Er konklusjonen riktig?
Gjennomsnittlig kjørelengde:
El Rapido har et høyere gjennomsnitt (486 vs 476 km), men vi kan ikke konkludere sikkert med så lite data. Med bare 3 biler i hver gruppe er det umulig å si om forskjellen på 10 km er statistisk signifikant eller skyldes tilfeldig variasjon. Standardavviket for El Loco er relativt stort (\( s \approx 16{,}1 \) km), og spredningen i resultatene overlapper.
Forslag til forbedringer:
Metodevalg og datakvalitet: Metoden med fri kjøring betyr at sjåførens kjørestil (fart, bremsing, akselerasjon) er en ukontrollert variabel som direkte påvirker kjørelengden. Ulike sjåfører kan ha svært forskjellig kjøremønster, noe som gjør at vi måler en kombinasjon av bil og sjåfør – ikke bare bilen. En standardisert testsyklus ville gitt langt mer pålitelige data.
KI i hverdagen:
Kunstig intelligens har allerede blitt en del av hverdagen for de fleste. Artikkel 2 fra forberedelsen beskriver hvordan KI brukes i alt fra ruteplanlegging (Google Maps) og filmanbefaling (Netflix) til styring av industriroboter. Maskinlæringsalgoritmer analyserer store mengder data for å forutse atferd og ta beslutninger. For eksempel bruker forsterket læring prinsippet om å prøve og feile for å finne optimale løsninger – dette ser vi i alt fra sjakkprogrammer til selvkjørende biler.
Samarbeid og datautveksling:
Artikkel 3 viser hvordan internasjonal forskning driver KI-utviklingen fremover. Xiaoxuan Liu ved University Hospital Birmingham samlet sammen forskning fra hele verden for å sammenligne KI og legers evne til å oppdage sykdom på medisinske bilder. Denne typen systematiske oversiktsartikler er bare mulig fordi forskere deler data og resultater gjennom åpne vitenskapelige tidsskrifter.
Artikkel 4 viser et annet eksempel: NTNU samarbeider med bedrifter og politi i flere europeiske land om å utvikle teknologi som avslører manipulerte passbilder (morfing). EU-programmet Horisont Europa finansierer slik tverrnasjonal forskning med et budsjett på 95,5 milliarder euro, nettopp fordi man erkjenner at datautveksling og samarbeid er nødvendig for å løse komplekse teknologiske utfordringer.
Et paradigmeskifte er en fundamental endring i grunnleggende antakelser innenfor et fagfelt, et begrep introdusert av vitenskapsfilosofen Thomas Kuhn. Det handler om at den rådende vitenskapelige forståelsesrammen blir erstattet av en helt ny.
Eksempel: Kunstig intelligens i medisinsk diagnostikk
Artikkel 3 fra forberedelsen beskriver hvordan kunstig intelligens utfordrer det tradisjonelle paradigmet innen medisinsk diagnostikk. Tradisjonelt har medisinsk bildeanalyse vært et rent menneskelig domene der legenes ekspertise, erfaring og skjønn har vært avgjørende for å stille riktig diagnose. Dette paradigmet bygger på århundrers medisinsk tradisjon.
Forskning viser nå at KI-systemer basert på dyp læring (deep learning) kan prestere like godt som erfarne leger i å oppdage sykdom på medisinske bilder. Dette representerer begynnelsen på et paradigmeskifte der maskiner overtar oppgaver som tidligere krevde menneskelig ekspertise.
Artikkelen nevner imidlertid at vi muligens befinner oss på toppen av Gartners Hype Cycle – fasen der forventningene er overdrevne. Kommentator Tessa Cook advarer mot å dra forhastede konklusjoner basert på bare 14 studier. Et reelt paradigmeskifte krever at teknologien beviser seg i klinisk praksis, ikke bare i kontrollerte studier.
Vitenskapelig metode følger en systematisk prosess: observasjon → hypotese → eksperiment → analyse → konklusjon. Resultater skal være etterprøvbare, falsifiserbare og gjennomgå fagfellevurdering. Spørsmålet er om KI arbeider etter disse prinsippene.
