Om løsningsforslaget: Dette er veiledende løsningsforslag laget av eksamenssett.no. Oppgave 7 og 8 handler om elevens eget forskningsprosjekt og kan ikke besvares generelt – vi gir i stedet veiledning. For de øvrige oppgavene gir vi fullstendige forslag.
Oppgave 1 – Elbiltest: El Loco vs El Rapido
Oppgave: Seks venninner har testet to elbiltyper (El Loco og El Rapido) og konkludert med at El Rapido har størst kjørelengde. Er du enig? Begrunn og foreslå forbedringer. Gi eksempel på hvordan metodevalg kan ha påvirket datakvaliteten. (Kortsvar, inntil 250 ord.)
Data: El Loco: 471, 494, 463 km. El Rapido: 486, 480, 492 km.
Løsningsforslag
Er konklusjonen riktig?
Gjennomsnittlig kjørelengde:
- El Loco: \( \frac{471 + 494 + 463}{3} = \frac{1428}{3} = 476{,}0 \) km
- El Rapido: \( \frac{486 + 480 + 492}{3} = \frac{1458}{3} = 486{,}0 \) km
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:
- Større utvalg: Test mange flere biler av hver type for å redusere betydningen av tilfeldigheter.
- Kontroll av variabler: Alle biler bør kjøres på samme rute, i samme hastighet og under like værforhold. Ulik kjørestil er en ukontrollert variabel.
- Blindtest: Sjåførene bør helst ikke vite hvilken bil som er hvilken, for å unngå ubevisst forskjellsbehandling.
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.
Konklusjon: Dataene antyder at El Rapido har lengre rekkevidde, men med kun 3 biler i hver gruppe og ukontrollerte variabler er konklusjonen svakt fundert. Forsøket trenger vesentlige forbedringer for å gi reliable resultater.
Oppgave 2 – KI i hverdagen og forskningsutvikling
Oppgave: Bruk kunstig intelligens som eksempel på hvordan teknologi griper inn i hverdagen vår, og hvordan samarbeid og datautveksling påvirker forskningsutvikling. (Kortsvar, inntil 250 ord.)
Løsningsforslag
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.
Oppsummert: KI griper inn i hverdagen gjennom automatiserte tjenester, mens utviklingen av KI-teknologi avhenger av internasjonalt forskningssamarbeid og deling av store datamengder på tvers av landegrenser.
Oppgave 3 – Paradigmeskifte
Oppgave: Beskriv et eksempel fra forberedelsesartiklene der teknologi eller vitenskapelig tenkemåte har bidratt til et paradigmeskifte. (Kortsvar, inntil 250 ord.)
Løsningsforslag
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.
Konklusjon: KI i medisinsk diagnostikk representerer et potensielt paradigmeskifte fra menneskebasert til maskinbasert bildeanalyse. Men vi er fortsatt tidlig i prosessen, og det gjenstår å se om teknologien lever opp til forventningene i den virkelige verden.
Oppgave 4 – KI og vitenskapelig metode
Oppgave: Forklar med fagbegreper hvordan kunstig intelligens bruker, eller ikke bruker, vitenskapelig metode. (Kortsvar, inntil 250 ord.)
Løsningsforslag
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:
- Datainnsamling: KI bruker store mengder data, tilsvarende observasjonsfasen i vitenskapen.
- Mønstergjenkjenning: Maskinlæring finner sammenhenger i data, likt analyse i vitenskapelig metode.
- Testing: KI-modeller valideres mot testdata, som en form for etterprøving.
Hvordan KI avviker fra vitenskapelig metode:
- Ingen hypotese: KI formulerer ikke eksplisitte hypoteser på forhånd. Den finner mønstre uten en forutgående teori om hvorfor mønsteret finnes.
- Svart boks-problemet: I motsetning til vitenskapelig metode, der man forstår årsakssammenhengen, kan vi ofte ikke forklare hvorfor KI kommer til et bestemt resultat. Mangel på transparens gjør resultatene vanskelige å etterprøve.
- Ikke falsifiserbar: KI-systemets «konklusjoner» er statistiske prediksjoner, ikke testbare hypoteser som kan forkastes gjennom nye eksperimenter.
- Ingen fagfellevurdering av resultater: KI presenterer ikke sine funn for kritisk gjennomgang av andre «agenter».
Konklusjon: KI bruker elementer av vitenskapelig metode (datainnsamling, testing), men mangler sentrale aspekter som hypotesedannelse, transparens i resonnement og falsifiserbarhet. KI er et verktøy som kan støtte vitenskapelig forskning, men erstatter ikke den vitenskapelige metoden i seg selv.
