Den här uppsatsen undersöker artificiell intelligens (AI):s förmåga att producera nyhetsartiklar, vad bristerna och styrkorna med AI-genererade artiklar är samt vilka etiska problem som finns med att implementera AI i journalistiska processer. Mer specifikt har GPT-4, som i skrivande stund är en ny men kraftig språkmodell, använts för att generera artiklarna som undersökts. I studien har sex deltagare blivit exponerade för totalt nyhetsartiklar varav fem var AI-genererade och fem var mänskliga. Deltagarna har sedan, utan att få veta vem som skrivit artiklarna, fått uttrycka sina tankar och känslor om artiklarna och AI-genererade nyheteröverlag i syfte att öka förståelsen för hur artiklarna upplevdes. Resultatet från undersökningen visar att deltagarna överlag hade svårt att identifiera vilka artiklar som var genererade av AI. Ofta gissade de att en människa hade skrivit texten, fast den var AI-genererad. Detta varierade dock något mellan texterna. Vissa av de AI-genererade artiklarna hade brister som gjorde att deltagarna kunde identifiera dem som icke-mänskliga. Exempel på brister var att de innehöll upprepningar, konstiga formuleringar, upplevdes som opersonliga eller innehöll politiskt vinklade budskap. De innehöll även faktafel. De AI-genererade artiklarna kunde dock, trots vissa brister, ofta övertyga läsarna om att de var skrivna av en människa. Ett inslag som visade sig vara särskilt effektivt var förekomsten av antropomorfiska, eller mänskliga inslag i artiklarna. Mot undersökningens slut fick deltagarna frågan hur de ser på att eventuellt läsa AI-genererade nyheter i framtiden. Deras åsikter visade sig vara blandade - vissa var positiva till att läsa algoritmiskt genererade nyheter men vissa var också skeptiska. Slutsatsen som kan dras utifrån litteraturstudien i kombination med resultatet från undersökningen är att även om generativ AI som GPT-4 är på god väg mot att kunna generera språkmässigt passerbara nyhetsartiklar, bör beslut om att implementera tekniken noga övervägas, inte minst på grund av de etiska problem som kan uppstå när AI agerar journalist.

As advancements in chatbots and Large Language Models (LLMs) such as GPT-3.5 and GPT-4 continue, their applications in diverse fields, including psychology, expand. This study investigates the effectiveness of LLMs optimized through prompt engineering, aiming to enhance their performance in psychological applications. To this end, two distinct versions of a GPT-3.5-based chatbot were developed: a version similar to the base model, and a version equipped with a more extensive system prompt detailing expected behavior. A panel of professional psychologists evaluated these models based on a predetermined set of questions, providing insight into their potential future use as psychological tools. Our results indicate that an overly prescriptive system prompt can unintentionally limit the versatility of the chatbot, making a careful balance in instruction specificity essential. Furthermore, while our study suggests that current LLMs such as GPT-3.5 are not capable of fully replacing human psychologists, they can provide valuable assistance in tasks such as basic question answering, consolation and validation, and triage. These findings provide a foundation for future research into the effective integration of LLMs in psychology and contribute valuable insights into the promising field of AI-assisted psychological services. / I takt med att framstegen inom chatbots och stora språkmodeller (LLMs) som GPT-3.5 och GPT-4 fortsätter utvidgas deras potentiella tillämpningar inom olika områden, inklusive psykologi. Denna studie undersöker effektiviteten av LLMs optimerade genom prompt engineering, med målet att förbättra deras prestanda inom psykologiska tillämpningar. I detta syfte utvecklades två distinkta versioner av en chatbot baserad på GPT-3.5: en version som liknar bas-modellen, och en version utrustad med en mer omfattande systemprompt som detaljerar förväntat beteende. En panel av professionella psykologer utvärderade dessa modeller baserat på en förbestämd uppsättning frågor, vilket ger inblick i deras potentiella framtida användning som psykologiska verktyg. Våra resultat tyder på att en överdrivet beskrivande systemprompt kan ofrivilligt begränsa chatbotens mångsidighet, vilket kräver en noggrann balans i specificiteten av prompten. Vidare antyder vår studie att nuvarande LLMs som GPT-3.5 inte kan ersätta mänskliga psykologer helt och hållet, men att de kan ge värdefull hjälp i uppgifter som grundläggande frågebesvaring, tröst och bekräftelse, samt triage. Dessa resultat ger en grund för framtida forskning om effektiv integration av LLMs inom psykologi och bidrar med värdefulla insikter till det lovande fältet av AI-assisterade psykologtjänster.

Denna artikel utforskar artificiell intelligens (AI) som en kreativ partner inom digitalbildproduktion och dess potential att förändra och komplettera traditionella designmetoder.Artikeln undersöker AI:s roll inom designprocessen, främst inriktat mot AI-baserade systemsom kan syntetisera visuellt material, diskuterar dess styrkor, svagheter och begränsningarsamt reflekterar över hur AI påverkar kreativitet, effektivisering och idégenerering. Som ettkomplement till artikeln har en fotobok skapats för att på ett visuellt engagerande sättpresentera resultaten av en AI:s försök till tolkning av textbeskrivningar, med hjälp avAI-verktyget Midjourney och GPT-4. Vidare granskas hur AI-drivna designprocesser kansamverka med traditionella metoder och på så sätt belysa hur AI kan integreras i designerskreativa verktygslåda och därmed utnyttjas för att skapa intressanta och unika resultat.Artikeln bidrar till förståelsen av AI:s växande roll inom designområdet och erbjuder insikter ihur designers kan använda AI som en kreativ partner.

