Indsatsområder

1. Re-design af eksamensformater

Hvordan udvikler vi eksamensformater, der matcher en tid, hvor AI anvendes som værktøj af de studerende og undervisere og løbende automatisk indlejres i systemerne, vi anvender? 

Det skaber nye muligheder og forventninger til måden at eksaminere på og en lang række dilemmaer og store spørgsmål ift. hvad det overhovedet er, vi skal eksaminere i – og hvordan det skal ske. På alle uddannelser er man i gang med at forholde sig til disse spørgsmål, og der efterspørges fælles indsatser og alignment på tværs, central understøttelse til udvikling af nye formater og videndeling på tværs.

Det kan overvejes at udpege et eller flere eksperimentarier, hvor vi kan teste nogle radikale formater af samtidig med at vi udvikler indenfor eksisterende rammer.

2. StudyBots til de studerende

En AI-studybot skal have mange lag af viden ift. en studerendes hverdag og studieliv. Det handler både om de tværgående, almene og praktiske emner, som alle studerende skal forholde sig til, og de studie- og fagnære elementer.

Vi kan fx eksperimentere med en studybot, der har adgang til alt materiale på studiet, underviserens forskning mv., så der udvikles det ekstra lag i tæt dialog med de studerende og underviserne.

Endelig bør SDU se på AI til studievalg. Andre steder har man udviklet AI-bots til hjælp til valg af uddannelse oven på bl.a. alle studie- og fagbeskrivelser – det vil være oplagt at tænke det som en konkret handling også ift. de studerende, ellers er der en reel risiko for, at de unge vælger studie der, hvor de får mest viden og bedst adgang til personificeret kommunikation i deres studievalg.

3. AI i undervisningsudvikling og -gennemførelse

Det vil have direkte indflydelse på vores omdømme, hvordan vores uddannelser former sig i den nære fremtid. Universitetet kan ikke fortsætte med de nuværende undervisningsformater – AI som en del af undervisningen og læringen er ikke noget, der er på vej – det er her allerede.

Der er brug for prioriteret fokus på, hvordan AI kan bidrage til et kvalitetsløft i uddannelserne, og at vi strategisk prioriterer, at de studerende møder en tidssvarende uddannelse med reflekteret og meningsfuld brug af AI. De studerende bruger allerede AI i stor stil, og underviserne er mange steder i fuld gang med at integrere AI og ændre deres undervisning.

Der efterspørges prioriteret central understøttelse til at re-tænke undervisningen og en pædagogisk og didaktisk tech-radar, der følger med i udviklingen og kan bidrage med mulige værktøjer. Samtidig er der stor lyst til faciliteret videndeling blandt undervisere, der allerede er i gang og har eksperimenteret med forskellige formater, ligesom undervisere, der gerne vil i gang baseret på kollegers erfaringer, søger sparring.

6. AI til understøttelse af referater og mødeflow

Denne indsats skal afdække og afprøve, hvordan vi kan bruge AI til at optimere arbejds-gange omkring mødeaktiviteter. Nogle møder er online, nogle er fysiske, nogle er hybride. Alle typer af møder kan have gavn af automatiserede referatfunktioner i et eller andet format. Undersøg muligheder ved også at automatisere handlinger omkring fx mødeformatskabeloner og mødeprocesser og -arbejdsgange i det hele taget.

7. Maksimeret udnyttelse af standardsystemer  

Selvom dette er en AI-beslutningsgrundlag, vil der i forbindelse med effektivisering af administrative processer være løsninger, der skal udvikles via Power  Platform eller aktivering af proces-flows, som i dag ikke bliver brugt, i de store standardsystemer. Desuden pushes der løbende AI-funktionaliteter ud i vores eksisterende systemer, som vi skal udnytte bedre, hvor det giver mening.

For at skabe størst mulig effekt i forhold til effektivisering af administrative processer, anses dette som et område, der bør afdækkes som noget af det første, med henblik på en vurdering af implementering yderligere AI-agenter eller lignende. Der kan fx indledes med Oracle, Microsoft eller Sitecore, da det vil skabe effektiviseringer på tværs af den samlede organisation.

8. AI til skemalægning og eksamensplanlægning

Der er mange variable, når det kommer til skemalægning og eksamensplanlægning. AI-agenter kan behandle enorme mængder data om lokaletilgængelighed, antal studerende, underviserpræferencer (fx foretrukne undervisningstider, undervisningsbelastning), studieordninger, og tidligere mønstre for at generere de mest effektive og optimale skemaer. Dette kan minimere spildtid, overlappende undervisning og maksimere udnyttelsen af ressourcer. Får vi kontrol over disse data, kan de samme data anvendes til eksamensplanlægning.

