Hvordan kan du bruke kunstig intelligens (KI) til å forenkle og fornye hverdagen? Det får du svar på i første del av Khronos KI-skole med professor Morten Goodwin.
Følg Khronos KI-skole som har som mål å vise hvordan kunstig intelligens kan forenkle og fornye den akademiske hverdagen. Illustrasjonen er laget av ChatGPT, som fikk følgende instruks: Tegn en robot som både er en forsker og en underviser på et universitet. La illustrasjonen være inspirert av gammel sovjetisk propaganda, men uten sovjetiske symboler.Illustrasjon: ChatGPT
Khronos KI-skole, del I: Kunstig intelligens, eller KI som det ofte forkortes til, har for alvor inntatt akademia og blitt en av vår tids mest omdiskuterte nyvinninger.
FAKTA
Khronos KI-skole
Professor Morten Goodwin har på oppdrag for Khrono laget en KI-skole i form av en artikkelserie som vil bli publisert i Khrono de nærmeste ukene.
Målet er å vise hvordan kunstig intelligens kan forenkle og fornye den akademiske hverdagen.
Målgruppen er undervisere, forskere og administrativt ansatte ved universiteter og høgskoler.
Dette er første artikkel i serien. Målet med den er å gi en grunnleggende forståelse av KI og språkmodeller og inneholder praktiske eksempler på bruksområder for både forskere, undervisere og administrativt ansatte.
Neste artikkel vil handle om hvordan du
«snakker» med kunstig intelligens.
Med mindre du har levd isolert fra omverdenen de siste årene, har du uten tvil blitt kjent med dette fenomenet. Verktøy som ChatGPT og CoPilot er blitt allemannseie — noen har omfavnet dem med begeistring, mens andre har holdt en mer avventende distanse.
Men uansett hvor du selv står, er én ting sikkert:
Studentene dine har allerede utforsket mulighetene. Sjansen er stor for at den siste eksamensbesvarelsen du vurderte, bærer tydelige spor av kunstig intelligens.
Dermed er det ikke lenger et spørsmål om KI vil prege din akademiske hverdag - det gjør den allerede.
Utfordrer den frie og kritiske tekningen
Pandoras eske er åpnet, og kunstig intelligens strømmer ut med en kraft som allerede omformer hvordan vi arbeider og tenker. Vi i akademia står midt i denne forvandlingen. Det gjelder alle, fra forskere og undervisere til studenter og administrativt personale.
KI-verktøyene som nå blir tilgjengelige, lover økt effektivitet, men utfordrer samtidig den frie og kritiske tenkningen som er akademias grunnstein. Vi befinner oss derfor i et krevende landskap der vi må trå varsomt og tenke grundig gjennom hvordan vi vil forholde oss til denne teknologien på tvers av hele institusjonen.
Utfordringene som følger med teknologiens framskritt - som økt risiko for juks - er reelle, men potensialet som ligger i kunstig intelligens er betydelig større. Denne artikkelen markerer starten på en serie om kunstig intelligens i høyere utdanning som forhåpentligvis kan bidra til å gi akademia et KI-løft.
Her handler det ikke bare om effektivisering, men om å skape grunnleggende forbedringer i hvordan vi arbeider og tenker. Min ambisjon er å vise hvordan denne teknologien kan drive fram innovasjon og fornyelse i hele den akademiske sfæren.
FAKTA
Morten Goodwin
Professor i kunstig intelligens ved Universitetet i Agder (UiA)
Underviser i kunstig intelligens og programmering for master- og doktorgradsstudenter
Tok doktorgrad i kunstig intelligens ved Aalborg Universitet i 2011 med avhandlingen Towards Automated eGovernment Monitoring
Har publisert over 200 fagfellevurderte vitenskapelige artikler innen kunstig intelligens, med fokus på dype nevrale nettverk
Forfatter av boken «AI – myten om maskinene» (2020), som forklarer hva kunstig intelligens er og avliver myter rundt teknologien
I løpet av serien skal vi utforske ulike former for kunstig intelligens, fra språkmodeller til andre praktiske verktøy som kan forenkle hverdagen og øke produktiviteten for forskere, undervisere og andre i akademiske roller. Samtidig vil vi også gi innblikk i hvordan KI kan fungere som en katalysator for nytenkning og bedre løsninger, uten å overse de utfordringene som følger med denne teknologien.
Uansett om du er helt fersk i møte med kunstig intelligens eller allerede har erfaring med verktøy som ChatGPT, vil denne serien gi verdifull innsikt i hvordan kunstig intelligens kan bli en pålitelig partner i ditt akademiske arbeid.
