempel?”
Om svaret inte är relevant:
”Jag är egentligen mer intresserad av [X]. Kan du fokusera på det?
Om stilen inte passar:
”Kan du skriva det på ett mer formellt/akademiskt sätt?”
Om man vill problematisera mer:
”Finns det några motargument eller alternativa perspektiv?”

Med följdfrågor utforskar man på vilket sätt AI:n framkommit till sitt svar och ber den att avslöja underlaget.

Övning ger färdighet

Allt detta låter kanske enkelt och självklart, men under den senaste tiden har jag själv sett många gånger hur en användare nöjer sig med svaret hen fått. ”Det står ju där!”

Den del vi mest behöver förbereda oss för som utbildare är därmed det kritiska promptandet – att kunna skriva instruktioner (engelska prompts) till maskinen. Det handlar om att lära människor att inte se AI som en maskin som levererar facit, utan som en samarbetspartner som man behöver motstå.

Att alltid fråga efter källor är ett förhållningssätt som går att öva in medan man utvecklar sitt personliga förhållande till den framväxande teknologin i olika vardagssituationer.

I somras skrev jag i en vetenskaplig tidskrift om en så kallad 3E-modell som utgör en central del av min AI-pedagogik. Den utgår från tre olika faser: entré, experiment och exit. Man lär sig genom att utsätta sig för en viss teknologi eller teknologisk miljö och skapa en personlig kontakt med den (entré), genom lek och experimenterande (experiment) samt genom reflektion (exit).

Detta innebär att vi behöver föra långa, uthålliga dialoger med vår samtalspartner, AI.