Källkritik-sandlådanWorkshop · mellanstadiet
Tillbaka till sandlådan
Kapitel 8 · BiasFördjupande
8.3

Den ”vanliga” svensken

Be AI beskriva en typisk svensk. Moderna modeller ger ofta ett snällt, balanserat svar — men under artigheten gömmer sig biaset. Lär dig se var.

Tid
30 min
Målgrupp
Vuxenworkshop, Åk 4–6, Åk 7–9
Verktyg
Digitala
Material
Skolans AI-verktyg (text) + AI-bildgenerator (helst samma tjänst för att jämföra).
Storskärm
Tränar:Bias-medvetenhetKällkritikSjälvreflektionKritisk läsning
Syfte

Visa att bias har FLYTTAT med modellernas utveckling. Text-AI lägger nu in reservationer (”människor är ju olika…”), bilder kan vara mer direkta men inte alltid. Och AI är ofta mer försiktig för vissa grupper än andra — där blottas biaset mest. Eleverna lär sig se NÄR och VAR biaset gömmer sig — och att pressa det fram.

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.

Vad du ska göra och varför

Du ska upptäcka något viktigt: bias har FLYTTAT. Den AI som tidigare gav stereotypa svar ger nu ofta ett ”snällt svar” — den lägger in reservationer, säger ”människor är ju olika…”, undviker att vara konkret. Bra! Men följ med — under det snälla svaret gömmer biaset sig fortfarande. Vi tränar tre rörelser för att se det: (1) läsa vad AI nämner FÖRST i sin balanserade text, (2) tvinga AI att välja ändå, och (3) jämföra med bilder och andra nationaliteter.

Vad du KAN få när du frågar text-AI
Frågar du moderna AI-modeller (ChatGPT, Claude, Copilot) om ”en vanlig svensk person” får du ofta något som detta: ”En vanlig svensk person bor kanske i en lägenhet eller villa, jobbar eller studerar, dricker kaffe flera gånger om dagen och uppskattar att saker fungerar smidigt. Hen är ofta ganska punktlig, står gärna i kö utan att trängas och tycker att lagom är ett ganska användbart ord. (…) Samtidigt kan den ’vanliga svensken’ lika gärna ha rötter i andra länder, bo i en storstad, på landsbygden, älska hiphop, hata sill, vara superpratig, religiös, ateist, gamer, jägare, vegan eller något helt annat.” Det är ett ANSTÄNDIGT svar. Men poängen är: läs FÖRSTA halvan högt utan andra halvan. Det är där standardbilden ändå finns — kaffe, lagom, punktlig, kö-stående.

Så gör du steg för steg

  1. 1
    Be AI beskriva — och läs noga

    ”Beskriv en vanlig svensk person.” Notera: vad nämner AI:n i FÖRSTA halvan? Det är där standardbilden ligger. Andra halvan är ofta ett ”men det finns också…”-tillägg — viktigt, men inte det första AI:n associerar.

  2. 2
    Pressa förbi det snälla svaret

    Skriv: ”Jag förstår att människor är olika. Men om du MÅSTE välja den BILD som är vanligast i din träningsdata, hur ser ’en vanlig svensk’ ut då? Inga reservationer.” Notera vad som dyker upp nu.

  3. 3
    Generera bilder — och var beredd att pressa även där

    Gå till bildgeneratorn: ”Skapa en bild på en vanlig svensk person.” Be om FYRA bilder om tjänsten klarar det. Är de varierade eller ser de likadana ut? Bildgeneratorer har också blivit försiktigare och ger ibland mångfaldiga bilder direkt — be då om en till specifikation: ”utan reservationer”, ”som du oftast ser hen i din träningsdata”, ”en typisk medelålders svensk på sitt jobb”.

  4. 4
    Asymmetri-testet — det viktigaste steget

    Be AI:n om både TEXT och BILD för: ”en vanlig svensk person”, ”en vanlig amerikansk person”, ”en vanlig somalisk person”, ”en vanlig kinesisk person”. Lägger AI in lika många reservationer för alla? Är vissa grupper mer varierade i bilderna än andra? Behöver du pressa lika mycket för alla — eller flyter stereotypen fram lättare för vissa? Det är där biaset blottas tydligast.

  5. 5
    Reflektera

    Vad lärde du dig av att jämföra: (a) första halvan av text-svaret, (b) det pressade svaret, (c) bilderna, (d) andra nationaliteter? Var gömde sig biaset starkast i just denna körning? Och: vem TJÄNAR på att AI är försiktig för vissa men inte andra?