Nederst i denne artikkelen vil jeg komme med helt konkrete eksempler på hvordan forskere, undervisere og administrativt ansatte kan bruke kunstig intelligens i hverdagen.
Forbløffende tempo
Utviklingen av kunstig intelligens har skutt fart siden ChatGPT tok verden med storm i slutten av 2022. De tidlige begrensningene, som upålitelige referanser og tendens til å dikte opp fakta, er i stor grad overvunnet. Tempoet i denne utviklingen er forbløffende, men ChatGPT representerer bare én milepæl på en langt større reise.
Vi er fortsatt i startfasen av et omfattende prosjekt: å skape intelligent teknologi som kan supplere menneskelig tenkning, tilgjengelig for alle som en tjeneste. Hvor fort dette kommer til å gå fremover, vet ingen, men det mangler ikke på spådommer.
Elon Musk har for eksempel hevdet at kunstig intelligens innen 2030 kan overgå ikke bare enkeltmenneskers, men hele menneskehetens samlede intellektuelle kapasitet.
I et slikt scenario ville forskere, tenkere og lærere bli overflødige — maskinene kunne overta alt fra analyse og resonnering til undervisning og akademisk skriving. Men slike visjoner hører mer hjemme i science fiction enn i virkeligheten. Tanken om at kunstig intelligens fullstendig skal erstatte menneskelig tenkning, fremstår like usannsynlig som en invasjon fra rommet.
Dette betyr likevel ikke at vi kan undervurdere de omfattende endringene kunstig intelligens bringer med seg. Som Yuval Harari påpeker, bør vi forstå KI som mer enn bare et verktøy. Det er en autonom aktør som kan utvikle ideer og ta beslutninger på egen hånd.
Denne innsikten varsler en revolusjon i utdanningssektoren, der teknologien kan transformere både hvordan vi underviser og lærer. For oss forskere åpner den nye muligheter til å utvide vår mentale kapasitet: KI kan analysere komplekse datasett, foreslå uventede forskningsretninger og generere hypoteser basert på enorme informasjonsmengder, oppgaver som tidligere kunne tatt måneder å gjennomføre.
I en tid der KI-innovasjonene kommer på løpende bånd, blir det stadig vanskeligere å skille mellom realitet og overdrevne fremtidsvisjoner. I denne artikkelserien skal jeg derfor konsentrere meg om de konkrete endringene som skjer her og nå.
Vi skal la de store eksistensielle spekulasjonene ligge, og retter i stedet blikket mot hvordan kunstig intelligens allerede transformerer akademia. Gjennom praktiske eksempler vil jeg vise hvordan KI kan berike arbeidshverdagen for alle — fra professorer og forskere til studenter og administrativt personale.
Språkmodeller står i sentrum
Kunstig intelligens er et fagfelt med dype historiske røtter, som strekker seg tilbake til pionerer som Alan Turing og Marvin Minsky – og kanskje enda lenger. At kunstig intelligens først fanget manges oppmerksomhet i 2022, skyldes én enkel grunn: Teknologien begynte for alvor å levere.
Med dataprogrammet ChatGPT fikk KI sitt gjennombrudd på en måte som gjorde den både umiddelbart anvendelig og lett tilgjengelig for folk flest, og ikke minst for oss i akademia.
Språkmodellen står i sentrum av KI-revolusjonen. De mest kjente eksemplene er Generative Pretrained Transformer, eller GPT, som driver ChatGPT, og lignende teknologi bak verktøy som CoPilot, Claude og Perplexity.
Disse modellene representerer en kunstig intelligens som mestrer språkets mange fasetter: De kan generere tekst, forstå sammenhenger, og tilpasse sine formuleringer til oppgaven de får. Fra å fullføre setninger til å skrive lengre tekster, fra å besvare spørsmål til å oversette mellom språk - de behersker tilsynelatende hele spekteret av språklige oppgaver.
Vi kan med sikkerhet si at disse modellene mestrer språk, men hva innebærer egentlig denne «språkforståelsen»? For å gripe dette må vi se nærmere på hvordan en språkmodell faktisk fungerer og lærer.
Hvordan fungerer en språkmodell?
Språkmodeller som GPT tilegner seg språkforståelse gjennom en omfattende treningsprosess. Dette skiller dem fundamentalt fra tradisjonelle dataprogrammer, der utviklere nøyaktig har definert hver eneste handling, som når du klikker «lagre» i Word og en forhåndsprogrammert sekvens settes i gang.
