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.

The development of generative AI has made great strides. More and more organizations are looking into implementing this new technology to increase productivity and efficiency. One of these new AI system- development tools is GitHub Copilot. The tool has shown great promise by offering functions such as automatic code generation, but this does not come without faults, as the generated code may be lacking in quality. How system developers within organizations experience this new technology is unknown, nor is it a worthwhile investment for the organizations in question. A qualitative study with semi-structured interviews has been carried out to capture the experiences of system developers concerning GitHub Copilot. The study was based on the theoretical framework Technology Acceptance Model 2 (TAM 2), in which some selected factors were used to describe the intention to use the system. A study was conducted to identify factors that cause an increase and/or a decrease in user acceptance.  We believe this would provide insights into what context GitHub Copilot would lead to increased productivity and efficiency. Based on the four factors studied, perceived usefulness, perceived ease of use, job relevance, and output quality, the study concludes with factors that affect a user’s intention to use GitHub Copilot. The study reveals that system developers perceive the usage of GitHub Copilot as positive. They believe that it has the potential to increase both productivity and efficiency. They perceive the tool as easy to get started with and easy to use. The quality of the generated code is perceived as somewhat lacking, but this did not affect their acceptance of the system.

Deep learning methods applied to chemistry can speed the discovery of novel compounds and facilitate the design of highly complex structures that are both valid and have important societal applications. Here, we present a pioneering exploration into the use of Generative Artificial Intelligence (GenAI) to design coordination cages within the field of supramolecular chemistry. Specifically, the study leverages GraphINVENT, a graph-based deep generative model, to facilitate the automated generation of tetrahedral coordination cages. Through a combination of computational tools and cheminformatics, the research aims to extend the capabilities of GenAI, traditionally applied in simpler chemical contexts, to the complex and nuanced arena of coordination cages. The approach involves a variety of training strategies, including initial pre-training on a large dataset (GDB-13) followed by transfer learning targeted at generating specific coordination cage structures. Data augmentation techniques were also applied to enrich training but did not yield successful outcomes. Several other strategies were employed, including focusing on single metal ion structures to enhance model familiarity with Fe-based cages and extending training datasets with diverse molecular examples from the ChEMBL database. Despite these strategies, the models struggled to capture the complex interactions required for successful cage generation, indicating potential limitations with both the diversity of the training datasets and the model’s architectural capacity to handle the intricate chemistry of coordination cages. However, training on the organic ligands (linkers) yielded successful results, emphasizing the benefits of focusing on smaller building blocks. The lessons learned from this project are substantial. Firstly, the knowledge acquired about generative models and the complex world of supramolecular chemistry has provided a unique opportunity to understand the challenges and possibilities of applying GenAI to such a complicated field. The results obtained in this project have highlighted the need for further refinement of data handling and model training techniques, paving the way for more advanced applications in the future. Finally, this project has not only raised our understanding of the capabilities and limitations of GenAI in coordination cages, but also set a foundation for future research that could eventually lead to breakthroughs in designing novel cage structures. Further study could concentrate on learning from the linkers in future data-driven cage design projects. / Deep learning-metoder (djup lärande metoder) som tillämpas på kemi kan påskynda upptäckten av nya molekyler och underlätta utformningen av mycket komplexa strukturer som både är giltiga och har viktiga samhällstillämpningar. Här presenterar vi en banbrytande undersökning av användningen av generativ artificiell intelligens (GenAI) för att designa koordinationsburar inom supramolekylär kemi. Specifikt utnyttjar studien GraphINVENT, en grafbaserad djup generativ modell, för att underlätta den automatiska genereringen av tetraedriska koordinationsburar. Genom en kombination av beräkningsverktyg och kemiinformatik syftar forskningen till att utöka kapaciteten hos GenAI, som traditionellt tillämpas i enklare kemiska sammanhang, till den komplexa och nyanserade arenan för koordinationsburar. Metoden innebar inledande förträning på ett brett dataset (GDB-13) följt av transferinlärning inriktad på att generera specifika koordinationsburstrukturer. Dataförstärkningstekniker användes också för att berika träningen men gav inte några lyckade resultat. Flera strategier användes, inklusive fokusering på enstaka metalljonsystem för att förbättra modellens förtrogenhet med Fe-baserade burar och utöka träningsdataset med olika molekylära exempel från ChEMBL-databasen. Trots dessa strategier hade modellerna svårt att fånga de komplexa interaktioner som krävs för framgångsrik generering av burar, vilket indikerar potentiella begränsningar inom både mångfalden av träningsdataset och modellens arkitektoniska kapacitet att hantera den invecklade kemin i koordinationsburar. Däremot var träningen på de organiska liganderna (länkarna) framgångsrik, vilket betonar fördelarna med att fokusera på mindre byggstenar. Dock är fördelarna med detta projekt betydande. Den kunskap som förvärvats om hur generativa modeller fungerar och den komplexa världen av supramolekylär kemi har gett en unik möjlighet att förstå utmaningarna och möjligheterna med att tillämpa GenAI på ett så komplicerat område. Erfarenheterna har visat på behovet av ytterligare förfining av datahantering och modellträningstekniker, vilket banar väg för mer avancerade tillämpningar i framtiden. Det här projektet har inte bara ökat vår förståelse för GenAI:s möjligheter och begränsningar i koordinationsburar utan också lagt grunden för framtida forskning som i slutändan kan leda till banbrytande upptäckter i utformningen av nya burstrukturer. Ytterligare studier skulle kunna fokusera på att lära sig från länkarna för att hjälpa framtida datadrivna projekt för burdesign.