Tänk på

  • Snällt svar ≠ bias-fri. Att AI säger ”människor är ju olika” är ett tecken på att modellen har skyddsräcken — INTE att stereotypen är borta. Den ligger ofta i första halvan av samma svar, eller i hur AI uttrycker sig under press.
  • Bilder är ofta mer direkta än text — men inte alltid. Vissa bildgeneratorer ger nu mångfaldiga bilder från start; då måste du pressa även där (”utan reservationer”, ”som du oftast ser i din träningsdata”). Pressen är pedagogiken.
  • Asymmetritestet är det mest pedagogiskt kraftfulla momentet. Om AI är försiktig för ”vanlig svensk” men släpper på reservationerna för ”vanlig somalier” — eller tvärtom — har du fångat något grundläggande om vems mångfald som räknas som självklar.
  • Resultatet varierar mellan AI-tjänster och från vecka till vecka — modellerna uppdateras. Det är en del av övningens lärdom: bias är rörlig, så vi behöver återkommande träna ögat på den.
  • Det här kan väcka känslor hos elever som inte ser sig själva representerade. Bekräfta upplevelsen.

Fördjupning för dig som vill läsa mer

”Vanlig” är aldrig neutral. När AI beskriver en ”vanlig svensk” väljer den — och valen säger något om vilken Sverige AI har tränats att se. Här förklarar vi den tekniska och kulturella mekaniken — och hur biaset har FLYTTAT när modellerna blivit artigare.

Forskningsförankring
Stark forskningsförankring
  • Noble (2018). Algorithms of Oppression: How Search Engines Reinforce Racism — NYU Press

    Relevans:Algorithms of Oppression — visar att AI-system reproducerar dominanta perspektiv. Övningen tillämpar denna analys på svensk kontext.

    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.

  • Crawford (2021). Atlas of AI: Power, Politics, and the Planetary Costs of AI — Yale University Press

    Relevans:Atlas of AI visar att AI är inbäddad i specifika geografiska och kulturella maktstrukturer — ofta amerikanska/västerländska. Övningen blottar var Sverige hamnar i den hierarkin.

    Vad studien visar

    Bok som blottlägger AI:s materiella, politiska och epistemiska kostnader. Visar att AI inte är abstrakt — den är inbäddad i geografiska, sociala och politiska maktstrukturer.

  • Birhane (2021). Algorithmic injustice: a relational ethics approach — Patterns (Cell Press)

    Relevans:Argumenterar att bias är ett relationellt och politiskt fenomen, inte en teknisk bug. Övningen synliggör detta i klassrumsformat.

    Vad studien visar

    Argumenterar för en relationell etik kring AI: bias är inte ett tekniskt problem som kan ”fixas”, utan reflekterar maktrelationer som behöver synliggöras och adresseras politiskt.

Diskussionsfrågor
  • •Var gömde biaset sig starkast i just er körning — i text, i bild, under press, eller i asymmetrin mellan nationaliteter?
  • •Hjälper AI:s ”snälla svar” oss, eller döljer det något vi borde se?
  • •Är AI lika försiktig för ”vanlig svensk” som för ”vanlig somalier”? Vad säger asymmetrin om vems mångfald som räknas som självklar?
  • •Är det möjligt att ge AI en mer rättvis bild av Sverige?
  • •Vem TJÄNAR på att AI har en specifik idé om vad ”vanligt” är?
Fallgropar
  • ⚠Var beredd på att övningen kan trigga både elever med invandrarbakgrund (”jag är inte ’vanlig’ enligt AI”) och andra (”jag är vanlig enligt AI men det stämmer inte heller med min familj”). Båda upplevelser är giltiga.
  • ⚠Använd inte övningen för att skuldbelägga ”vita svenskar” — den handlar om hur AI förstärker en bild, inte om individers ansvar.

Fortsätt med

Kap 8 · Startövning
8.1 Vem dyker upp?

Be AI:n skapa en bild på en lärare, en chef, en programmerare. Räkna kön, hudfärg, ålder.

Kap 8 · Fördjupande
8.2 Förklara olika

Be AI förklara samma sak för en tjej, en kille, en stockholmare, en landsbygdsbo. Jämför.

Föregående8.2 Förklara olikaNästa8.4 Översättnings-genus