I detta arbete undersöks och analyseras några möjligheter och utmaningar med elevers användning av generativa AI-verktyg såsom ChatGPT ur filosofilärarens perspektiv med fokus på filosofiämnet i gymnasieskolan. Bland möjligheterna avhandlas individanpassning av undervisningen och bland utmaningarna källkritik och kritiskt tänkande och hur läraren säkrar tillförlitligheten vid examinationer i ljuset av fenomenet generativ AI. En kvalitativ undersökning har utförts bestående av intervjuer med ett litet antal gymnasielärare i filosofi kring hur de förhåller sig till elevers användning av AI-verktyg. Frågor om lärares förhållningssätt till elevers (faktiska eller potentiella) användning av generativ AI och vilka eventuella nya överväganden som AI-verktyg aktualiserar för läraren utreds och diskuteras samt hur filosofiläraren möter de nya utmaningar och realiserar de nya möjligheter som AI aktualiserar. Några goda och dåliga sätt på vilka elever kan använda AI inom filosofi identifieras och förutsättningar för en god elevanvändning analyseras. Filosofiämnet kan bidra till att stärka förutsättningarna för en god användning av AI genom att träna eleverna i förmågor som kritiskt tänkande, att formulera frågor och värdera information samt fördjupning av insikter om centrala begrepp som kunskap och sanning.

Following the introduction of new laws and regulations to ensure data protection in GDPR and PIPEDA, interests in technologies to protect data privacy have increased. A promising research trajectory in this area is found in Generative Adversarial Networks (GAN), an architecture trained to produce data that reflects the statistical properties of its underlying dataset without compromising the integrity of the data subjects. Despite the technology’s young age, prior research has made significant progress in the generation process of so-called synthetic data, and the current models can generate images with high-quality. Due to the architecture’s success with images, it has been adapted to new domains, and this study examines its potential to synthesize financial tabular data. The study investigates a state-of-the-art model within tabular GANs, called CTGAN, together with two proposed ideas to enhance its generative ability. The results indicate that a modified training dynamic and a novel early stopping strategy improve the architecture’s capacity to synthesize data. The generated data presents realistic features with clear influences from its underlying dataset, and the inferred conclusions on subsequent analyses are similar to those based on the original data. Thus, the conclusion is that GANs has great potential to generate tabular data that can be considered a substitute for sensitive data, which could enable organizations to have more generous data sharing policies. / Med striktare förhållningsregler till hur data ska hanteras genom GDPR och PIPEDA har intresset för anonymiseringsmetoder för att censurera känslig data aktualliserats. En lovande teknik inom området återfinns i Generativa Motstridande Nätverk, en arkitektur som syftar till att generera data som återspeglar de statiska egenskaperna i dess underliggande dataset utan att äventyra datasubjektens integritet. Trots forskningsfältet unga ålder har man gjort stora framsteg i genereringsprocessen av så kallad syntetisk data, och numera finns det modeller som kan generera bilder av hög realistisk karaktär. Som ett steg framåt i forskningen har arkitekturen adopterats till nya domäner, och den här studien syftar till att undersöka dess förmåga att syntatisera finansiell tabelldata. I studien undersöks en framträdande modell inom forskningsfältet, CTGAN, tillsammans med två föreslagna idéer i syfte att förbättra dess generativa förmåga. Resultaten indikerar att en förändrad träningsdynamik och en ny optimeringsstrategi förbättrar arkitekturens förmåga att generera syntetisk data. Den genererade datan håller i sin tur hög kvalité med tydliga influenser från dess underliggande dataset, och resultat på efterföljande analyser mellan datakällorna är av jämförbar karaktär. Slutsatsen är således att GANs har stor potential att generera tabulär data som kan betrakatas som substitut till känslig data, vilket möjliggör för en mer frikostig delningspolitik av data inom organisationer.