Kunstig intelligens fungerer annerledes. I stedet for å følge et fastlagt sett med instruksjoner, lærer disse systemene på en måte som minner mer om hvordan mennesker tilegner seg kunnskap.
Da mine barn, som nå nærmer seg tenårene, lærte å snakke, ga vi dem ingen formell innføring i grammatikk, setningsoppbygging eller verbtyper. Vi bare snakket med dem. Likevel plukket de opp språket naturlig, slik nesten alle barn gjør.
På en forbløffende lignende måte lærer språkmodeller som GPT å mestre språk. Vi definerer ikke hva den skal ha av intelligens, vi trener den opp i en prosess vi kaller maskinlæring.
GPT er bygget på nevrale nettverk, en gren av kunstig intelligens inspirert av den menneskelige hjerne, og spesielt en måte å bygge opp det nevrale nettverket på kalt transformer.
Transformeren i GPT er designet for å analysere lange sekvenser av tekst og forstå hvordan ord henger sammen gjennom statistiske mønstre. Når GPT trenes, lærer den å forutsi sannsynlige fortsettelser av tekst.
Ta for eksempel setningen «Universitetet er et sted hvor». Basert på sin omfattende trening vil modellen foreslå naturlige fortsettelser som «forskning blomstrer» eller «studenter samles for å lære», fremfor mindre sannsynlige alternativer som «det bakes kaker».
Denne evnen til å gripe språklige nyanser kommer fra de enorme datamengdene modellen er trent på.
Hvordan trenes en språkmodell?
Treningsprosessen for en språkmodell som GPT består av tre hovedfaser, som hver inneholder altfor mange detaljer til å ta med her:
Datainnsamling: Modellen mates med enorme mengder tekst fra bøker, artikler og nettsider. ChatGPTs omfattende datagrunnlag har vakt debatt, særlig rundt bruken av opphavsrettsbeskyttet materiale uten eksplisitt samtykke.
Likevel er det nettopp denne brede eksponeringen som gir modellen sin imponerende evne til å mestre språkets mange nyanser, uavhengig av tema og kontekst.
Forhåndstrening: I denne fasen får modellen sin grunnleggende språkopplæring. Gjennom analyse av milliarder av setninger lærer den språkets mønstre og regler, fra enkel grammatikk som forskjellen mellom «Jeg leser bøker» og det Yoda-aktige «Bøker jeg leser», til mer subtile språklige nyanser.
Modellen justerer kontinuerlig sine nevrale nettverk for å bli stadig bedre til å forutsi naturlige språksekvenser.
Menneskelig finjustering: Den siste fasen kalles forsterkende læring med menneskelig tilbakemelding (RLHF). Her vurderer mennesker modellens svar og markerer hvilke responser som er mest hensiktsmessige og presise. Denne prosessen forfiner modellens evne til å gi relevante svar, slik at den ikke bare baserer seg på statistiske mønstre, men også på menneskelig dømmekraft.
Hva gjør språkmodeller så kraftfulle?
Språkmodeller som GPT utmerker seg blant KI-systemer gjennom sin dype forståelse av språkets struktur og sin evne til å tilpasse seg ulike sammenhenger. De fungerer som en uuttømmelig, om enn ikke alltid helt pålitelig, assistent, alltid klar til å analysere komplekse tekster og formulere veloverveide svar med naturlig flyt og logikk.
Det betyr ikke at de er uten svakheter.
En språkmodell forstår ikke verden slik vi gjør. Den har verken bevissthet eller evne til abstrakt tenkning. Alt den «vet» er hentet fra mønstrene i treningsdataene den er matet med.
Dette kan føre til feil, skjevheter eller uklarheter, avhengig av hvordan den brukes. Likevel er det nettopp den unike blandingen av massive datamengder og enestående prediksjonsevne som gjør språkmodeller til selve drivkraften i den kunstige intelligensens revolusjon.
Praktisk nytte
Den praktiske nytten føles nærmest grenseløs, og det er et tema vi skal dykke dypere ned i i de kommende artiklene.
Tenk deg en hverdag der språkmodeller hjelper til med alt fra å bryte ned språkbarrierer til å skape innhold som engasjerer og informerer.
De kan veilede elever i komplekse fag, hjelpe bedrifter med å finne kreative løsninger, eller støtte forskere i å tolke enorme datasett.
