I et projekt, hvor studerende udvikler kode og kalibrerer økonomiske arbejdsmarkedsmodeller, opfordres de til at bruge generative AI-værktøjer til at udvikle kode. Under projektet deltager de studerende i kritisk og undersøgende vejledning og arbejder med kode, der indeholder bevidst indbyggede økonomiske fejl, som de skal identificere og rette. Disse aktiviteter forbereder dem til den afsluttende mundtlige eksamen, hvor de skal forklare og forsvare deres modeller, valg og resultater.
Tidligere brugte de studerende en betydelig mængde tid i kurset på at arbejde med kode. Denne proces tvang dem til at tænke over de underliggende mekanismer i økonomiske modeller og hjalp dem med at vælge den rette model til et givent problem. Med generativ AI kan de studerende nu hurtigt producere kode, der kører og fremstår plausibel. Kodning kan derfor ikke længere fungere som en proxy for at forstå modellerne. Samtidig viste min erfaring med kurset, at vejledningssessioner ofte fokuserede på teknisk fejlfinding frem for konceptuelle spørgsmål.
Desuden ønskede de studerende at lære at bruge generativ AI som et praktisk værktøj, men de var også bekymrede for at få resultater, de ikke kunne forklare. Jeg besluttede derfor, at studerende må bruge generativ AI, men de må ikke delegere deres akademiske dømmekraft til værktøjet.
At udvælge og begrunde en model for et økonomisk problem
Forstå og forklare forholdet mellem modelmekanismer, kode og resultater
Forklar og forsvar modelleringsvalg under udspørgning
CASENS FORLØB | |
Projektarbejde | I anden halvdel af semesteret arbejder de studerende med et selvstændigt projekt. De vælger en eller flere strukturelle arbejdsmarkedsmodeller til at besvare et forskningsspørgsmål på baggrund af udleveret modelkode. Jeg introducerer til generative AI-værktøjer som en del af metoden til at generere kode, tjekke implementeringer og undersøge modeladfærd. Jeg gør det klart, at de studerende primært vil blive vurderet på deres evne til at begrunde deres valg af model, fortolke resultaterne økonomisk og diskutere, hvad modellen fanger og overser, snarere end på deres evne til at skrive kode. |
Kritisk vejledning | Vejledningssessionerne fokuserer på direkte spørgsmål om den studerendes eget arbejde: Hvad gør denne funktion? Hvorfor har lønfordelingen denne form? Hvilken antagelse driver resultatet? Hvad ville ændre sig, hvis dette parameter ændres? Studerende, der har arbejdet grundigt med opgaven, kan besvare disse spørgsmål. De, der blot har accepteret det AI-genererede output, vil opdage deres manglende faglige forståelse på et tidspunkt, hvor de har tid til at rette op. |
Gennemgang af plantede fejl | Noget af den modelkode, der deles under projektfasen, indeholder bevidste økonomiske fejl. Det kan fx være et forkert kalibreringsmål, en urealistisk parameterværdi eller en specifikation, der konvergerer mod den forkerte ligevægt. Det er ikke syntaksfejl — koden kører altså som den skal. Under projektfasen skal de studerende kritisk vurdere implementeringen og resultaterne, identificere problemet og foreslå en rettelse. Formålet med opgaven er, at de udvikler en færdighed, som hverken generativ AI eller en teknisk test kan erstatte: at vide, hvordan outputtet skal se ud, og at identificere, når det ikke ser ud som det skal. |
Mundtlig eksamen | Den mundtlige eksamen er kursets summative afslutning og tester de studerendes økonomiske ræsonnement direkte: De skal forklare, forsvare og sætte deres model i kontekst. |
Kursusevalueringen blev besvaret af 9 ud af 16 studerende og kurset fik en samlet vurdering på 4,2 ud af 5. Udsagnet om, at de studerende havde løbende muligheder for at teste deres forståelse, fik den højeste score i evalueringen med 4,6 ud af 5. Blandt de spørgsmål, der specifikt relaterer sig til vejledning, vurderede de studerende støtte til valg af emne, formulering af forskningsspørgsmål og valg af teori og metoder særligt højt.
Vejledningssessionerne fungerede godt som et diagnostisk værktøj. Studerende, der havde brugt generativ AI på en hensigtsmæssig måde og forstod deres valg af parametre, kunne forklare økonomien bag resultaterne. De, der havde anvendt generativ AI uden at arbejde sig igennem modellen, kæmpede men kunne selv identificere deres manglende forståelse - på et tidspunkt, hvor de stadig havde tid til at rette op.
Opgaven med plantede fejl var sværere end forventet: flere studerende rapporterede først koden som korrekt, men identificerede først det økonomiske problem efter nærmere gennemsyn. Dette understøtter projektets centrale påstand: det vigtigste er økonomisk vurdering, ikke kodningsfærdighed.
At hæve projektets ambitioner fik blandet modtagelse. Nogle studerende tilpassede sig de højere forventninger. Andre fandt kombinationen af et sværere projekt og AI-assisteret kodning desorienterende, delvist fordi det velkendte stillads — at få koden til at køre — ikke længere var den største udfordring.
Studerende, der fandt ændringerne desorienterende, kan have oplevet vejledningen som mindre effektiv for deres projektarbejde. En åben kommentar bemærkede, at "nogle gange gik vi igennem tingene ret hurtigt," hvilket indikerer, at tempoet i vejledningssessionerne er værd at genbesøge.
Vurderingen består i selve aktiviteten: Hvis de studerende kan producere output uden at forstå det, matcher aktiviteten ikke længere den tilsigtede læring. At genoprette alignment i undervisningen betyder at ændre, hvad de studerende gør, og ikke kun hvordan de bliver testet.
Pres afslører hurtigt forståelse: At bede de studerende om at forklare og forsvare deres arbejde i realtid gav en tydeligere indikation på forståelse end en skriftlig tilbagemelding. Det forberedte dem også til den mundtlige eksamen. På et hold med 10–15 studerende er dette muligt og bør udnyttes.
At hæve niveauet er en legitim reaktion på billigere produktion: Hvis kode er let at generere, må det akademiske bidrag til opgaven komme fra andetsteds fra. Fx fra forskningsspørgsmålet, fortolkningen eller de økonomiske argumenter. Det hjalp at fortælle de studerende dette direkte og indramme det som et skift i, hvad der tæller til eksamen og ikke som en straf for at bruge generativ AI.
| Undervisers navn | Francesco Del Prato |
| Fakultet og institut | Institut for Økonomi og Erhvervsøkonomi |
| Uddannelse | Kandidatuddannelsen i Økonomi |
| Studieniveau | Kandidat |
| Kursus | Mikro- og makromodeller af arbejdsmarkedet |
| Antal studerende | 16 |
| Undervisningsform | Holdundervisning |