As the information flow on the Internet keeps growing it becomes increasingly easy to miss important news which does not have a mass appeal. Combating this problem calls for increasingly sophisticated information retrieval methods. Pre-trained transformer based language models have shown great generalization performance on many natural language processing tasks. This work investigates how well such a language model, Open AI’s General Pre-trained Transformer 2 model (GPT-2), generalizes to information retrieval and classification of online news articles, written in English, with the purpose of comparing this approach with the more traditional method of Term Frequency-Inverse Document Frequency (TF-IDF) vectorization. The aim is to shed light on how useful state-of-the-art transformer based language models are for the construction of personalized information retrieval systems. Using transfer learning the smallest version of GPT-2 is trained to rank and classify news articles achieving similar results to the purely TF-IDF based approach. While the average Normalized Discounted Cumulative Gain (NDCG) achieved by the GPT-2 based model was about 0.74 percentage points higher the sample size was too small to give these results high statistical certainty. / Informationsflödet på Internet fortsätter att öka vilket gör det allt lättare att missa viktiga nyheter som inte intresserar en stor mängd människor. För att bekämpa detta problem behövs allt mer sofistikerade informationssökningsmetoder. Förtränade transformermodeller har sedan ett par år tillbaka tagit över som de mest framstående neurala nätverken för att hantera text. Det här arbetet undersöker hur väl en sådan språkmodell, Open AIs General Pre-trained Transformer 2 (GPT-2), kan generalisera från att generera text till att användas för informationssökning och klassificering av texter. För att utvärdera detta jämförs en transformerbaserad modell med en mer traditionell Term Frequency- Inverse Document Frequency (TF-IDF) vektoriseringsmodell. Målet är att klargöra hur användbara förtränade transformermodeller faktiskt är i skapandet av specialiserade informationssökningssystem. Den minsta versionen av språkmodellen GPT-2 anpassas och tränas om till att ranka och klassificera nyhetsartiklar, skrivna på engelska, och uppnår liknande prestanda som den TF-IDF baserade modellen. Den GPT-2 baserade modellen hade i genomsnitt 0.74 procentenheter högre Normalized Discounted Cumulative Gain (NDCG) men provstorleken var ej stor nog för att ge dessa resultat hög statistisk säkerhet.

Artificial Intelligence (AI) possesses the potential to profoundly reshape numerous established industries, including the video games industry. This transformative potential arises from algorithms that operate not only on a technical level, but also on a creative and artistic level, particularly with the advent of generative AI. To elucidate the current role of AI within the video game industry and identify potential trajectories for development, structured interviews were conducted with programmers, AI experts, and video game professionals. Moreover, the study aimed to discern the areas in which generative AI will have the most significant impact. The primary findings indicate that AI should function as an assistant, offering suggestions rather than making decisions. Furthermore, AI facilitates increased diversity and accessibility within the industry through enhanced representation. Urgent discussions regarding the protection of artists and the ethical implications of these advancements are crucial for timely legislation development. The study also revealed that AI currently assumes a supportive role, augmenting human labor efficiency. It is employed for tasks such as balancing gameplay, matchmaking, debugging, anti-cheat mechanisms, and non-player character (NPC) dialogue. Human input remains indispensable, particularly in the creative domain and quality assurance processes. Lastly, the report underscores the opportunities and challenges presented by these technical advancements and proposes potential solutions. The findings contribute to a comprehensive comprehension of the implications of AI and generative AI within the industry and offer recommendations for their responsible and ethical utilization. / Artificiell intelligens (AI) har potentialen att på ett djupgående sätt omforma flera etablerade branscher, inklusive spelindustrin. Denna transformerande potential uppstår från algoritmer som inte bara fungerar på en teknisk nivå, utan även på en kreativ och konstnärlig nivå, särskilt med framväxten av generativ AI. För att belysa den nuvarande rollen för AI inom spelindustrin och identifiera potentiella utvecklingsriktningar genomfördes strukturerade intervjuer med programmerare, AI-experter och spelbranschens yrkesverksamma. Dessutom syftade studien till att fastställa de områden där generativ AI kommer att ha störst påverkan. De primära resultaten indikerar att AI bör fungera som en assistent och erbjuda förslag istället för att fatta beslut. Dessutom underlättar AI ökad mångfald och tillgänglighet inom branschen genom förbättrad representation. Brådskande diskussioner om skyddet av konstnärer och de etiska konsekvenserna av dessa framsteg är avgörande för en tidig lagstiftningsutveckling. Studien visade också att AI för närvarande antar en stödjande roll genom att öka effektiviteten hos mänskligt arbete. Den används för uppgifter som att balansera gameplay, matchmaking, felsökning, fuskförebyggande mekanismer och dialog för icke-spelarkaraktärer (NPC). Mänsklig input förblir oumbärlig, särskilt inom den kreativa domänen och kvalitetssäkringsprocesser. Slutligen understryker rapporten de möjligheter och utmaningar som dessa tekniska framsteg medför och föreslår potentiella lösningar. Resultaten bidrar till en omfattande förståelse av konsekvenserna av AI och generativ AI inom branschen och erbjuder rekommendationer för deras ansvarsfulla och etiska användning.