Dette er bare begynnelsen – i de neste artiklene skal jeg vise hvordan denne teknologien former fremtiden og åpner dører vi knapt visste fantes. Nedenfor kommer noen smakebiter, først for forskere, deretter for undervisere og til slutt for administrativt ansatte.
For forskere:
KI kan bli en assistent for forskningsarbeid. Her er noen konkrete eksempler:
Automatisk språkvask: Språkmodeller kan forbedre og polere akademisk tekst, slik at du kan fokusere på innholdet.
Dataanalyse: KI kan analysere store datasett, identifisere mønstre og til og med generere hypoteser basert på trender.
Tekstgenerering: Sliter du med å skrive introduksjoner eller sammendrag? KI kan lage utkast som gir deg et springbrett.
For eksempel kan vi spørre ChatGPT om språkhjelp til å skrive en abstract.
Jeg skriver til ChatGPT:
Here is a draft the abstract for a paper I am writing about Manifold Capacity Representations in State Representation Learning. I have attached the paper as well. Be very concrete and suggest how the abstract could be better. For every suggestion you make, please explain why that suggestion is essential.
The expanding research on manifold-based self-supervised learning (SSL) builds on the manifold hypothesis, which suggests that the inherent complexity of high-dimensional data can be unraveled through lower-dimensional manifold embeddings. Capitalizing on this, DeepInfomax with an unbalanced atlas (DIM-UA) has emerged as a powerful tool and yielded impressive results for state representations in reinforcement learning. Meanwhile, Maximum Manifold Capacity Representation (MMCR) presents a new frontier for SSL by optimizing class separability via manifold compression. However, MMCR demands extensive input views, resulting in significant computational costs and protracted pre-training durations. Bridging this gap, we present an innovative integration of MMCR into existing SSL methods, incorporating a discerning regularization strategy that enhances the lower bound of mutual information. We also propose a novel state representation learning method extending DIM-UA, embedding a nuclear norm loss to enforce manifold consistency robustly. On experimentation with the Atari Annotated RAM Interface, our method improves DIM-UA significantly with the same number of target encoding dimensions. The mean F1 score averaged over categories is 78% compared to 75% of DIM-UA. There are also compelling gains when implementing SimCLR and Barlow Twins. This supports our SSL innovation as a paradigm shift, enabling more nuanced high-dimensional data representations.
Svar fra ChatGPT:
Your abstract is detailed but can benefit from greater clarity, precision, and focus to ensure it effectively communicates your contributions. Below are suggestions for improvement, with explanations:
Suggested Improvements
1. Simplify and Condense the Introduction of Concepts
Current: "The expanding research on manifold-based self-supervised learning (SSL) builds on the manifold hypothesis, which suggests that the inherent complexity of high-dimensional data can be unraveled through lower-dimensional manifold embeddings."
Suggested: "Manifold-based self-supervised learning (SSL) leverages the manifold hypothesis to simplify high-dimensional data into lower-dimensional embeddings."
Why: Simplifying this sentence makes the abstract more accessible and gets to the core idea more quickly.
2. Clarify the Contribution of DIM-UA and MMCR
Current: "Capitalizing on this, DeepInfomax with an unbalanced atlas (DIM-UA) has emerged as a powerful tool and yielded impressive results for state representations in reinforcement learning."
Suggested: "DIM-UA, a state-of-the-art SSL method, excels in state representation for reinforcement learning by leveraging unbalanced atlas techniques."
Why: This avoids excessive technical jargon and highlights DIM-UA's unique value.
3. Streamline Discussion of Computational Costs
Current: "However, MMCR demands extensive input views, resulting in significant computational costs and protracted pre-training durations."
Suggested: "MMCR achieves high class separability through manifold compression but at the expense of significant computational cost and extended pre-training."
Why: The revised version is more concise and retains the core message.
4. Highlight Novelty and Impact Clearly
Current: "Bridging this gap, we present an innovative integration of MMCR into existing SSL methods, incorporating a discerning regularization strategy that enhances the lower bound of mutual information."
Suggested: "We introduce a novel approach integrating MMCR into SSL, utilizing a regularization strategy to enhance mutual information, significantly improving efficiency and representation quality."
Why: Emphasizes innovation and practical impact, which are key for attracting interest.
5. Results Section Needs Specificity
Current: "On experimentation with the Atari Annotated RAM Interface, our method improves DIM-UA significantly with the same number of target encoding dimensions."
Suggested: "Our method, evaluated on the Atari Annotated RAM Interface, improves DIM-UA's mean F1 score from 75% to 78%, with consistent gains across categories."
