Recent advancements in Artificial Intelligence (AI) have directly impacted and benefited many fields, such as Education, Healthcare, Entertainment, etc. Computer Science and Software Engineering are also fields that have been affected and benefited from these advances and today AI-powered services such as OpenAI’s ChatGPT, GitHub copilot and Hugging Face’s Huggingchat are widely used as aids to write, compare, or analyze source code for different types of applications. One lingering question about these services is how good they are in terms of code quality, standardization, and readiness to be used. In most cases source code retrieved from these services require modifications to fulfill their original purpose effectively.   This work presents an experiment with the aim of analyzing how state-of-the-art Large Language Models (LLMs) perform when generating test scripts for a target application. More specifically, we set up a controlled environment with a backend application - developed in Python - and used ten different large language models to generate test scripts for said backend application. Then, we evaluated the results using code metrics, as well as metrics related to test execution to see how good the generated test code was. For this, we used the following models: GPT3.5-turbo, GPT-4, GPT4.0-turbo, Codellama-70B, Google Gemma-7b-it, Llama2-13B, Llama2-70B, Mistral-7B, Mixtral8x7B and NeuralHermes2.5-7B.    The results of the experiment revealed that GPT4.0-turbo outperformed the other models both when the target application is fully working but also when we intentionally introduced bugs into the application. Although the experiments in this work were performed on a simple backend application, they show the performance of the selected models when it comes to specific code metrics for the simple scenario. Our intention is that this work will serve as an inspiration for further work and investigation, specifically to code metrics and coding standards within Automated Software Testing.

This thesis explores the integration of generative AI and large language models (LLMs) into software documentation processes, assessing their impact on developer productivity. The research focuses on the development of a documentation system powered by an LLM, which automates the creation and retrieval of software documentation. The study employs a controlled experiment followed by a survey involving software developers to quantify changes in productivity through various metrics such as effectiveness, velocity, and quality of documentation generated by the system. Background: The increasing complexity of software development necessitates efficient documentation systems. Traditional methods, often manual and time-consuming, struggle to keep pace with the dynamics of software development, potentially leading to outdated and inadequate documentation. Objectives: To investigate whether a documentation system powered by an LLM can enhance developers’ productivity in software documentation tasks by assisting developers with the creation of development documentation and facilitating the retrieval of relevant information. Method: A controlled experiment followed by a survey were conducted, wherein participants were tasked with generating and using documentation through both manual and LLM-assisted methods. The effectiveness, velocity, and quality of the documentation were measured and compared. Results: The findings indicate that the LLM-powered documentation system significantly enhances developer productivity. Developers using the system were able to produce and comprehend documentation more quickly and accurately than those using the manual method. Furthermore, the quality of the documentation, assessed in terms of comprehensibility, completeness, and readability, was consistently higher when generated by the LLM system. Conclusions: The integration of LLMs into software documentation processes can significantly enhance developer productivity by automating routine tasks and improving the quality of documentation. This supports software developers in maintaining current projects and also assists in the onboarding process of new team members by providing easier access to necessary documentation. / Denna avhandling utforskar integrationen av generativ AI och stora språkmodeller (LLM) i processer för mjukvarudokumentation, och bedömer deras inverkan på utvecklares produktivitet. Forskningen fokuserar på utvecklingen av ett dokumentationssystem drivet av en LLM, som automatiserar skapandet och hämtningen av mjukvarudokumentation. Studien använder ett kontrollerat experiment följt av en enkät som involverar professionella mjukvaruutvecklare för att kvantifiera förändringar i produktivitet genom olika mått som effektivitet, hastighet och kvalitet på dokumentation genererad av systemet. Bakgrund: Den ökande komplexiteten i mjukvaruutveckling kräver effektiva dokumentationssystem. Traditionella metoder, ofta manuella och tidskrävande, har svårt att hålla jämna steg med dynamiken i mjukvaruutveckling, vilket potentiellt kan leda till föråldrad och otillräcklig dokumentation. Syfte: Att undersöka om ett dokumentationssystem drivet av en LLM kan förbättra utvecklares produktivitet i uppgifter relaterade till mjukvarudokumentation genom att assistera utvecklare med att skapa utvecklingsdokumentation och underlätta hämtningen av relevant information. Metod: Ett kontrollerat experiment följt av en enkät genomfördes, där deltagarna hade i uppgift att generera och använda dokumentation genom både manuella och LLM-assisterade metoder. Effektiviteten, hastigheten och kvaliteten på dokumentationen mättes och jämfördes. Resultat: Resultaten visar att dokumentationssystemet drivet av LLM väsentligen förbättrar utvecklarnas produktivitet. Utvecklare som använde systemet kunde producera och förstå dokumentation snabbare och mer exakt än de som använde den manuella metoden. Vidare var kvaliteten på dokumentationen, bedömd i termer av begriplighet, fullständighet och läsbarhet, konsekvent högre när den genererades av LLM-systemet. Slutsatser: Integrationen av LLM i mjukvarudokumentationsprocesser kan väsentligen förbättra utvecklarnas produktivitet genom att automatisera rutinuppgifter och förbättra kvaliteten på dokumentation. Detta stöder inte bara mjukvaruutvecklare i att underhålla pågående projekt utan hjälper också till med introduktionen av nya teammedlemmar genom att ge enklare tillgång till nödvändig dokumentation.