Studiens syfte är att bedöma till vilken utsträckning AI kan ersätta en människa i rollen som mjukvaruutvecklare utifrån ett kvalitativt perspektiv på kod. Detta görs genom att besvara forskningsfrågorna som lyder: “Hur använder mjukvaruutvecklare sig av generativ AI vid utvecklingsutmaningar?” och “Vad är mjukvaruutvecklares uppfattning om kvaliteten på autogenererad kod skapad av en generativ AI såsom Chat GPT?”. För att besvara frågorna har en kvalitativ metod applicerats. En litteraturundersökning startade studien och tillsammans med en ny modell som baseras på McCall quality model och Boehm quality model. Från detta har en intervjuguide skapats som används i semistrukturerade intervjuer genomförda med erfarna mjukvaruutvecklare. Resultatet visar att kod skapad av generativ AI är ett bra hjälpmedel och verktyg som kan effektivisera en mjukvaruutvecklare och att det används på det sättet idag. Däremot så visar resultaten också att koden som genereras av en generativ AI inte är tillräckligt bra och kan inte användas utan att förändringar eller åtgärder görs då det saknas kvalitet. Slutsatserna som dras är att mjukvaruutvecklare använder sig av generativ AI som ett hjälpmedel men att AI:n inte är kapabel att hantera en uppgift på egen hand, därav är det inget hot mot någon anställning för mjukvaruutvecklare. Framtida forskning bör göras på autogenererad kod. Fler verktyg bör undersökas för att utvidga kunskapen om dess kapacitet samt bör det undersökas vilken inverkan generativ AI kan ha på andra branscher. / The aim of this study, conducted and written in Swedish, is to assess the potential of replacing a human software developer with generative AI. The study evaluates the quality of code generated by a generative AI model, this is done by answering the following research questions: “How do software developers use generative AI for development challenges'' and “How do software developers perceive the quality of code autogenerated by a generative AI such as Chat GPT”. To answer the questions we employ a qualitative research method. The study began with a literature review and based our evaluation of software quality on a hybrid model that modifies and combines McCall quality model and Boehm software quality model. The literature review and the hybrid model was used as a base to shape an interview guide. The interview guide was used in semistructured interviews conducted with experienced software developers. The results suggest that autogenerated code from generative AI is a viable aid for software developers as it makes them more effective in a number of tasks. However, the results also show that the autogenerated AI code has insufficient quality as a complete solution, and therefore often requires further fine-tuning and improvements from software developers. From the results, we conclude that software developers do use generative AI as a tool while writing code. Generative AI enhances software developers effectiveness but the current state of generative AI cannot fully replace a human software developer hence it is not a threat to any employment. Future research should be conducted on auto generated code. Some more tools should be studied to broaden the knowledge on its capabilities as well as looking at the implications that generative AI have on other industries.