Why: Adds numerical results upfront to make the contribution tangible and impactful.
6. Conclude with Broader Implications
Current: "This supports our SSL innovation as a paradigm shift, enabling more nuanced high-dimensional data representations."
Suggested: "These results establish our approach as a versatile and computationally efficient paradigm, advancing state representation learning in reinforcement learning and beyond."
Why: Positions the research within a broader context, appealing to a wider audience.
Proposed Revised Abstract
Manifold-based self-supervised learning (SSL) leverages the manifold hypothesis to simplify high-dimensional data into lower-dimensional embeddings. DIM-UA, a state-of-the-art SSL method, has excelled in reinforcement learning by employing unbalanced atlas techniques. Meanwhile, Maximum Manifold Capacity Representation (MMCR) optimizes class separability through manifold compression but incurs high computational costs due to extensive input views.
To address these challenges, we propose a novel method integrating MMCR into existing SSL frameworks, utilizing a capacity-based regularization strategy that enhances mutual information bounds. Additionally, we extend DIM-UA by incorporating a nuclear norm loss to robustly enforce manifold consistency.
Evaluated on the Atari Annotated RAM Interface, our method improves DIM-UA's mean F1 score from 75% to 78% with the same encoding dimensions, with compelling gains when applied to SimCLR and Barlow Twins. These results establish our approach as a computationally efficient and versatile paradigm for advancing state representation learning and SSL.
Each suggestion ensures that your abstract is precise, concise, and emphasizes the novelty and significance of your work, making it appealing and easy to comprehend for a broad academic audience.
For undervisere
Undervisning er både en kunst og en vitenskap, og KI kan være til hjelp på flere måter:
Generering av oppgaver: Trenger du raskt nye oppgaver eller quizer? KI kan foreslå spørsmål tilpasset ulike fag og nivåer.
Simulering av undervisningsscenarioer: Modeller som ChatGPT kan rollespille som studenter, slik at du kan forberede deg på vanskelige spørsmål eller simulere debatter.
Personlig tilpasset læring: Ved hjelp av KI kan du skape læringsressurser som tilpasses individuelle behov.
Se på KI som en fleksibel assistent som kan hjelpe deg tilpasse undervisningen for et mangfoldig studentmiljø.
For eksempel:
Jeg skriver til ChatGPT:
Dette er et bilde av et hovedkort. Jeg holder på å lage en eksamen som har deadline i morgen. Kan du komme opp med noen vanskelige spørsmål til eksamen? Faget er «Introduksjon til informatikk», førsteår bachelor.
Hovedkort.Wikipedia
Svar fra ChatGPT:
Her er noen avanserte spørsmål som kan passe til en eksamen i «Introduksjon til informatikk», med fokus på hovedkortet og relaterte konsepter:
Spørsmål
1. Komponentenes funksjon: Forklar funksjonen til følgende komponenter som er synlige på hovedkortet:
PCI-sporene
Brikkesettet
CPU-sokkelen
RAM-sporene
BIOS/UEFI-brikken
2. Bussarkitektur: Diskuter hvordan hovedkortets bussarkitektur (f.eks. PCI, PCIe) muliggjør kommunikasjon mellom komponentene. Hva er forskjellen mellom en systembuss og en I/O-buss?
3. Kapasitet og ytelse: Et hovedkort har fire RAM-spor, hver med en kapasitet på opptil 8 GB RAM. Forklar hva som skjer hvis man setter inn RAM-brikker med ulik frekvens (f.eks. 2400 MHz og 3200 MHz). Hva påvirker ytelsen?
4. Effektivitet: Forklar hvordan hovedkortets strømforsyning distribuerer energi til ulike komponenter. Hvordan påvirker strømstyrken stabiliteten og ytelsen til systemet?
5. Kompatibilitet: Hvordan kan du avgjøre om en gitt CPU er kompatibel med et spesifikt hovedkort? Inkluder eksempler på hva som kan begrense kompatibiliteten (f.eks. sokkeltype, brikkesett, BIOS-versjon).
6. BIOS/UEFI: Forklar rollen til BIOS eller UEFI i oppstartsprosessen av en datamaskin. Hvordan kan en feilkonfigurert BIOS påvirke ytelsen eller funksjonaliteten til datamaskinen?
7. Feilsøking: En student setter sammen en datamaskin, men opplever at systemet ikke starter og avgir et bestemt mønster med pipelyder. Hvordan kan du bruke hovedkortets manual til å identifisere problemet, og hva er de vanligste feilkildene i slike tilfeller?