Oppgave 5 – Etisk utfordring ved KI i medisin
Oppgave: Drøft minst én etisk utfordring ved teknologiutvikling med utgangspunkt i artikkelen «Kunstig intelligens var like god som leger til å oppdage sykdom på bilder». (Kortsvar, inntil 500 ord.)
Løsningsforslag
Etisk utfordring: Ansvar ved feildiagnoser
Når KI-systemer brukes i medisinsk diagnostikk, oppstår et fundamentalt etisk spørsmål: Hvem er ansvarlig når maskinen tar feil?
Problemet
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:
- Falsk positiv: Maskinen sier det er sykdom, men det er det ikke. Pasienten utsettes for unødvendig behandling, angst og kostnader.
- Falsk negativ: Maskinen sier det ikke er sykdom, men det er det. Pasienten får ikke nødvendig behandling, noe som kan ha alvorlige konsekvenser.
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?
Drøfting
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.
Mulige løsninger
- KI brukes som støtteverktøy for leger, ikke som erstatning. Legen beholder det endelige ansvaret.
- Krav om transparens i algoritmene, slik at det er mulig å forstå grunnlaget for diagnosen.
- Etablere klare juridiske rammer for ansvar ved KI-basert diagnostikk.
Konklusjon: Den viktigste etiske utfordringen ved KI i medisin er ansvarsfordelingen ved feil, kombinert med manglende transparens. KI bør brukes som supplement til, ikke erstatning for, menneskelig medisinsk vurdering – med klare regler for hvem som er ansvarlig.
Oppgave 6 – Enkeltperson og teknologisk utvikling
Oppgave: Gi et eksempel på at en enkeltperson har vært en stor bidragsyter til teknologisk utvikling, og hvordan denne utviklingen har påvirket samfunnet da og nå. (Kortsvar, inntil 500 ord.)
Løsningsforslag
Alan Turing og grunnlaget for kunstig intelligens
Bidrag til teknologisk utvikling
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 elektromagnetiske 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.
Samfunnspåvirkning den gang
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.
Samfunnspåvirkning i dag
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.
Konklusjon: Alan Turing la grunnlaget for datamaskinen, kunstig intelligens og moderne kryptografi. Hans ideer fra 1930- og 1950-tallet er direkte relevante for teknologiene som diskuteres i forberedelsesartiklene – fra KI i helsevesenet til digital sikkerhet – og påvirker hverdagen til milliarder av mennesker i dag.
Oppgave 7 – Eget forskningsprosjekt (problemstilling)
Oppgave: Gjør rede for problemstillingen og eventuelt hypotesen(e) i ditt forskningsarbeid, og begrunn om problemstillingen kan undersøkes ved hjelp av naturvitenskapelige metoder. (Langsvarsoppgave.)
Veiledning: Et godt svar bør inneholde:
- Klar problemstilling: Formuler den presist. Er den åpen (utforskende) eller lukket (testbar)?
- Hypotese(r): Formuler nullhypotese (H₀) og alternativhypotese (H₁) hvis problemstillingen er testbar.
- Naturvitenskapelig metode: Forklar om problemstillingen er empirisk testbar – kan den undersøkes gjennom observasjon, eksperiment og datainnsamling?
- Begrunnelse: Diskuter om problemstillingen oppfyller kravene til vitenskapelighet:
- Er den falsifiserbar (kan den motbevises)?
- Er den etterprøvbar (kan andre gjenta forsøket)?
- Er variablene målbare?
- Avgrensning: Forklar hva problemstillingen ikke dekker, og hvorfor du avgrenset den slik.
Eksempelstruktur:
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.
Oppgave 8 – Data fra eget prosjekt
Oppgave: Presenter data fra forskningsarbeidet ditt i form av grafer, tabeller eller lignende. Drøft hvordan metodevalget hadde betydning for kvaliteten til og anvendeligheten av dataene. (Langsvarsoppgave.)
Veiledning: Et godt svar bør inneholde:
- Datapresentasjon: Vis dataene i hensiktsmessige formater – tabeller for rådata, grafer/diagrammer for å vise trender og sammenhenger. Merk akser med enheter og inkluder forklarende titler.
- Statistisk analyse: Beregn gjennomsnitt, standardavvik, og eventuelt korrelasjonskoeffisient eller t-test. Vis mellomregning.
- Metodevalgets betydning: Drøft konkret:
- Ga metoden deg kvantitative (målbare) eller kvalitative (beskrivende) data?