En ökande användning av generativ artificiell intelligens (AI) i olika sektorer har medfört etiska utmaningar som måste hanteras för att säkerställa ansvarsfull och etisk användning av denna teknologi. Syftet med denna studie var att utforska och identifiera de etiska utmaningarna som kan uppkomma genom att analysera ledarnas tidiga erfarenheter av interaktion med och intryck av generativ AI. För att besvara studiens forskningsfråga genomfördes en kvalitativ studie med semistrukturerade intervjuer som samlade in empirisk data. Studien inkluderade också en litteraturöversikt för att belysa relevanta etiska perspektiv och ramar. Genom en tematisk analys av den insamlade datan framkom följande slutsatser: ledare som interagerade med generativ AI ställdes inför etiska utmaningar som inkluderade frågor om källkritik, ansvar och rättvisa. Ledare svarar på dessa utmaningar genom att anta ett etiskt ansvarigt agerande, vilket omfattar erkännandet av mänsklig expertis i AI-assisterade beslutsprocesser, samt engagemang i källkritik och ansvarsfull styrning. Resultaten diskuteras i ljuset av etiska teorier och perspektiv för att förstå de olika aspekterna av de etiska dilemman som generativ AI kan ge upphov till. / An increasing use of generative artificial intelligence (AI) across various sectors has brought about ethical challenges that must be addressed to ensure responsible and ethical utilization of this technology. The purpose of this study was to explore and identify the ethical challenges that may arise by analyzing leaders' early experiences of interacting with and impressions of generative AI. To address the research question of the study, a qualitative study was conducted using semi-structured interviews to collect empirical data. The study also included a literature review to illuminate relevant ethical perspectives and frameworks. Through a thematic analysis of the collected data, the following conclusions emerged: leaders who interacted with generative AI faced ethical challenges that included issues of source criticism, responsibility, and fairness. To address these challenges, leaders adopt an ethically defensible approach by recognizing the value of human expertise in decision-making supported by AI, exercising source criticism, and responsible governance. The results are discussed in light of ethical theories and perspectives to understand the various aspects of the ethical dilemmas that generative AI may give rise to.

This thesis explores the use of advanced language models, specifically OpenAI’s Generative Pretrained Transformer (GPT), in the context of interactive tutoring systems built within a Unity-based game environment. The central problem addressed is whether the recent advancements in large language models make them feasible and useful to function as tutors specifically in providing meaningful, engaging, and educationally rich user interactions on a dialogue based learning platform developed by Fictive Reality. There is also a comparison on the effectiveness of GPT versus the model that previously powered the learning platform built in Rasa. The importance of this problem lies in offering people learning opportunities that might not otherwise be available to them, and in seeing if recent advancements in generative AI are sufficient for developing useful interactive AI tutors of soft skills. The Fictive Reality learning platform is powered by a Rasa model that generates appropriate responses to users in the context of roleplay-based learning scenarios while keeping an internal state of the progress of the dialogue. The project entails replacing this model with GPT and a comparison of their performance and respective merits. We also explored the potential for a hybrid model, leveraging the strengths of both systems. Using Rasa for internal state tracking and answering simpler queries, and utilizing GPT to handle those queries whose intent Rasa cannot determine. The first part of this project was integrating GPT with the existing functionality of the platform, this includes changes to the platform that allow people to create and play GPT powered learning scenarios and adopting the existing features and user interface. Additionally, prompt engineering GPT to act as a tutor and to stay within the context of a learning environment. Changes had to be made to the platform so that the already existing features of Rasa scenarios could be replicated in GPT scenarios. Finally there is a systematic comparison of the user experience and performance metrics when interacting with either a GPT or a Rasa chatbot in a learning scenario. Specifically these metrics are determined from the conversational flow between bot and user, the context and continuity, finish rate, chit-chat handling and length of average session. The results suggest a distinct user preference for the GPT model due to its superior conversational capabilities, despite Rasa’s faster response times and state-tracking feature. The study suggest that GPT is sufficient for creating useful learning scenarios in restricted contexts. Therefore we suggest that