8. Databussens rolle: Forklar hvordan databussen på hovedkortet påvirker overføringshastigheten mellom prosessoren og minnet. Hvordan kan flaskehalser oppstå i dette systemet?
9. Termisk design: Beskriv hvordan kjøleløsninger på et hovedkort (f.eks. kjøleribber og vifter) fungerer for å beskytte CPU og andre komponenter mot overoppheting. Hva skjer hvis kjølingen svikter?
10. Utvidelsesmuligheter: Diskuter fordelene og ulempene ved å bruke eksterne utvidelseskort (som GPU eller lydkort) sammenlignet med innebygde løsninger på hovedkortet.
Vil du at jeg skal utdype eller gi forslag til svar på noen av disse spørsmålene? Lykke til med eksamen! 😊
Jeg fortsetter å skrive til ChatGPT:
Lag en illustrasjon med store hvite sirkler slik at studentene kan skrive komponentene på hovedkortet i de hvite sirklene
Svar fra ChatGPT:
ChatGPTs forslag til eksamensillustrasjon.
ChatGPT
For administrasjonen
Universitetets maskineri krever effektiv administrasjon. Her kan KI gjøre en forskjell:
Automatisering av rutineoppgaver: Fra å svare på e-poster til å behandle søknader, kan KI håndtere mange repetitive oppgaver raskt og nøyaktig.
Planlegging: KI kan optimalisere timeplaner ved å ta hensyn til tilgjengelighet, preferanser og ressursbruk.
Analyse av studentdata: KI kan hjelpe med å identifisere trender i studentprestasjoner og foreslå tiltak for forbedring.
KI kan bli den usynlige motoren som holder systemet i gang, slik at menneskene kan fokusere på strategisk arbeid.
For eksempel:
Jeg skriver til ChatGPT:
Her er en liste over studentenes eksamenspoeng (SAT score). Lag en graf som viser eksamenspoeng over hvor mange år de brukte på å fullføre utdanningen (graduate).
Her er en boxplot som viser fordelingen av SAT Total Scores for ulike antall år til fullføring av utdanningen (Years to Graduate). Denne grafen gir en visuell representasjon av medianen, kvartilene og potensielle uteliggere for hver kategori.
Her er ChatGPTs figur.ChatGPT
Akademias fremtid formes av kunstig intelligens
KI har kommet for å bli, og dens innflytelse i akademia vokser dag for dag. Teknologien tilbyr verktøy som effektiviserer rutinearbeid, åpner nye forskningsfelt og muliggjør mer individuelt tilpasset undervisning. Dette krever samtidig at vi verner om kritisk tenkning og sikrer etisk bruk av teknologien.
På samme måte som boktrykkerkunsten revolusjonerte kunnskapens spredning, vil KI redefinere hvordan vi lærer, forsker og administrerer. Ved å omfavne denne teknologien som en partner fremfor en konkurrent, kan vi skape en akademisk verden som både bevarer vår intellektuelle egenart og utnytter teknologiens muligheter.
I de kommende artiklene skal vi utforske de praktiske anvendelsene av KI i akademia. Fra språkvask og dataanalyse til skreddersydd læring og administrative forbedringer. Vi vil vise hvordan denne teknologien kan forenkle og fornye vår akademiske hverdag.
Målet er ikke bare å forstå maskinene, men å bruke deres potensial til å løfte hele akademia til nye høyder.
Desse gleda studentar og tilsette ved Høgskulen i Volda fredag. Framme: høgskuledirektør Oddrun Rangsæter og rektor Odd Helge Mjellem Tonheim.privat
Med rektor Odd Helge Tonheim i spissen gjekk det eit Lucia-tog gjennom Høgskulen i Volda sine ulike bygg fredag 12. desember. 150 lussekattar, ein kasse mandarinar og ein god del twist gjekk med. Tilbake fekk toget, med rektor, høgskuledirektør og representantar for velferdsgruppa og studentparlamentet, både smil og gode ord.
— Dette har me gjort i fleire år, eg var med også som prorektor, seier Tonheim til Khrono.
— Er det sjølvsagt at det er rektor som skal få bera luciakruna?
— Nei, det har berre vorte slik, seier Tonheim og humrar.
— Men det er fleire som seier at dei likar godt at det er ei mannleg Lucia som kjem.
Og dersom nokon lurte: Brannvernet er teke hand om. Både Lucia og hjelparane har gått over til batterilys.
Svein Jarle Horn blir ny dekan ved Fakultet for kjemi, bioteknologi og matvitenskap (KBM) ved NMBU i et åremål på fire år.