Hvordan KI ligner vitenskapelig metode:
Hvordan KI avviker fra vitenskapelig metode:
Etisk utfordring: Ansvar ved feildiagnoser
Når KI-systemer brukes i medisinsk diagnostikk, oppstår et fundamentalt etisk spørsmål: Hvem er ansvarlig når maskinen tar feil?
Artikkel 3 viser at KI kan være omtrent like god som leger til å oppdage sykdom på medisinske bilder. Men «omtrent like god» betyr også «omtrent like mye feil». Medisinske diagnoser har to typer feil:
Når en lege gjør en feil, finnes det etablerte systemer for ansvarliggjøring: klageordninger, tilsynsmyndigheter og rettssystemet. Men hvem er ansvarlig når en algoritme gjør feilen? Er det utvikleren av KI-systemet? Sykehuset som valgte å bruke det? Legen som stolte på maskinens vurdering?
Argumenter for at KI bør brukes: Dersom KI faktisk presterer like godt som leger, kan teknologien bidra til raskere diagnostisering og redusere belastningen på helsevesenet. I land med legemangel kan KI gi tilgang til diagnostikk som ellers ikke ville vært tilgjengelig. Dersom KI redder flere liv enn den tar feil, kan det argumenteres for at det er uetisk å ikke bruke den.
Argumenter mot ukritisk bruk: Artikkelen påpeker at forskningen som sammenligner KI og leger er svært begrenset – bare 14 studier ble funnet. Kommentator Tessa Cook advarer om skjevpublisering: studier der KI presterer godt blir publisert, mens studier der KI gjør det dårlig blir liggende i skuffen. Dette betyr at vi kan ha et skjevt bilde av KIs egentlige ytelse.
I tillegg er det stor forskjell på å vurdere et enkelt bilde og en hel diagnoseprosess. En lege tar hensyn til sykehistorie, prøveresultater og pasientsamtaler – kontekst som KI-systemet mangler. Svart boks-problemet gjør det dessuten vanskelig å forstå hvorfor KI stiller en bestemt diagnose, noe som gjør det umulig for pasienten å forstå eller utfordre vurderingen.
Alan Turing og grunnlaget for kunstig intelligens
Den britiske matematikeren Alan Turing (1912–1954) regnes som grunnleggeren av moderne informatikk og kunstig intelligens. I 1936 publiserte han den banebrytende artikkelen «On Computable Numbers», der han beskrev det vi i dag kaller Turing-maskinen – en teoretisk modell for en universell datamaskin. Denne ideen la grunnlaget for alle moderne datamaskiner.
Under andre verdenskrig ledet Turing arbeidet med å knekke den tyske kodemaskinen Enigma ved det britiske dechiffreringssenteret Bletchley Park. Han konstruerte den elektromekaniske maskinen «Bombe» som kunne dekryptere tyske meldinger. Historikere mener at dette arbeidet forkortet krigen med flere år og reddet millioner av liv.
I 1950 publiserte Turing artikkelen «Computing Machinery and Intelligence», der han stilte spørsmålet «Kan maskiner tenke?» Han foreslo det berømte Turing-testen: Dersom en maskin kan kommunisere så overbevisende at et menneske ikke kan skille den fra et annet menneske, kan maskinen sies å «tenke». Denne testen er fortsatt sentral i diskusjonen om kunstig intelligens.
Turings arbeid under krigen var strengt hemmelig og ble ikke offentlig kjent før tiår senere. Paradoksalt nok ble Turing i 1952 straffet for sin homofili – den gang kriminalisert i Storbritannia. Han ble utsatt for kjemisk kastrering og tok sitt eget liv i 1954. Hans skjebne illustrerer hvordan samfunnets normer kan undertrykke selv de mest geniale bidragsyterne.
Turings ideer gjennomsyrer det moderne samfunnet. Artikkel 2 fra forberedelsen beskriver hvordan kunstig intelligens brukes i alt fra maskinlæring og ruteplanlegging til medisinsk diagnostikk. Artikkel 3 viser at KI nå kan konkurrere med leger i bildeanalyse – en direkte forlengelse av Turings visjon om tenkende maskiner.
