Det läggs mycket fokus på hur man bäst pluggar för ett prov, och vad bästa sättet är att lära in material som finns i en kurs men jag hävdar att det finns en viktig fråga du som student behöver kunna svara på först.
"Varför studerar jag det här programmet eller den här kursen?"
Nätverkstekniksprogrammet särskilt är väldigt fokuserad på mycket praktisk kunskap, som t.ex. konfiguration av servrar, routrar och switchar. Givetvis är detta nödvänding kunskap - att förstå vilka kommandon som finns var och hur syntaxen ser ut - men utan den djupare förståelsen om hur sakerna faktiskt fungerar i grunden är muskelminnet inte värt mycket.
Om du inte förstår hur det fungerar kan du inte felsöka på ett bra sätt, det blir ett korthus som krashar snabbt när du råkar skriva fel någonstans eller utrustning beter sig underligt som det kan göra ibland på grund av olika externa faktorer. Att memorera kommandon hjälper inte när du sitter på din första tekniska intervju för ett seriöst företag och någon har gett dig en whiteboard penna och bett dig förklara från grunden de steg som sker i en dator från det att du startar den till att en användare surfar till (och når) en valfri hemsida.
Din motivering till programmet bör vara "Jag vill lära mig hur det fungerar". Det kan tyckas att "Jag vill få godkänt på kursen" är samma sak, men det är det inte. Det är i vissa situationer fullt möjligt att plugga "fel" men ändå lyckas få godkänt på en kurs, utan att ha en behållning på längre sikt av kursens innehåll. Om du har "...lära mig hur det fungerar" som motivering kommer godkänt eller högre på kursen att bli ett naturligt resultat, och du klarar också av att föra kunskapen in kurser längre in på programmet.
Ytinlärning fungerar inte på NIT eller DTA då varje kurs är avsiktligt uppbyggd för att utöka din kunskap så att nästa kurs innehåll har någonstans att läggas. CCNA3 kan inte läsas av en student som misslyckats eller struntat i CCNA1 eller CCNA2, därför grunden finns inte där och problemlösning är också omöjlig i en sådan situation. Datastrukturer och algoritmer kan inte läsas av en student som har misslyckats med programmeringskurser, förståelsen för hur logik och abstraktion fungerar finns inte och då blir problemlösning omöjligt.
"Vi utbildar inte tekniker, vi utbildar problemlösare."
I skrivande stund har det nu gått circka 1½ år sedan chatGPT släpptes som publikt test för allmänheten vintern -22 och mycket har hänt sedan dess. Det kämpas friskt i den kommerciella sfären för att hitta den bästa killer-implementationen av generativ AI, och det slängs på alla möjliga saker för att se om något funkar "bra". Detta gäller givetvis även för de chatbottar som erbjuds allmänheten, som t.ex. chatGPT, Claude, CoPilot, Gemini osv.. Jag kommer att referera till dessa som språkmodeller eller language models (LMs) härefter.
En språkmodell är en typ av datorprogram som är tränat på stora mängder textdata för att kunna förstå och generera mänskligt språk. Genom att analysera hur ord och fraser används i olika sammanhang lär sig modellen att förutsäga vilket ord som kommer härnäst i en mening eller att skapa sammanhängande texter från en given startpunkt. Dessa modeller använder matematiska och statistiska metoder för att identifiera mönster och relationer mellan ord, vilket gör att de kan skapa text som låter naturlig och flytande.
Vissa modeller är mer avancerade versioner som kan hantera mycket komplexa uppgifter och konversationer, tack vare deras omfattande träning på enorma mängder data (gpt4/Omni, CoPilot, Gemini 3.5, Claude).
En språkmodell kan inte själv veta vad som är sant eller falskt eftersom den inte har någon egen förståelse av världen eller faktakunskaper utöver den textdata den tränats på. Den genererar text baserat på mönster och sannolikheter från träningsdata, men har ingen inneboende förmåga att verifiera fakta eller förstå kontext utanför det den lärt sig.
Det innebär att en språkmodell kan generera både korrekta och inkorrekta svar beroende på vilken information den har tillgång till och hur den tränats. För att avgöra sanningshalten i ett påstående som en språkmodell producerar krävs därför ofta mänsklig verifiering eller kompletterande källkontroll. Modeller kan dock tränas och anpassas för att vara mer pålitliga genom att inkludera faktagranskning och tillgång till aktuella data, men deras grundläggande natur som mönsterigenkännare kvarstår.
Du skulle kunna träna en språkmodell att säga att himlen är grön och den skulle envist hävda att alla påståenden om att himlen är blå är felaktiga, för att det finns ingen träningsdata som matchar det, men den enorma mängder text som stödjer att himlen är grön.