Horn har vært konstituert dekan siden sommeren, og er nå ansatt av Universitetsstyret, melder universitetet i en pressemelding. Planen var ikke å bli dekan, sier Horn, men etter å ha prøvd seg i rollen syns han det har fungert bra.
— Jeg har et svært godt team rundt meg på KBM, både administrasjonen og forskningsgruppene gjør en glimrende jobb. Jeg synes også samarbeidet med rektoratet og de andre dekanene på NMBU fungerer svært godt. Jeg ser derfor frem til å fortsette i rollen som dekan i 4 år til, sier Horn.
Horn er professor i bioprosessteknologi, og har publisert over 150 forskningsartikler.
Svein J. Horn har vært konstituert dekan ved Fakultet for kjemi, bioteknologi og matvitenskap, og ser fram til fire nye år.Charlotte Bless
En teknisk feil hos DNB førte til midlertidig lønnsfest for noen NTNU-ansatte.
Kunder hos DNB som får utbetalt lønn i dag 11. desember har fått dobbel utbetaling på grunn av en teknisk feil, melder Adresseavisen. Dette gjelder blant annet ansatte på NTNU, men det er ikke kjent hvor mange. Det er nesten 9000 ansatte ved NTNU.
DNB gjør fremdeles opprydningsarbeid, opplyser pressekontakt Vidar Korsberg Dalsbø i DNB til Adresseavisen.
– Vi beklager til alle våre kunder som ble berørt av feilen. Vi forstår at dette kan ha skapt forvirring, og at noen kanskje følte seg litt ekstra heldige. Vi er veldig lei oss for ulempene det har medført, sier Dalsbø.
Årsaken til problemet var en teknisk feil som gjorde at noen betalinger ble behandlet to ganger i DNB sitt system. Det rammet i hovedsak pensjons- og lønnsutbetalinger fra Nav, men også enkelte andre virksomheter, slik som NTNU.
Gleden er midlertidig for NTNU-ansatte som fikk dobbel lønn 11. desember. DNB jobber med å rette feilen som førte til de høye summene på konto hos flerfoldige DNB-kunder.Ragnhild Vartdal
Studenter og politikere feiret med både G-ballonger og G-muffins ved Stortinget i dag, at studiestøtten skal knyttes til G i neste statsbudsjett.
Sigve Næss Røtvold, leder av Norsk studentorganisasjon, er svært fornøyd med at studiestøtten skal knyttes til G, som betyr at studiestøtten skal knyttes til grunnbeløpet i folketrygden. Det innebærer i praksis at støtten reguleres i takt med prisveksten.
– Det er en utrolig gledelig nyhet for landets studenter, som i framtiden får en forutsigbar studentøkonomi, sier Røtvold. Han kan også bekrefte at det var gode muffins, av typen sjokolade med smørkrem og marsipanlokk.
Studentene har ønsket seg studielån knyttet til G i flere år. De har kjempet for å knytte den til 1,5 G, men det er ikke kjent hvilken G det blir. Dagens studiestøtte er på 166.959 kroner, mens 1,5 G er 195.900 kroner.
Feiring ved Stortinget at studiestøtten skal knyttes til G. Sigve Næss Røtvold, leder av Norsk studentorganisasjon, og Lise Lyngsnes Randeberg, leder av Akademikerne.Akademikerne/Hanna Hagenes
Studentpolitikere og Akademikerne møtte i dag representanter fra SV, MDG, Rødt, Senterpartiet og Arbeiderpartiet for å feire.
– Det her er en seier for studentene! Det er veldig fint å kunne feire det på en hustrig desemberdag sammen med studentorganisasjonene. Dette sikrer at nivået på lån og stipend følger utviklingen, sier Hege Bae Nyeholt (R), som er medlem av Utdannings- og forskningskomiteen på Stortinget.
Å feste studiestøtten til G vil gi studenter en mer forutsigbar økonomi, mener leder av Akademikerne Lise Lyngsnes Randeberg.
– Etter flere års kamp for å knytte studiestøtten til G var det på sin plass å feire gjennomslaget med politikere fra de fem partiene som gjorde det mulig, sier Randeberg.
Feiring ved Stortinget at studiestøtten skal knyttes til G. I midten foran står Lise Lyngsnes Randeberg, leder av Akademikerne, og Sigve Næss Røtvold, leder av Norsk studentorganisasjon.Akademikerne/Hanna Hagenes
Alle tre fastrentesatser på studielån øker fra 1. januar.
