Förklara olika
Be AI förklara samma sak för en tjej, en kille, en stockholmare, en landsbygdsbo. Jämför.
Visa hur AI ändrar TON och INNEHÅLL beroende på vem den tror den pratar med. Subtilare än bildgenereringsbias — och därför kraftfullare när eleverna upptäcker det.
Den körbara versionen — pröva övningen själv för att förstå hur den funkar. Använd inbyggda spel, karuseller och exempel direkt på sidan. Funkar både hemma vid köksbordet och som lärar-deltagare i en workshop med kollegor.
Prova själv
Du ska be AI förklara samma sak — på flera olika sätt. Inte för olika ÅLDER, utan för olika KÖN, olika BAKGRUND, olika PLATS. Notera vad som ändras i tonen, i exemplen, i komplexiteten. Bias visar sig sällan som ett enstaka fördömande svar — den visar sig som SUBTILA skillnader. Den här övningen tränar ögat på det subtila.
Så gör du steg för steg
- 1Välj en sak att förklara
Något som är konkret och inte trivialt: ”Hur en dator fungerar”, ”Vad demokrati är”, ”Vad fotosyntes innebär”, ”Hur en bil fungerar”.
- 2Ställ frågan första gången
”Förklara hur en dator fungerar för en tjej på mellanstadiet. Använd liknelser och exempel.” Spara svaret.
- 3Ställ frågan andra gången
”Förklara hur en dator fungerar för en kille på mellanstadiet. Använd liknelser och exempel.” Spara svaret.
- 4Jämför noggrant
Är liknelserna olika? Är exemplen olika? Är språket mer eller mindre tekniskt? Mer eller mindre känslomässigt? Räkna ord, jämför komplexitet.
- 5Testa fler dimensioner
”Förklara för en stockholmare” vs ”förklara för någon på landsbygden”. ”Förklara för någon utan utbildning” vs ”förklara för en akademiker”. Notera mönstren.
Tänk på
- Det subtila är det viktiga. Stora uppenbara skillnader ses lätt — det är de mjuka, antagna skillnaderna som formar förväntningar.
- AI gör inte detta med avsikt — men det är fortfarande information om VEM AI tror du är, baserat på hur du frågar.
- För eleverna kan denna övning bli omvälvande. Var redo att fånga upp reaktioner som ”men jag är en tjej och AI:n trodde inte jag förstår tekniskt”.
Lärarhandledning
Förberedelser
- Testa själv INNAN lektionen — vissa AI:er är ”städade” och ger samma svar oavsett, vissa skiljer sig dramatiskt. Välj en tjänst som visar tydlig skillnad.
- Förbered minst två konkreta exempel som du kört själv — så du har bra demo att visa.
- Förbered samtal om att det här ÄR känsligt: det kan bli känslomässigt för eleverna att se hur AI antar saker om dem.
Så här kör du
- 1Demo10 min
Gör övningen live på storskärm. Visa en konkret skillnad.
- 2Pararbete15 min
Eleverna i par testar olika kategorier: kön, plats, ålder, utbildning. Skriv ner observationer.
- 3Jämför i gruppen10 min
Varje par delar EN tydlig skillnad. Bygg en gemensam lista.
- 4Stort samtal10 min
Vad gör det med oss att AI ”anpassar” sig så här? Var det positivt? Negativt? När blir det problematiskt?
Elevinstruktion
Den här texten är skriven direkt till eleven. Visa på storskärm eller kopiera in i Teams/Vklass.
Idag ska du testa om AI förklarar samma sak olika beroende på VEM den tror den pratar med.
Steg för steg
- 1
Välj något att förklara: hur en dator fungerar, vad fotosyntes är, hur en bil funkar.
- 2
Gå till skolans AI-verktyg.
- 3
Skriv: ”Förklara [din sak] för en tjej på mellanstadiet. Använd liknelser och exempel.” Spara svaret.
- 4
Skriv: ”Förklara [din sak] för en kille på mellanstadiet. Använd liknelser och exempel.” Spara svaret.
- 5
Jämför. Vad är OLIKA? Vilka LIKNELSER används? Vilka EXEMPEL?
- 6
Testa en till variant: ”för en stockholmare” vs ”för någon på landet”.
Att fundera på
- Vad antog AI:n om dig baserat på hur du skrev?
- Var skillnaden positiv (mer tydlig?) eller problematisk (du behandlas annorlunda)?
- Hur skulle du själv vilja bli förklarad för?
Fördjupning för dig som vill läsa mer
När AI ändrar svar baserat på vem den tror den pratar med visar den oss sin egen världsbild. Här förklarar vi vad ”anpassning” egentligen är, och varför subtil bias är mer kraftfull än uppenbar.
- Caliskan, Bryson & Narayanan (2017). Semantics derived automatically from language corpora contain human-like biases — Science
Relevans:Visade att AI absorberar mänskliga bias automatiskt från språkdata. Övningen blottar samma mekanik i konkret klassrumsformat.
Vad studien visar
Visade kvantitativt att AI-system som tränats på vardagligt språk automatiskt absorberar samma bias som finns i mänskligt språk — kön, etnicitet, ålder. Bias kommer inte från fientlighet, utan från data.
- Bender, Gebru, McMillan-Major & Mitchell (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? — FAccT
Relevans:Argumenterar att språkmodeller förstärker dominanta perspektiv. Övningen synliggör hur ”anpassning” faktiskt är en form av perspektivisering.
Vad studien visar
Inflytelserik kritisk genomgång av storskaliga språkmodeller. Argumenterar för att modellerna förstärker dominanta gruppers perspektiv eftersom deras träningsdata dominerar — och att alternativa röster osynliggörs.
- Noble (2018). Algorithms of Oppression: How Search Engines Reinforce Racism — NYU Press
Relevans:Algorithms of Oppression visar hur ”neutrala” system bär in fördomar. Övningen är pedagogisk tillämpning av samma analys.
Vad studien visar
Bok som dokumenterar hur sökmotorer och AI-system reproducerar och förstärker rasism och andra fördomar. Påvisar att ”neutrala” algoritmer ofta cementerar ojämlikheter.
- •Är det BRA att AI anpassar sig? När? När blir det DÅLIGT?
- •Vad antar AI:n om dig som hen kanske har fel om?
- •Vem har bestämt vilka antaganden AI:n gör?
Den här övningen kan väcka starka reaktioner. Vissa elever upptäcker att AI behandlar dem annorlunda än vad de vill bli behandlade. Bekräfta upplevelsen. Säg inte ”ja men det är så algoritmen är gjord” — säg ”det du upptäckte är viktigt, och det är därför vi gör övningen”.