No description available.

The increasing utilization of generative artificial intelligence (AI) in organizations isenhancing productivity and decision-making processes of knowledge workers. However, alimited number of studies have focused on both communicative and organizationalimplications of how knowledge workers’ utilization of generative AI tools is affecting domainexpertise and knowledge sharing within organizations. In collaboration with the Swedishtelecommunications company Ericsson, this study embraces an interdisciplinary approach andimplements a qualitative research strategy based on data from 18 in-depth interviews withknowledge workers employed at a global ICT company. The findings highlight two keydimensions; firstly, knowledge workers perceived that by utilizing generative AI it couldaugment their expertise – both transcending domain boundaries and enhancing specializeddomain expertise. At the same time, they perceived work roles to become moresocio-technical in the future. Secondly, generative AI can facilitate knowledge sharingbetween domains by taking on the role of a mediator when communicating expertise acrossdomains. However, the facilitative knowledge sharing effects of generative AI might bedampened by potential silo effects when turning to generative AI instead of colleagues. Thishighlights the need for clear organizational objectives around generative AI usage and theimportance of collaborative knowledge sharing activities to create common understandings ofthe opportunities and limitations of generative AI tools / Den ökande användningen av generativ artificiell intelligens (AI) inom organisationerförbättrar produktiviteten och beslutsprocesser hos kunskapsarbetare. Däremot har ettbegränsat antal studier utförts som fokuserar på både kommunikativa och organisationellakonsekvenser av hur kunskapsarbetarnas användning av generativa AI verktyg påverkardomänexpertis och kunskapsdelning inom organisationer. I samarbete med det svenskatelekommunikationsföretaget Ericsson tillämpar denna studie ett tvärvetenskapligttillvägagångssätt och implementerar en kvalitativ forskningsansats baserat på data från 18djupintervjuer med kunskapsarbetare anställda på ett globalt ICT-företag. Resultatent visar påtvå huvuddimensioner; kunskapsarbetare uppfattade att de genom generativ AI kundeförstärka sin expertis genom att både överskrida domängränser och förbättra specialiseradexpertis. Samtidigt upplevde kunskapsarbetarna att arbetsroller kan komma att bli mersociotekniska i framtiden. Den andra dimensionen visar hur generativ AI kan faciliterakunskapsdelning som en medlare mellan olika domäner. Brist på tydlighet inomorganisationen gällande användningen av generativ AI i arbetsuppgifter och potentiellasilo-effekter kan däremot hindra verktygets kapaciteter för kunskapsdelning. Detta påvisarvikten av tydliga riktlinjer gällande användningen av generativ AI ochkunskapsdelningsaktiviteter för att skapa en gemensam förståelse av möjligheterna ochbegränsningarna med generativa AI verktyg.