In this research project, we aim to explore the use of Large Language Models (LLMs) as an interface to interact with API tools in natural language. Bubeck et al. [1] shed some light on how LLMs could be used to interact with API tools. Since then, new versions of LLMs have been launched and the question of how reliable a LLM can be in this task remains unanswered. The main goal of our thesis is to investigate the designs of the available system prompts for LLMs, identify the best-performing prompts, and evaluate the reliability of different LLMs when using the best-identified prompts. We will employ a multiple-stage controlled experiment: A literature review where we reveal the available system prompts used in the scientific community and open-source projects; then, using F1-score as a metric we will analyse the precision and recall of the system prompts aiming to select the best-performing system prompts in interacting with API tools; and in a latter stage, we compare a selection of LLMs with the best-performing prompts identified earlier. From these experiences, we realize that AI-generated system prompts perform better than the current prompts used in open-source and literature with GPT-4, zero-shot prompts have better performance in this specific task with GPT-4 and that a good system prompt in one model does not generalize well into other models.

In this thesis, I delve into how Rhetorical Genre Study and Systemic-Functional Grammar can be used to assess the extent to which GPT-4 adheres to generic features and can be deemed adapted for its function. The objective is to establish a systematic model for objectively evaluating the degree to which AI-generated text is suitable for its intended purpose. To achieve this, I perform a rhetorical genre analysis on a crisis communication genre, which I subsequently quantify. I utilize the concept of topoi to pinpoint the arguments that serve to fulfill the functions of crisis communication. Subsequently, I prompt GPT-4 to produce texts within the genre and contrast them with my discoveries. Alongside this, I investigate the disparate results produced when using text and meta-text as input. The findings reveal a functional model to appraise the degree of text adaptation for its purpose within the analyzed genre. Although the model necessitates further fine-tuning, it effectively distinguishes nongeneric texts. The scope of the material selected was too limited to indicate any disparities in outcomes between different types of input. However, all input models generated texts that substantially conformed to the generic features.

I slutet av år 2022 introducerades det nya AI-verktyget ChatGPT, en AI-modell som använder maskininlärning för att generera människoliknande svar i stor skala. ChatGPT:s snabba framväxt medför en ovisshet kring hur AI-verktyget kommer påverka praxis för digital marknadsföring. Denna studie utreder därför vilken roll ChatGPT kommer spela inom olika praxis för digital marknadsföring och ämnar därmed att utreda forskningsfrågan: Hur kommer ChatGPT att påverka praxis för digital marknadsföring? Den valda forskningsstrategin för denna studie är en kartläggning där ansikte-mot-ansikte kartläggning tillämpas. Detta stöds med hjälp av intervjuer som datainsamlingsmetod och vidare appliceras en tematisk analys för att analysera insamlad data. Fem marknadsföringsexperter intervjuades i denna studie och samtliga menade att ChatGPT på något vis påverkar praxis inom digital marknadsföring. Slutsatsen pekar därför mot att ChatGPT, trots dess nya upptäckt, redan börjat påverka processer inom praxis för digital marknadsföring och att det troligtvis i bredare utsträckning kommer fortsätta göra det på olika vis, genom att fortsätta inspirera, effektivisera och optimera. Vidare hade alla respondenter en positiv inställning till att se ChatGPT som ett komplement till dagens marknadsföringspraxis, dock en mer negativ inställning till att se det som ett substitut. / In late 2022, the new AI tool, ChatGPT, was introduced. It is an AI-model that uses machine learning to generate human-like responses on a large scale. The rapid rise of ChatGPT has resulted in a lack of sufficient knowledge about the effect that ChatGPT will have on digital marketing practices. Therefore, this study investigates the role of ChatGPT in different digital marketing practices and aims to address the research question: How will ChatGPT af ect digital marketing practices? The chosen research strategy for this study is a survey strategy, as well as the application of the face-to-face survey. This is supported by the data collection method interviews and then a thematic analysis is applied to analyse the collected data. Five marketing experts were interviewed in this thesis and all believed that ChatGPT will, and already has, in some way influenced digital marketing practices. The conclusion therefore points to the fact that ChatGPT, despite its recent discovery, has already begun to influence processes within the practice of digital marketing. Furthermore ChatGPT will most likely continue to enhance digital marketing in a variety of ways on a wider scale, through continuing to inspire as well as contribute with efficiency and optimisation. In addition, all respondents had a positive attitude towards seeing ChatGPT as a complement to current marketing practices, however a more negative attitude towards seeing it as a substitute.

More and more aspects of today’s healthcare are becoming integrated with medical technology and dependent on medical IT systems, which consequently puts stricter re-quirements on the companies delivering these solutions. As a result, companies delivering medical technology solutions need to spend a lot of resources maintaining high-quality, responsive customer support. In this report, possible ways of increasing customer support efficiency using machine learning and NLP is examined at Sectra, a medical technology company. This is done through a qualitative case study, where empirical data collection methods are used to elicit requirements and find ways of adding decision support. Next, a prototype is built featuring a ticket recommendation system powered by GPT-3 and based on 65 000 available support tickets, which is integrated with the customer supports workflow. Lastly, this is evaluated by having six end users test the prototype for five weeks, followed by a qualitative evaluation consisting of interviews, and a quantitative measurement of the user-perceivedusability of the proposed prototype. The results show some support that machine learning can be used to create decision support in a customer support context, as six out of six test users believed that their long-term efficiency could improve using the prototype in terms of reducing the average ticket resolution time. However, one out of the six test users expressed some skepticism towards the relevance of the recommendations generated by the system, indicating that improvements to the model must be made. The study also indicates that the use of state-of-the-art NLP models for semantic textual similarity can possibly outperform keyword searches.