Det en språkmodell är särskilt bra på är att generera trovärdig text, så¨som i en konversation mellan två personer. Den kan med hjälp av instruktioner anpassa sin text och sin genererade text att levereras i en viss stil, i ett visst format och enligt olika regler. Beroende på vilken sorts träning en modell har är den olika bra på olika saker. (Tidiga modeller kunde vara bra på att prata, men usel på programmering - eller bra på programmering men kunde inte följa instruktioner i en chat-session osv. Många modeller numera är också klassade som multi-modal, och har mycket mer inbyggda kapabiliteter - som att analysera stora mängder data, analysera bilder, filer mm. )
En språkmodell är ett verktyg, och går alldeles utmärkt att använda för studier med förståelsen att du faktiskt förstår hur du använder verktyget. Det största problemet med språkmodeller är att de har en låg start-tröskel, vilket gör att det är väldigt vanligt att det bara skrivs en enkel fråga så rabblar den upp ett långt fint svar som verkar vettigt. Och det är kanske sant. Men du kanske inte heller har den kunskapet inom ämnet än för att utvärdera om det den säger är rätt eller fel.
Något att tänka på är att en språkmodell är ofta entusiastisk med alla svar den ger, då grundinställningen på de flesta modeller är att de skall vara 'en hjälpsam assistent'. Så den berättar glatt om saker som kanske inte stämmer alls. Gillar du lim på pizzan?, eller varför inte En sten om dagen .. håller doktorn borta?
En språkmodell kan vara utmärkt att brainstorma saker med, eller för analys av större mängder data, som tabeller osv. Den kan skriva hjälplig nybörjarkod och hjälpa hitta problem med existerande kod. Som allt annat man läser kommer du att behöva slå på din egna käll-kritik när det gäller allt som en modell säger.
En språkmodell skall fungera som ett hjälpmedel till dig, men får aldrig ersätta dig egen prestation. Det är lite som att skaffa gymkort, gå till gymmet 4 gånger i veckan och sedan sitta på en bänk medans din kompis gör dina set åt dig. Du gick till gymmet för att lyfta vikter. Vikter blev lyfta, visst. Fick du ut något av det?
Du kan få en språkmodell att lösa de flesta skrivfrågor eller laborationsfrågor som kommer i kurser under programmets gång... men vem lyfter dina vikter? Du? Eller en matematisk modell som ger svar som ingen av oss lärare blir imponerade av.
Om något, se det som ett hjälpmedel som hjälper dig lyfta tyngre saker. Den kan finnas där och hjälpa dig svara på frågor som du ställer själv för att lära dig nya saker. Den kan hjälpa med text som kanske känns för svårformulerad, eller översätta text ganska bra. Men om du tror att du klarar fint och lätt programmerings-moment i kurser genom att bara visa AI-genererad kod lurar du dig bara själv.
Vi har redan sett flera exempel på kurser där många studenter fick stora problem för att de förlitade sig på chatGPT för mycket för sina laborationer och effektivt fastnade helt i kursen på grund av bristande förståelse samt modellers tendens att ge motsägelsefulla svar från gång till gång om vad som var rätt sätt att lösa en viss uppgift.
När det gäller att genomföra laborationer på NIT (nätverk) och DTA (dataingenjör) programmet är det inte alltid lätt att veta hur man skall börja, eller hur man skall tänka när det är första gången man exponeras för nya saker. Med det sagt tänkte jag försöka få ner mina egna erfarenheter som student på NIT (2015-2018 inkl påbyggnadsår) och nu som lärare om vad som kan vara olika approacher på hur man kan göra.
Något många missar är att dessa båda program är heltids-studier på 100%. Vilket verkligen betyder heltid. NIT är idag 2-årigt, men är knappast ett lättvikts-program bara för det. Alla deltagare på NIT (både klasskamrater när jag läste och studenter jag sett under åren efter) som tog sin högskole- eller kandidatexamen och därefter gick direkt till jobb hade en sak gemensamt. De tog sina studier på riktigt allvar. Det här är ditt heltidsjobb, som du investerar din tid i under 2-3 år för att sedan kunna ha en stabil grund på att bygga resten av ditt arbetsliv.
Viktigt att tänka på dock, det som funkar för en person är inte nödvändigtvis en garanterat bra lösning för alla - och det absolut bästa sättet är att utveckla sin egna stil för att ta till sig kunskapen och kunna lösa problemlösning själv utan steg-för-steg instruktioner. Men jag hoppas att kunna ge dig som läser en push i rätt riktning så kan du förbättra sättet på egen hand!
Lycka till!
-Simon