The aim of this study is to examine how the teaching of democracy in social studies has been influenced by generative AI. To achieve the objectives of this study, interviews were conducted with high school social studies teachers who reflected on their experiences with this technology. The theoretical framework of the study is based on Robert Dahl's criteria for a democratic process, from which a selection was made. The study's findings, analyzed using Dahl's framework, led to the study's conclusions. The conclusions indicate a diverse range of opinions among the respondents, with difficulty in reaching a consensus, and often individual teachers are divided in their views on generative AI. Many recognize both the advantages and disadvantages of using generative AI in education, particularly regarding democracy.

Denna studie undersöker hur AI-genererad kod för automatiserad testning av frontend kan kvalitetssäkras genom att utveckla ett ramverk med riktlinjer. Problematiken med kvalitet och trovärdighet i generativ AI-baserade lösningar belyses, där AI ofta producerar kod med varierande kvalitet och anpassning till den specifika kontexten. Genom en kombination av litteraturstudier och en intervju med expert inom området identifieras centrala kvalitetsaspekter såsom kodens läsbarhet, struktur, dokumentation, och underhållbarhet.  Studiens mål är att framställa ett ramverk som praktiskt kan tillämpas för att granska och säkerställa kvaliteten i AI-genererad kod för automatiserad testning av frontend. Ramverket bygger på en kvalitativ analys av både teoretisk och empirisk data och erbjuder vägledning för hur generativ AI kan användas effektivt inom systemutveckling. Det föreslagna ramverket förväntas underlätta testprocessen och minska kravet på manuell kodgranskning, samtidigt som det adresserar de unika utmaningar som generativ AI medför. Framtida forskning rekommenderas för att validera och vidareutveckla ramverket, med särskild tonvikt på praktisk tillämpning och anpassning till olika organisatoriska behov. / This study examines how AI-generated code for automated frontend testing can be quality assured by developing a framework with specific guidelines. The issue of quality and reliability in generative AI-based solutions is highlighted, as AI often produces code with varying quality and contextual accuracy. Through a combination of literature studies and an interview with an expert in the field, central quality aspects such as code readability, structure, documentation, and maintainability are identified.  The aim of the study is to create a framework that can be practically applied to review and ensure the quality of AI-generated code for automated frontend testing. The framework is based on a qualitative analysis of both theoretical and empirical data and provides guidance on how generative AI can be effectively used in system development. The proposed framework is expected to facilitate the testing process and reduce the need for manual code review while addressing the unique challenges posed by generative AI. Future research is recommended to validate and further develop the framework, with particular emphasis on practical application and adaptation to various organizational needs.