Denna kvalitativa studie undersöker upplevelser och attityder hos lärare inom högre utbildning gentemot implementering och användning av AI-teknologi i deras arbete. Syftet är att kartlägga vilka faktorer som påverkar lärares attityder mot ny teknik såsom AI. Samt undersöka hur lärare upplever stöd från ledningen gällande den digitala transformationen. Studien använder en abduktiv ansats och integrerar teoretiska ramverk som professionsteori, krav-kontroll-stödmodellen samt organisationsteori om organisatorisk tröghet för att analysera lärares attityder. Den diskuterar både hur profession och organisatoriska trögheten kan försvåra den digitala transformationen inom akademin. Den tidigare forskningen betonar behovet att möta arbetsmarknadens krav på digital kompetens. Där högre utbildningsinstitutioner behöver inkludera AI-kunskap i sina utbildningsprogram och samtidigt hantera de etiska utmaningarna som teknologin medför. Studien visar på en blandad förförståelse och kunskap av AI-teknologi bland lärare. Vissa erkänner vikten av att utbilda studenter i att använda AI ansvarsfullt, medan andra uttrycker oro över akademisk integritet och potentiellt missbruk av AI-genererat innehåll. Det är dock samstämmigt att den snabba utvecklingen av AI medför utmaningar. Med farhågor om att det kan undergräva professionella roller, samt tvinga universitetslärare att förändra sitt arbetssätt för att upptäcka och undvika AI-fusk

Artificial intelligence (AI) in marketing has gained significant interest and adoption recently, which makes it an important research topic. The purpose of the study was to explore how the integration of AI can be utilized efficiently in marketing creation, the applicability in its current state, and consumers perception of marketing material generated by AI. The study was based on a multi-method approach consisting of qualitive interviews with advertisement agencies, two experiments with AI, focus groups to gather consumer perceptions and attitudes, and a content analysis to evaluate AI’s ability to create marketing strategies compared to professional agencies. The study further incorporated theoretical frameworks from previous research to get a more comprehensive perspective.  The findings provide insights into how the AI models ChatGPT and Dall-E can support marketers in both the strategic and creative process. Furthermore, the study also identifies a consumer skepticism that negatively affects their perceptions towards AI-generated material, and that there are significant ethical considerations that must be addressed when using AI in marketing. Organizations and marketers can use these findings to leverage AI to refine their marketing strategies and creative process.

AI personalisation has emerged as a powerful tool to boost consumer satisfaction in digital experiences. Satisfaction is a multifaceted concept, encompassing the fulfilment of needs and wants and resulting in a positive emotional and cognitive state. This study describes how AI personalisation can strengthen overall satisfaction by aligning AI recommendations along with both observable needs and deeper emotional and social desires. To investigate this, a qualitative research approach was employed, utilising semi-structured interviews to gather empirical data. This method ensured comprehensive coverage of the topic while allowing for individual variation. Participants were selected through purposive sampling, focusing on those with prior experience of AI. Interviews continued until theoretical saturation was reached. Data analysis was inspired by grounded theory, using a systematic coding process. The findings reveal that consumer satisfaction with AI recommendations is influenced by added value, contextual relevance, and timing. Additionally, factors such as speed, efficiency, quality responses, accessibility, adaptive empathy, communication style and humour play crucial roles. These components demonstrate how AI personalisation can strengthen consumer satisfaction by tailoring recommendations and interactions to individual tastes and preferences.

Studiens syfte var att undersöka och få en djupare förståelse för rekryterares uppfattning av AI som rekryteringsverktyg. För att besvara syftet genomfördes semistrukturerade intervjuer med sex respondenter vars huvudsakliga arbetsuppgift var rekrytering. Intervjuerna analyserades sedan med tematisk analys där tre huvudteman med respektive underteman identifierades. Huvudresultatet visade på att respondenterna varken litar på sig själva eller på AI till hundra procent, de belyser vikten av att människor ska ta dem slutgiltiga besluten samt identifierades en oro kring teknikens framfart. De beskrev även att AI är viktigt för att vara konkurrenskraftig då det finns andra aktörer på marknaden som tävlar om samma kunder, det krävs då att leverera kvalitetssäkra och effektiva processer. Sammantaget har AI gjort stora framsteg inom rekryteringsvärlden och används på olika sätt för att optimera processen, trots att verktygen idag inte fungerar felfritt är det effektivare än att inte använda dem.