large language models can be leveraged in interactive learning systems, with potential impacts on edtech, AI in education, and conversational AI. / Detta examensarbete utforskar användningen av avancerade språkmodeller, särskilt OpenAI’s Generative Pretrained Transformer (GPT), tillsammans med interaktiva handledningssystem byggda i en Unity-baserad spelmiljö. Det centrala problemet som tas upp är om det är genomförbart och användbart att använda GPT som handledare. Vidare genomfördes också en jämförelse av effektiviteten hos GPT jämfört med en mer traditionell modell, Rasa, när det gäller att tillhandahålla meningsfulla, engagerande och lärorika interaktioner. Detta problem har betydelse för att erbjuda människor lärandemöjligheter som annars kanske inte skulle vara tillgängliga för dem och för att se om de senaste framstegen inom generativ AI är tillräckliga för användbar interaktiv handledning av mjuka färdigheter, så kallade soft skills". Lärplattformen Fictive Reality drivs av en Rasa-modell som genererar lämpliga svar till användare i samband med vissa inlärningsscenarier samtidigt som man behåller ett internt tillstånd av dialogens framsteg. Projektet syftar till att ersätta denna modell med GPT och göra en jämförelse av prestandan och hos respektive modell. Vi undersökte också potentialen för en hybridmodell som utnyttjar båda systemens styrkor genom att använda Rasa för intern tillståndsspårning och svara på enklare frågor, och använda GPT för att hantera de frågor vars avsikt Rasa inte kan avgöra. Den första delen av projektet var att integrera GPT med plattformens befintliga funktionalitet, detta inkluderar förändringar av plattformen som gör det möjligt för människor att skapa och spela GPT-drivna inlärningsscenarier med det befintliga användargränssnittet och funktioner för Rasa-drivna scenarier. Förändringar var tvungna att göras på plattformen så att de redan befintliga funktionerna i Rasa-scenarier kunde replikeras i GPT-scenarier. Slutligen gjordes en systematisk jämförelse av prestandan och användarupplevelsen när man interagerar med antingen en GPT- eller en Rasa-chatbot i ett inlärningsscenario. Resultaten tyder på en distinkt användarpreferens för GPT-modellen på grund av dess överlägsna konversationsförmåga, trots Rasa:s snabbare svarstider och tillståndsspårningsfunktion. Studien tyder på att GPT är tillräckligt för att skapa användbara lärande scenarier i begränsade sammanhang. Denna studie tyder på att stora språkmodeller kan utnyttjas i interaktiva inlärningssystem, med potentiella effekter på edtech, AI inom utbildning och konversations-AI-områden.

Artificiell intelligens (AI) har blivit en central del av utvecklingen hos moderna organisationer, med potential att förändra arbetssätt och öka effektivitet och konkurrenskraft. Generativ AI, som skapar innehåll baserat på mönster i befintliga data, har snabbt utvecklats och väckt stor uppmärksamhet i olika branscher. Trots dess potential för kunskapsarbete används det fortfarande inte i stor utsträckning inom organisationer. Med fokus på individuellt lärande och kunskapsdelning, strävar denna fallstudie efter att bidra med insikter om hur kunskap om generativ AI uppstår och sprids för att främja innovationens integrering i kunskapsarbete. Den teoretiska referensramen baseras på relevanta artiklar om generativ AI i kunskapsarbete och traditionell litteratur om lärande och kunskapsdelning i organisationer. Som ram för analysen används en modell för kunskapsomvandling, som utgår från fyra processer genom vilka kunskap utvecklas: socialisering, externalisering, kombinering och internalisering. Dessa skapar en dynamisk kunskapsspiral där individer inom organisationen interagerar, reflekterar, tar del av och tillämpar kunskap. Studien undersöker hur denna kunskapsspiral drivs framåt och hur generativ AI som kunskapsområde skiljer sig från andra innovationer. För att utforska detta används en interpretativ forskningsfilosofi och kvalitativ ansats. Genom semistrukturerade intervjuer, observationer och enkätundersökning, samlades data in för att bilda en förståelse. Med en iterativ process mellan litteratur och empiri strävar studien efter att bidra till vidare teoriutveckling inom området och praktisk tillämpning i kunskapsarbete. Studien bidrar till en fördjupad förståelse för hur olika initiativ kring kunskap om generativ AI bidrar till lärande och användning av tekniken. Den konstaterar att lärande om generativ AI främst sker på individnivå och är drivet av inre motivation och nyfikenhet att experimentera. Organisationen stödjer lärandet genom viss möjliggörande styrning, men brist på möjligheter att tillämpa kunskapen i det dagliga arbetet kan hindra individens deltagande och därigenom begränsa kunskapsspridningen. Sammantaget är experimenterande centralt för lärandet om generativ AI, dels på grund av dess breda användningsområden och arbetssätt och hur de utvecklas med tiden, dels på grund av variationen i kunskapsarbete. Det finns därmed ett behov av fokus på att främja kombinering, där experimenterandet börjar, och internalisering, där kontinuerligt