Turings bidrag til kryptografi er grunnlaget for moderne datasikkerhet. Artikkel 4 om biometri og passforfalskning viser hvordan hans arbeid med kodeknekking har utviklet seg til dagens avanserte krypteringsteknologi og digital sikkerhet.
I 2013 ble Turing offisielt benådet av den britiske regjeringen, og i 2021 ble han avbildet på den nye 50-pundsseddelen. Hans historie har blitt et symbol på hvordan enkeltpersoner kan endre verden gjennom vitenskap og teknologi.
Problemstilling: «Påvirker konsentrasjonen av salt i vann frysetiden?»
Hypotese: H₁: Vann med høyere saltkonsentrasjon bruker lengre tid på å fryse. H₀: Det er ingen sammenheng mellom saltkonsentrasjon og frysetid.
Naturvitenskapelig begrunnelse: Problemstillingen er empirisk testbar fordi vi kan måle frysetid (avhengig variabel) ved ulike saltkonsentrasjoner (uavhengig variabel). Den er falsifiserbar: dersom frysetiden er lik uavhengig av salt, forkastes H₁. Den er etterprøvbar fordi andre kan gjenta forsøket med samme oppsett.
Forsøket har et 2 × 2 faktorielt design:
| 20–30 år (B=1) | 50–60 år (B=2) | |
|---|---|---|
| Medisin (A=1) | 50 menn | 50 menn |
| Placebo (A=2) | 50 menn | 50 menn |
Forsøket er dobbeltblindet, som betyr at verken deltakerne eller forskerne vet hvem som får medisin og hvem som får placebo. Dette eliminerer placeboeffekten og forskerbias, og er gullstandarden for kliniske studier.
Vi bruker signifikansnivå \( \alpha = 0{,}05 \).
Vi sorterer de 200 datapunktene i fire grupper og beregner gjennomsnitt og standardavvik:
| Gruppe | n | Gjennomsnitt \( \bar{x} \) | Standardavvik \( s \) |
|---|---|---|---|
| Medisin + 20–30 år | 50 | 4,9 dager | 1,4 |
| Medisin + 50–60 år | 50 | 5,6 dager | 1,5 |
| Placebo + 20–30 år | 50 | 5,1 dager | 1,4 |
| Placebo + 50–60 år | 50 | 5,3 dager | 1,4 |
Slått sammen for hovedanalysen:
| Gruppe | n | Gjennomsnitt \( \bar{x} \) | Standardavvik \( s \) |
|---|---|---|---|
| Medisin (alle) | 100 | 5,3 dager | 1,5 |
| Placebo (alle) | 100 | 5,2 dager | 1,4 |
Vi bruker en tosidig t-test for to uavhengige utvalg:
Med \( df \approx 198 \) (store utvalg) og \( \alpha = 0{,}05 \) (tosidig) er kritisk t-verdi ca. \( t_{\text{krit}} = 1{,}972 \).
Vi kan ikke forkaste nullhypotesen.
Selv om den totale analysen ikke viser effekt, kan vi sjekke om medisinen virker ulikt for de to aldersgruppene:
20–30 år: Medisin: 4,9 dager vs. Placebo: 5,1 dager (forskjell: 0,2 dager)
50–60 år: Medisin: 5,6 dager vs. Placebo: 5,3 dager (forskjell: 0,3 dager)
Begge t-verdiene er langt under den kritiske verdien (\( t_{\text{krit}} \approx 1{,}98 \) for \( df = 98 \)). Ingen av aldersgruppene viser signifikant forskjell.
Om oppgaveteksten: Oppgaveteksten i dette løsningsforslaget er gjengitt fra Utdanningsdirektoratets (UDIR) eksamen i Teknologi og forskningslære 2 (høsten 2023). Vi gjengir oppgaveteksten bevisst, slik at du kan følge løsningen uten å veksle mellom dokumenter. Eksamensoppgaver fra offentlige myndigheter er uten opphavsrettsvern etter åndsverkloven § 14 og kan gjengis fritt. Selve løsningsforslaget, forklaringene og figurene er utarbeidet av Eksamenssett.no. Opphavsrettsbeskyttede bilder og illustrasjoner fra originaleksamen er fjernet.