For a while now, media producers have had to adapt to all the different aspects of digitalization. Much of the development has led to new opportunities in optimization, it would however be naive to ignore the challenges and hardships it has brought along as well. For media producers, not least filmmakers, a new challenge has risen following the rise of artificial intelligence. Specifically generative AI. This study aims to grant a deeper understanding of these generative AI tools, how they affect the production of short films, which opportunities they grant, and which challenges producers will face, following the imminent evolution of said tools. The data for the study is gathered using qualitative methods and is processed through a producer perspective. Through this data, and with the support of previous research, the study concludes that generative AI tools within the short film media will be used as advantageous instrument while it will simultaneously cause substantial changes for existing work roles within the industry. Therefore, producers are encouraged to keep an open mind regarding generative AI tools and not write them off as threatening, in order to retain control of their creative endeavors and not dehumanize the industry.

Denna studie undersöker hur Generativ AI påverkar affärsmodellen hos managementkonsultbolag. Genom en kvalitativ metod med semistrukturerade intervjuer samlades data in från ett managementkonsultbolag och ett kundföretag. Resultaten visar att Generativ AI kan effektivisera processer, särskilt inom texthantering och textskapande, utan att omedelbart förändra vinstmodellen. På lång sikt förväntas dock betydande förändringar i affärsmodell en om tekniken får ett större genomslag. Slutsatsen är att Generativ AI utgör främst möjligheter, men också en utmaning för branschen, där tidig implementering och anpassning är avgörande för att behålla konkurrenskraft. / This study examines how Generative AI impacts the business model of management consulting firms. Using a qualitative method with semi-structured interviews, data was collected from a management consulting firm and a client company. The results show that Generative AI can streamline processes, particularly in text handling and text creation, without immediately altering the revenue model. However, significant changes in the business model are expected in the long term if the technology gains greater traction. The conclusion is that Generative AI primarily presents opportunities but also poses a challenge for the industry, where early implementation and adaptation are crucial for maintaining competitiveness.

Denna uppsats presenterar utvecklingen av ett webbläsartillägg som integrerar en lokal språkmodell, specifikt GPT-4All, för att förbättra hantering och analys av privat och akademisk information direkt i användarens webbläsare. Syftet är att erbjuda en mer personlig och säker användarupplevelse genom att tillämpa avancerade teknologier för att skydda användarnas integritet och datasekretess. Genom tekniska förklaringar och metodiska framställningar beskrivs skapandet av ett funktionellt webbläsartillägg som använder teknologier som HTML, CSS, och JavaScript, samt en lokal installation av språkmodellen för att hantera data från Ladok. Resultaten indikerar att tillägget effektivt kan processa och analysera information, vilket bidrar till en förbättrad akademisk informationshantering. Projektet understryker potentialen hos lokala språkmodeller i utvecklingen av digitala verktyg, med särskild betoning på etiska och säkerhetsmässiga aspekter. Framtida forskning uppmanas utforska ytterligare applikationer och effekter av dessa teknologier inom olika användarområden. / This paper presents the development of a browser extension that integrates a local language model, specifically GPT-4All, to improve the management and analysis of private and academic information directly in the user’s browser. The aim is to offer a more personalized and secure user experience by applying advanced technologies to protect user privacy and data confidentiality. Through technical explanations and methodological presentations, the creation of a functional browser extension using technologies such as HTML, CSS, and JavaScript, as well as a local installation of the language model to handle data from Ladok, is described. The results indicate that the extension can efficiently process and analyze information, contributing to an improved academic information management. The project underlines the potential of local language models in the development of digital tools, with particular emphasis on ethical and security aspects. Future research is encouraged to explore further applications and impacts of these technologies in different user domains.

Syftet med studien är att fördjupa förståelsen om vilka upplevelser och attityder kring artificiell intelligens som kan inverka på IT-anställdas yrkesidentitet både idag och i framtiden. Vi tog kontakt med ett IT-konsultföretag och genomförde sju intervjuer med organisationens anställda. Datainsamlingen skedde genom en halvstrukturerad intervjuguide. I vår teoribakgrund har vi utgått ifrån en Teknikacceptansmodell (TAM), begreppet affordances, Goffmans identitetsteori samt en modell av interaktionen mellan arbete och identitet. Resultatet visar att samtliga respondenter använder sig av den generativa typen av AI där majoriteten är positivt inställda till tekniken och ser den som ett stöd och verktyg i det dagliga arbetet. De anställda ser artificiell intelligens som en bidragande och stärkande faktor i relation till deras yrkesidentitet idag, där AI som verktyg stöttar och frigör mer tid för kreativa, meningsfulla och relationsskapande arbetsuppgifter. Majoriteten av de anställda är positivt inställda och ser AI som en stärkande faktor för yrkesidentiteten i framtiden. Däremot fann vi en viss oro kring jobbförlust och professionell avkvalificering i framtiden, där AI:s potentiella kapacitet kan orsaka lidande för de IT-anställdas yrkesidentitet.