experimenterande bildar tyst kunskap. Vidare ger studien rika exempel på hur generativ AI används i praktiken, vilket kan inspirera andra kunskapsintensiva verksamheter att utnyttja tekniken. / Artificial intelligence (AI) has become a central part of development in modern organizations, with the potential to change workflows and increase efficiency and competitiveness. Generative AI, which generates content based on patterns in existing data, has rapidly evolved and gained significant attention across industries. Despite its potential for knowledge work, it is not yet widely utilized within organizations. Focusing on workplace learning and knowledge sharing, this case study aims to provide insights into how knowledge about generative AI emerges to promote its adoption in knowledge work. The theoretical framework is based on relevant articles on generative AI in knowledge work and traditional literature on workplace learning and knowledge management. The analysis is based on a model of knowledge creation consisting of four processes through which knowledge develops: socialization, externalization, combination, and internalization. These processes create a dynamic knowledge spiral representing how members of the organization interact, reflect, share, and apply knowledge. The study investigates how the knowledge spiral is driven forward and how knowledge about generative AI differs from other innovations. An interpretative research philosophy and qualitative approach are employed, using semi- structured interviews, observations, and a survey to gather data and form an understanding. Through iterating between literature and empirical data, the study aims to contribute to further theory development and practical application in knowledge work. The study contributes to a deeper understanding of how various initiatives regarding knowledge about generative AI contribute to learning and use of the technology. It suggests that learning about generative AI primarily occurs at the individual level and is driven by internal motivation and curiosity to experiment. The organization supports learning through certain enabling governance, but a lack of opportunities to apply the knowledge in daily work can hinder participation and limit knowledge dissemination. Overall, experimentation is central to learning about generative AI, partly due to its broad applications and approaches and how they evolve over time, and partly due to the variation in knowledge work. Therefore, there is a need to focus on promoting combination, where experimentation begins, and internalization, where continuous experimentation forms tacit knowledge. The study also provides rich examples of how generative AI is used in practice, which can inspire other knowledge- intensive organizations to leverage the technology.

Titel: Redovisningsstudenter & generativ AI  Nivå: Examensarbete på grundnivå (kandidatexamen) i ämnet företagsekonomi. Författare: Jennifer Roos och Josefine Olsson Handledare: Jan Svanberg Datum: 2024 – maj Syfte: Undersöka hur redovisningsstudenter med olika inlärningsstrategier (ytinlärning och djupinlärning) använder generativ AI i sina studier samt att analysera hur generativ AI bidrar till studenternas lärande.    Metod: Studien utgår från en positivistisk forskningsfilosofi och en deduktiv forskningsansats. Metoden består av en kvantitativ forskningsdesign med en tvärsnittsdesign i form av en enkätundersökning som utformar studiens primärdata bestående av 62 respondenter, varav 10 respondenter uteslöts och räknas som bortfall. Datamaterialet har kodats och analyserats i statistikprogrammet SPSS.   Resultat och slutsats: Studiens resultat indikerar att det finns en jämn spridning mellan inlärningsstrategierna yt- och djupinlärning hos redovisningsstudenter samt att fåtalet redovisningsstudenter tillhör båda inlärningsstrategierna. Resultatet visar att generativ AI kan användas i både ytinlärning och djupinlärning och tenderar att accentuera den aktuella inlärningsstrategin.    Examensarbetes bidrag: Studien bidrar med ny, högaktuell och viktig forskning till forskningsgapet gällande hur generativ AI påverkar redovisningsstudenters inlärningsstrategi. Insikterna från studien bidrar till en ökad förståelse kring utformningen av redovisningsutbildningen för att förbereda redovisningsstudenter inför yrket.   Förslag till fortsatt forskning: Framtida forskning kan utöka urvalet för att bättre representera populationen, redovisningsstudenter. Dessutom bör framtida forskning utforska hur andra inlärningsstrategier kan påverka användningen av generativ AI samt undersöka samband mellan variabler som kön, ålder, geografisk plats och kursämne för att identifiera likheter, skillnader och mönster.    Nyckelord: Chatbotar, Djupinlärning, Generativ AI, Inlärningsstrategier, Redovisningsstudenter & Ytinlärning. / Title: Accounting Students & generative AI  Level: Student thesis, final assignment for Bachelor Degree in Business Administration. Author: Jennifer Roos and Josefine Olsson Supervisor: Jan Svanberg Date: 2024 – May                                                     Aim: To investigate how accounting students with different learning strategies (surface learning and deep learning) use generative AI in their studies and to analyze how generative AI contributes to students’ learning.    