STUD: Disputas - A platform for analysis and critical reflection.

Metoden som driver utviklingen av kunstig intelligens er maskinlæring. Denne metoden er utrolig fleksibel. Med store datasett, smarte algoritmer, og raske datamaskiner, kan vi trene modeller med disse algoritmene som kan brukes til å gjenkjenne alle mønstre mennesker kan oppfatte, samt abstrakte mønstre vi ikke klarer å se på egenhånd. Algoritmene er tilgjengelige, og sky-teknologi har gjort raske datamaskiner bredt tilgjengelig. Den store flaskehalsen for å utvikle innovativ kunstig intelligens er store, gode datasett. Private og offentlige forskningssentre, såvel som universiteter og innovasjonsklynger verden over, jobber nå på spreng for å trene dataprogrammer som ser og tenker som mennesker. Fremgangen har vært rask i felt der man har forsøkt å trene dataprogrammene til å felle enkle, intuitive dommer, som "jeg liker denne sangen, dette innlegget, denne videoen etc.", "objektet på dette bildet er en bil" og "dette ordet er et adjektiv, betyr spade på norsk etc.". Data av denne intuitive typen fanges opp i populære webapplikasjoner, leses fra offentlige data, eller kan genereres relativt rimelig ved manuelt kategoriseringsarbeid. Spotify, for eksempel, følger med på hva du hører på, og foreslår ny musikk for deg på bakgrunn av det du liker fra før. Fremgangen har derimot vært treg i felt der det er mulig å kategorisere feil, og der begrepene er kompliserte og det kreves ekspertise for å bruke dem riktig. I jussen for eksempel, er det vanskelig å lage store datasett, fordi det krever ekspertise å tolke begrepene som forekommer i lovtekster riktig. De vanlige metodene for å samle store datasett fungerer ikke for domener som dette. Men dataen er verdifull, og derfor benytter forskere og utviklere seg av kostbare løsninger for å lage datasett likevel. En vanlig løsning er å lønne fageksperter med flere års utdanning for å kategorisere bilder, eller annotere tekst. Flere forskere, med doktorgrad i egne felt, lager også datasett i domener de ikke har inngående kjennskap til, som jo kan synes å være en bortkastet bruk av deres fagspesifikke ekspertise. Forskere har lenge vært interessert i å utvikle resonnerende kunstig intelligens. Dette er programmer som kan trekke slutninger fra fakta, og se hvordan ulike påstander ekskluderer hverandre rent logisk. Forskningsfeltet kalles ?argument-mining?, fordi det handler om å grave i tekstdata for å identifisere tekstelementer utgjør argumenter for og mot konklusjoner. Feltet er modent, og teorien på plass, men det mangler data. Det er ingen smal sak å skille mellom sunne, og feilaktige slutninger, og se logiske forbindelser mellom påstander, derfor har ingen klart å pønske ut en teknikk for å generere store, gode datamengder enda. Men hvis vi klarer det kan vi utvikle resonnerende datamaskiner, en intelligent personlig assistent man kan diskutere juridiske, politiske og vitenskapelige spørsmål med, for eksempel. Imens fagkyndige analyserer argumenterende tekst ved forskningssentre og på informatisk institutt, er det en annen gruppe som bruker tid og krefter på å gjøre det samme ikke langt unna. Universiteter og høyskoler ved alle verdens land tilbyr fag i logikk og kritisk tenkning. Den viktigste komponenten i de aller fleste fag av denne typen er argument-analyse, en praksis der studenten analyserer en tekst, og identifiserer, rekonstruerer og evaluerer argumentet. I Norge skal de aller fleste studenter lære om kritisk tenkning, logikk og argumentasjon i ex.phil fagene, og de gjør det typisk ved å gjennomføre argumentasjonsanalyser. Disputas er en nettbasert applikasjon som tilgjengeliggjør analytiske metoder, visuelle virkemidler og språkteknologiske verktøy som kan brukes i kurs av denne typen. Det har lenge vært vanlig å bruke modeller og grafiske virkemidler av ulike slag for å visualisere abstrakte mønster i numeriske data, eller tekst. Faglitteraturen gir mange nyttige råd, og eksempler, som gjør det enklere for studenter å forstå vanskelige begrep og abstrakt tenkning. Ettersom betalingsvilligheten ved utdanningsinstitusjoner er lav for digitale verktøy som støtter undervisningen med slike virkemidler er det få gode tjenester på markedet. Til tross for at Kunnskapsdepartementet har et uttalt mål om at landets utdanningsinstitusjoner skal tilby ?enkle, effektive og pålitelige digitale pedagogiske tjenester som fornyer, forenkler og forbedrer undervisningstilbudet?. Vår idé er å bygge et pedagogisk produkt som dekker behov for digitale læringsplattformer i utdanningssektoren, og utvikle dette på en slik måte at bruk genererer data som er tilpasset maskinlæring. Med dataen vil vi utvikle en ny generasjon resonnerende kunstig intelligens. Med midler fra Forskningsrådets STUD-ENT ordning, og faglig støtte fra UiO og UiB, har vi utviklet en MVP av programmet, og lagt en strategi for videreutvikling og finansiering etter prosjektperioden. Vi er selvsikre på designet og planen. Nå gjenstår det bare å gjennomføre resten av prosjektet.

Our aim with this project is to make logic and critical thinking accessible to everyone through engaging educational technologies and language technologies. The educational platform is now ready for use, and is already a competitive alternative to other text analysis services. We expect the use of the platform to grow in the time to come, and will expand to new subject areas. If all goes well, the educational offer for text intensive courses in Norway and all English speaking countries will have a digital pedagogical alternative for active learning. Also, the efforts of teachers and students in the educational sector using the platform will give rise to linguistic data that can be used in R&D for language technologies. The platform thus constitutes a research infrastructure as well as a modern pedagogical offering for active learning.