- Var utvalget stort nok til å trekke pålitelige konklusjoner?
- Hvilke kontrollvariabler klarte du å holde konstante, og hvilke klarte du ikke?
- Var dataene reliable (reproduserbare) og valide (målte du det du ville måle)?
- Feilkilder: Identifiser minst 2-3 konkrete feilkilder og forklar hvordan de kan ha påvirket resultatene.
- Forbedringer: Hva ville du gjort annerledes for å få bedre data?
Oppgave 9 – Statistisk analyse: Medisin mot manneinfluensa
Oppgave: Et farmasøytselskap har testet en medisin mot manneinfluensa på 200 syke menn. 100 menn i alderen 20–30 og 100 i alderen 50–60 deltok. I hver gruppe fikk 50 medisin og 50 placebo. Forsøket var dobbeltblindet. Selskapet hevder at medisinen virker. Gjør statistiske analyser og argumenter for eller mot påstanden. (Langsvarsoppgave.)
Steg 1: Forstå forsøksdesignet
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.
Steg 2: Formuler hypotesene
H₀: Det er ingen signifikant forskjell i antall sykedager mellom medisingruppen og placebogruppen (\( \mu_{\text{medisin}} = \mu_{\text{placebo}} \)).
H₁: Det er en signifikant forskjell i antall sykedager mellom medisingruppen og placebogruppen (\( \mu_{\text{medisin}} \neq \mu_{\text{placebo}} \)).
Vi bruker signifikansnivå \( \alpha = 0{,}05 \).
Steg 3: Organiser og oppsummer dataene
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 |
Steg 4: Utfør t-test
Vi bruker en tosidig t-test for to uavhengige utvalg:
\[ t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}} = \frac{5{,}3 - 5{,}2}{\sqrt{\frac{1{,}5^2}{100} + \frac{1{,}4^2}{100}}} \]
\[ t = \frac{0{,}1}{\sqrt{\frac{2{,}25}{100} + \frac{1{,}96}{100}}} = \frac{0{,}1}{\sqrt{0{,}0225 + 0{,}0196}} = \frac{0{,}1}{\sqrt{0{,}0421}} = \frac{0{,}1}{0{,}205} \approx 0{,}49 \]
Steg 5: Sammenlign med kritisk verdi
Med \( df \approx 198 \) (store utvalg) og \( \alpha = 0{,}05 \) (tosidig) er kritisk t-verdi ca. \( t_{\text{krit}} = 1{,}972 \).
\[ |t| = 0{,}49 < t_{\text{krit}} = 1{,}972 \]
Vi kan ikke forkaste nullhypotesen.
Steg 6: Vurder aldersgrupper separat
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)
\[ t = \frac{4{,}9 - 5{,}1}{\sqrt{\frac{1{,}4^2}{50} + \frac{1{,}4^2}{50}}} = \frac{-0{,}2}{\sqrt{0{,}0392 + 0{,}0392}} = \frac{-0{,}2}{0{,}280} \approx -0{,}71 \]
50–60 år: Medisin: 5,6 dager vs. Placebo: 5,3 dager (forskjell: 0,3 dager)
\[ t = \frac{5{,}6 - 5{,}3}{\sqrt{\frac{1{,}5^2}{50} + \frac{1{,}4^2}{50}}} = \frac{0{,}3}{\sqrt{0{,}045 + 0{,}0392}} = \frac{0{,}3}{0{,}290} \approx 1{,}03 \]
Begge t-verdiene er langt under den kritiske verdien (\( t_{\text{krit}} \approx 2{,}01 \) for \( df = 98 \)). Ingen av aldersgruppene viser signifikant forskjell.
Steg 7: Konklusjon
Konklusjon: Basert på de statistiske analysene kan vi
ikke støtte selskapets påstand om at medisinen virker. Ingen av t-testene – verken for samlet data eller for aldersgruppene separat – viser en statistisk signifikant forskjell mellom medisin- og placebogruppen. Forskjellen i antall sykedager er svært liten (0,1–0,3 dager) og kan lett forklares av tilfeldig variasjon.
Viktige forbehold:
- At vi ikke finner en signifikant forskjell betyr ikke nødvendigvis at medisinen ikke virker – det kan også skyldes at utvalget er for lite til å oppdage en liten effekt.
- Forsøket er godt designet (dobbeltblindet, kontrollgruppe, to aldersgrupper), noe som styrker konklusjonen.
- Selskapets påstand om at medisinen virker, støttes ikke av dataene, og det ville vært uetisk å markedsføre den basert på disse resultatene.