I perioden 10. til 17. desember kan Lånekassens kunder søke om fast rente på studielånet, melder Lånekassen i en pressemelding.
Fra 1. januar 2026 vil fastrentene på studielån være:
4,726 prosent for tre års bindingstid (opp 0,067 prosentpoeng)
4,726 prosent for fem års bindingstid (opp 0,076 prosentpoeng)
4,765 prosent for ti års bindingstid (opp 0,077 prosentpoeng)
Den flytende renta er fra 1. januar på 4,698 prosent.
Lånekassens renter er basert på gjennomsnittet av de fem beste tilbudene om boliglån i markedet, minus et fratrekk på 0,15 prosent.
– Den enkle forklaringen er at Lånekassens fastrenter går opp fordi markedsrentene for fastrentelån har gått opp. Disse fastrentene er basert på markedsrentene i november, sier Anette Bjerke, kommunikasjonsdirektør i Lånekassen.
Forskningsrådet deler nå ut 47 millioner kroner til seks forskningsprosjekter som skal gi ny kunnskap om konflikt, klima og samfunnsutvikling i Midtøsten og Nord-Afrika.
Prosjektene skal, ifølge Forskningsrådet, bidra med ny kunnskap som kan styrke grunnlaget for norsk utenriks- og sikkerhetspolitikk. Mottakerne av midlene er to prosjekter ved Chr. Michelsens Institutt, et ved Universitetet i Oslo (UiO), et ved Institutt for fredsforskning og et ved Norsk utenrikspolitisk institutt (Nupi).
– Forskning og kunnskap er avgjørende for å forstå de komplekse utfordringene og konfliktene i Midtøsten og Nord-Afrika. Kunnskap fra disse prosjektene vil være viktig for norske og internasjonale fagmiljøer som arbeider for fredelig utvikling og bedre livsvilkår i regionen, sier administrerende direktør i Forskningsrådet, Mari Sundli Tveit i en pressemelding.
Til utlysningen kom det inn 24 søknader. Hensikten med utlysningen er å stimulere til forskning av høy kvalitet om Midtøsten og Nord-Afrika.
Prosjektene spenner bredt, fra politiske prosesser til miljøtrusler og flyktningkriser. Prosjektet ved UiO skal undersøke hvilken politisk orden som kan vokse fram i Gaza etter 7. oktober. Et av prosjektene fra Chr. Michelsens institutt ser på grenseoverskridende luftforurensning og vannkonflikter mellom Palestina og Jordan, der giftige partikler fra krigshandlinger forsterker både helsefarer og politiske spenninger.
Tirsdag var det minnestund for tidligere rektor ved UiT Norges arktiske universitet, Anne Husebekk, som gikk bort 5. desember 2025, 69 år gammel.
Minnestunden ble arrangert av UiT. Husebekk skal bisettes fra Tromsø domkirke mandag 15. desember. Hun ble sist vinter rammet av en alvorlig kreftsykdom.
Rektor Dag Rune Olsen talte under minnestunden.Jørn Berger Nyvoll/UiT
Husebekk tilbragte det meste av sitt yrkesaktive liv ved UiT Norges arktiske universitet. Hun ble uteksaminert lege fra Universitetet i Tromsø i 1982, og ble senere spesialist og professor i immunologi samme sted.
— Jeg har en alvorlig diagnose, så jeg er preget av det, men jeg er ikke døende, sa Husebekk da Khrono spurte henne om hvordan helsetilstanden var på det daværende tidspunkt.
— Det var et sjokk å få diagnosen. Det er en aggressiv hjernekreft som det ikke finnes behandling mot, sa Husebekk også.
Nåværende UiT-rektor Dag Rune Olsen talte under minnestunden tirsdag, og viderebringte blant annet følgende ord fra statsråd Sigrun Aasland:
— Anne Husebekk har satt dype spor. Hun var en fremragende akademiker som har bidratt til ny viten, og hun har bragt verden fremover. Hun var en forkjemper for vitenskapens uavhengighet og integritet. Hun var utforskende og ikke redd for å tenke nytt — også på studentenes vegne. Hun hadde en lang karriere ved UiT som forsker og underviser, men ikke minst som innovativ og uredd leder. Hun hadde kompetanse, erfaring og visjoner, og sto støtt også når det stormet.
Anne Husebekk var rektor ved UiT fra 2013 til 2021. Tirsdag var det minnestundt ved UiT i Tromsø.Jørn Berger Nyvoll/UiT