Method: The study is based on a positivist research philosophy and a deductive research approach. The method is a quantitative research design with a cross-sectional design in the form of a questionnaire that forms the study's primary data consisting of 62 respondents, of which 10 respondents were excluded and counted as non-valid. The data has been coded and analyzed in the statistical program SPSS.   Results and conclusions: The results of the study indicate that there is an even spread between the learning strategies, surface- and deep learning, in accounting students and that the few accounting students belong to both learning strategies. The result shows that generative AI can be used for both surface learning and deep learning and tends to accentuate the current learning strategy.   Contribution of the thesis: The study contributes to new, highly current and important research to the research gap regarding how generative AI affects the learning strategy of accounting students. The insights from the study contribute to an increased understanding of the design of accounting education to prepare accounting students for the profession.   Suggestions for future research: Future research could expand the sample to better represent the population, accounting students. Additionally, future research should explore how other learning strategies may influence the use of generative AI as well as examine relationships between variables such as gender, age, geographic location, and course subject to identify similarities, differences, and patterns. Key words: Accounting Students, Chatbots, Deep learning, Generative AI, Learning strategies & Surface learning.

Artificiell intelligens är ett ämne som vuxit anmärkningsvärt mycket de senaste åren. Det forskas på ämnet i både den civila och den militära sektorn. Flera olika länder forskar på hur AI kan användas militärt, på olika sätt och nivåer. Även Sverige forskar på hur AI kan användas militärt. Syftet med denna uppsats är att undersöka om generativ AI kommer att kunna skriva egna, militära ordrar när programvaran blir matad med tillräcklig information. Frågeställningen blir således huruvida generativ AI kan ersätta militära ledare och chefer gällande orderskrivning, med tillfredsställande kvalitet.  Kunskapsluckan som detta arbete vill fylla är kopplingen mellan beslutsfattande och AI. Det finns tidigare forskning om både hur AI kan likna mänskligt skrivande, och hur AI kan användas för att bearbeta militär underrättelse. Det som fattas är följaktligen forskning som kopplar ihop detta, för att generativ AI ska kunna användas för att skriva militära ordrar. För att undersöka huruvida detta går skedde en jämförande fallstudie där en människoproducerad order jämfördes med en AI-alstrad order. Dessa två ordrar jämfördes sedan utifrån en teoretisk ram. Det teoretiska ramverk som använts i detta arbete är grundat i handböcker som är fastställda av Försvarsmakten.  Resultatet visar att generativ AI inte når upp till en tillräcklig kvalitet för att kunna mäta sig med mänskliga ordrar idag. AI är inte tillräckligt införstådd med den militära strukturen eller nomenklaturen. Detta kan dock variera mellan olika sorters AI. Resultatet är även påverkat av givna instruktioner. / Artificial intelligence is a subject that has grown remarkably in the last couple of years. Both the military and the civilian sectors are researching this subject. Several different countries are researching how AI could be used in the military, in different ways and levels. Furthermore, Sweden is also researching how AI could be used in the military. The purpose of this thesis is to investigate whether generative AI will be able to write its own orders when fed with the right amount of information. Thus gives us the question whether generative AI could replace human officers in writing military orders, with satisfying quality.  The knowledge gap that this work aims to fill is the connection between decision-making and AI. There is previous research about how AI can mimic human writing, and how AI could be used to process military intelligence. Consequently, the missing part is connecting these two together, so that generative AI could write its own military orders.  To investigate whether this works, a comparative case study took place, where an order written by a human was compared to an order produced by AI. These two orders were compared based on a theoretical framework. The theoretical framework in this thesis is based on established literature from the Swedish Armed Forces. The result shows that generative AI does not reach a sufficient quality to be able to measure up to human orders today. AI is not familiar enough with the military structure or nomenclature. However, this may vary between different kinds of AI. Furthermore, the result is also influenced by given instructions.