Teknologien løber foran – men forståelsen halter bagefter
I takt med at AI-systemer bliver bedre og mere udbredte, er spørgsmålet ikke længere kun, hvad disse teknologier kan gøre. Det handler også om, hvorvidt vi kan stole på den viden, der ligger til grund for dem. Her kommer ITU-lektor Aske Mottelson ind i billedet.
Aske MottelsonForskningkunstig intelligens
Skrevet 17. juni 2026 10:25 af Theis Duelund Jensen
For Aske Mottelson er en af de mest presserende udfordringer inden for AI at styrke det videnskabelige grundlag for, hvordan mennesker studeres, repræsenteres og evalueres i relation til teknologi. Dette arbejde ligger i centrum af Human-Computer Interaction (HCI), det felt der beskæftiger sig med, hvordan mennesker bruger, forstår og påvirkes af digitale systemer.
Selvom HCI ofte forbindes med design, kreativitet og kritisk udforskning af digitale artefakter, fremhæver Aske Mottelsons arbejde en anden, afgørende dimension: pålideligheden af den videnskabelige viden, som produceres inden for datalogisk forskning.
“Teknologi bør ikke kun være effektiv eller funktionel,” siger han. “Den skal fungere for mennesker. Men for at sikre det er vi nødt til at studere rigtige mennesker, der interagerer med teknologi, på en videnskabeligt holdbar måde.”
Reproducerbarhedsudfordringen
Forskerens seneste arbejde behandler det, der ofte kaldes “reproducerbarhedskrisen” – en bekymring på tværs af videnskaber om, at mange publicerede resultater ikke kan anses for pålidelige, fordi de ikke kan reproduceres pålideligt.
I en nylig artikel, publiceret på den ledende konference i feltet, CHI, gennemgik han og hans samarbejdspartnere et årtis HCI-forskning og forsøgte systematisk at reproducere statistiske analyser ved hjælp af de oprindelige data og den tilhørende kode.
Resultaterne peger på et strukturelt problem: Selvom nogle studier deler data og metoder, er det kun en lille del, der gør det på en måde, som gør det muligt for andre at reproducere resultaterne. Og kun i omkring halvdelen af tilfældene lykkedes det forskerne at nå frem til de samme resultater som i de oprindelige artikler.
“Hvis man deler sine data og sin analyse,” siger han, “bør andre kunne nå frem til de samme konklusioner. Hvis de ikke kan, så er der noget, der ikke hænger sammen.”
Det er ikke nødvendigvis en anklage om fejl eller uredelighed. Snarere peger det på uoverensstemmelser i, hvordan forskning dokumenteres og udføres – fra uklare analysemetoder til selektiv rapportering.
Kun et mindretal af HCI-studier – og generelt studier af mennesker inden for datalogi – lever i dag op til de standarder, der kræves for reproducerbarhed. Og endnu færre anvender open science-praksisser, som er standard i felter som kræftforskning, psykologi og økonomi, for eksempel såkaldt præregistrering, hvor forskere på forhånd offentliggør deres metoder og hypoteser, før de indsamler data.
Validering af viden i AI-alderen
På et tidspunkt, hvor AI-systemer udvikles og implementeres med hidtil uset hastighed, bliver disse problematikker endnu mere presserende.
Meget af forskningen inden for kunstig intelligens og beslægtede områder bliver primært valideret gennem tekniske præstationsmål (på engelsk, benchmarks), som ikke tager højde for menneskelig variation eller for, hvordan brugere faktisk oplever disse systemer.
“Der er et stærkt fokus på, hvad teknologien kan,” forklarer Aske Mottelson. “Men langt mindre på, hvordan den faktisk påvirker mennesker.”
Empiriske studier med menneskelige deltagere er stadig sjældne i AI-forskning. Og når de forekommer, bygger de ofte på små stikprøver eller metoder og analysetilgange, som ville blive betragtet som utilstrækkelige inden for adfærdsvidenskab.
Dette skaber et gab mellem teknologisk kapacitet og menneskelig forståelse – et gab som HCI er særligt velegnet til at adressere, men kun hvis metoderne er robuste.
“Hvis vi vil bygge systemer, der påvirker menneskers liv,” siger han, “så har vi brug for evidens, vi kan stole på.”
Fastlæggelse af nye standarder
Mottelsons arbejde er både diagnosticerende og handlingsanvisende. Ud over at identificere metodiske begrænsninger foreslås konkrete måder at forbedre forskningspraksis på – fra klarere dokumentation til struktureret datadeling og tjeklister for reproducerbarhed.
Det er ikke overraskende, at sådanne tiltag kan skabe debat.
“Der er folk, som ikke bryder sig om at blive fortalt, hvordan de skal lave deres forskning,” bemærker han. “Især i et så mangfoldigt felt som HCI.”
Men for Mottelson er målet ikke at ensrette. Det handler om at etablere et minimumsniveau for gennemsigtighed og pålidelighed – især i studier, der hævder at give empirisk indsigt i menneskelig adfærd.
“Der vil altid være – og bør være – forskellige måder at bedrive videnskab på,” siger han. “Men hvis vi præsenterer noget som solid evidens, for eksempel som grundlag for politiske beslutninger, så skal det være muligt at verificere det.”
Theis Duelund Jensen, Presseansvarlig, telefon +45 2555 0447, email thej@itu.dk