9. Etablering af SDU AI Hub

Et tydeligt mønster på tværs af de mange interviews med organisationen er, at der er et stort ønske om en central enhed på SDU til understøttelse af udviklingen af vores administration og kerneforretning gennem AI – en teknologisk og strategisk SDU-videnshub for AI, der understøtter teknologisk udvikling, strategisk koordinering og menneskelig brobygning omkring AI.

Enheden skal være en teknologisk videnshub, der kontinuerligt følger udviklingen på AI-feltet og tester nye løsninger. Overordnet set skal AI Hubben være SDU’s proaktive og agile indgang til samlet kommunikation om AI. Den skal understøtte organisationen i forhold til adgang til viden om regler, retningslinjer og sikkerhedskrav, lister over godkendte og anvendte systemer etc. og løbende kortlægge behov og ønsker.

Det vil bl.a. ske gennem koordinering af de nye tidligere nævnte tematiserede Communities of Practice, som er netværk på tværs af organisationen til videndeling; et konkret ønske, der var meget udtalt på tværs af dialogerne med organisationen.

10. Prioriteret fokus på implementering af målrettede AI-agenter

Der er store potentialer i at udpege administrative områder, som med god datastruktur kan understøttes med AI agenter. Det kan fx være chatbots til intern vejledning inden for økonomi, rejseafregning og GDPR. Målet er at skabe intern effektivisering med forholdsvis ukomplicerede agenter, der hurtigt kan vise deres værd og inspirere til større og mere komplekse funktioner.

Når vi prioriterer udvikling, hurtig afprøvning og evaluering af AI-løsninger, opnås nye digitale kompetencer og en dybere forståelse af teknologiske muligheder og begrænsninger i organisationen, der så fx kan bidrage til udvikling af mere komplicerede agentsystemer på tværs af it-systemer.

11. Adgang til sprogmodeller

Der er et stort ønske i organisationen om at få adgang til andre sprogmodeller end Microsofts Copilot – især ChatGPT er efterspurgt over hele linjen. Sprogmodellerne på markedet har forskellige styrker og svagheder og anvendes derfor til forskellige opgavetyper.

Der er behov for, at vi som organisation får vurderet og truffet beslutninger om, hvilke sprogmodeller, der skal gives adgang til, og hvordan vi får etableret det rette sikkerhedsframework omkring brugen af dem. Der er en betydelig licensudgift forbundet med softwareløsningerne, som skal medregnes i beslutningen, og det vil derfor kræve en økonomimodel for brugen af de forskellige løsninger.

12. Koordineret kompetenceudvikling – VIP og TAP

Der er et udtalt ønske (og fra flere steder forventet krav) om kompetenceudvikling for både VIP og TAP. Den skal tilrettelægges, så den både imødekommer forskellige behov og motiver fra de to personalegrupper og samtidig understøtter universitetets strategiske mål.

VIP har ofte en høj grad af selvstyring og autonomi. De ønsker ikke obligatoriske kompetenceudviklingsforløb, men motiveres af faglig udvikling, videndeling og muligheden for at bidrage aktivt til deres eget og kollegers læringsmiljøer. Dette påpeger forskerne selv gerne kan ske i faciliterede netværksstrukturer –som  fx Communities of Practice. Disse kan suppleres med attraktive VIP Masterclasses, hvor vi inkluderer toneangivende forskere til at bidrage med viden.

På TAP-området kan der være større behov for strukturerede og obligatoriske kompetenceudviklingsprogrammer, der sikrer opdaterede AI-færdigheder inden for administrative og tekniske funktioner.

13. Undervisningslokaler til eksperimenter med nye formater

Hvis undervisningen på SDU skal udvikle sig i takt med AI-udviklingen, bør de fysiske undervisningslokaler gentænkes radikalt. Vi skal have mod til at eksperimentere med fysiske lokaler, der både indlejrer helt andre teknologier og skaber rammer for samtale i nye formater.

Det foreslås at udvælge tre lokaler og indrette dem til tre forskellige typer af interaktion og læring. Udover undervisernes ønsker om mere fleksible og alternative lokaler, vil tre eksperimenterende fysiske rum kunne give et meget synligt og taktilt eksempel på, at vi forholder os aktivt til AI i uddannelse.

Der skal koordineres med Epicur-indsatsen om etablering af hybride undervisningslokaler, så de supplerer hinanden eller evt. samtænkes.