This licentiate thesis investigates the case and the syntactic position of the direct object in South Saami. The focus is on plural direct objects, which have Differential Object Marking, a phenomenon in which the case alternates between different types of direct objects. In South Saami, some direct objects carry the accusative case form in the plural, while others only carry the plural marker. This variation of suffix displayed on the direct object is contingent on definiteness; definite direct objects consistently display the accusative case form in the plural while indefinite direct objects, specific and nonspecific alike, lack accusative morphology. In addition to case marking, the study presents an analysis of the alternation of the syntactic position of some direct objects. Definite and indefinite specific direct objects can be realized in two positions: as the complement of the verb or in a position as specifier of the light verb projection. By contrast, indefinite nonspecific direct objects obligatorily surface in the complement position of the verb. This variability in syntactic position of some direct objects is analyzed by means of a Specificity Operator, adjoined to the DP-level of every specific NP, definite and indefinite. The operator moves as an instance of quantifier raising in order to take scope over Existential Closure (EC). EC binds NPs in its domain and give them an existential reading. Therefore, when the Specificity Operator raises, it anchors the DP it is adjoined to in a domain, which is unbound by EC and therefore facilitates a specific interpretation. The operator, void of phonological content, can raise alone to the specifier of vP as an instance of covert movement. The operator can also Pied-pipe the DP it is adjoined to, which results in overt movement of the DP. Indefinite nonspecific direct objects lack the Specificity Operator and therefore they remain in-situ in the VP, where they are bound by EC. In addition to its theoretical value, the thesis will be of use for teachers, students and others with an interest in a better understanding of the case form and the position of the direct object in South Saami. / Daennie licentiaatetjaalegisnie gïehtjedem guktie Åarjelsamien direkte objeekth gelliengiertesne kaasushgïetjieh åadtjoeh. Manne gelliengiertem veeljeme juktie åarjelaemien gïele Differential Object Marking åtna. Naakenh direkte objeekth dam giehtjiem -idie guedtieh, mij ackusatijvem gelliengïertesne muana. Jeatjah direkte objeekth barre låhkoegiehtjiem -h guedtieh, mij ajve gelliengïertem muana, menh ij kaasusem. Dan åvteste direkte objeekti kaasushaamoeh molsedieh. Mov gïehtjidimmie vuesehte ahte definijte direkteobjeekth gelliengiertesne dam ackusatijvegïehtjiem. Eah indefinijte direkte objeekth dam gïethjiem utnieh, valla barre gelliengierehaamoem utnieh. Manne vielie gïehtjedem gusnie, dennie raaje- sisnie, leah dej direkte objeekti sijjieh. Gaavneme ahte joekehtsh leah aaj ovmessie direkte objeekti gaskoeh. Definijte jïh indefinijte specifijke direkte objeekth utnieh göökte sijjieh gusnie maehtieh jïjhtedh, valla indefinite ovspecifijke direkte objeekth utnieh ajve aktem sijjiem gusnie maehtieh årrodh. Gaajhkh dah golme ovmessie direkte objeekth maehtieh maadthsijjesne årrodh goh verben komplemeente, valla definijte jïh indefinijte specifijke direkte objeekth maehtieh aaj aktene vP:n specificeerijisnie jïjhtedh. Manne daam joekehtehtem jïh vuesehtem mannasinie naemhtie jis. Mov innovasjovne lea akte specifijkeoperatovre. Dïhte lea adjungeradamme fïerhten DP:se mij lea definijte jallh indefinijte specifijke. Dïhte operatovre iktesth bæjjene DP:n sistie vP specificeerijen sïjse, men dïhte maahta aaj dam DP:m buektedh Pied-pipingen tjïrrh. Dïhte specifijkeoperatovre bæjjene juktie edtja baataridh Existential Closuren (EC) jaksoste. Gosse operatovre bæjjene, dïhte dan sov DP:m dïbrehte akten domeenese, gusnie specifijke guarkoe daerpies sjædta. Dah direkte objeekt mah eah specifijkeoperatovrem utnieh tjoerieh baetsedh VP:n sijse, jïh dannasinie EC dejtie veadta. Dannasinie existentielle guarkoem åadtjoeh. Daate tjaalege vihkeles lingvistihke teorijese, valla aaj lohkehtæjjide, learoehkidie jïh jeatjide guhth sïjhth buerebe guarkedh mij kaasusidie lea direkte objeekten jïh gusnie, dennie raajesisnie, dïhte objeekte jæjhta. / I den här licentiatavhandling undersöks kasusformen hos de direkta objekten och deras syntaktiska position i sydsamiskan. Fokus ligger på direkta objekt i pluralis, vilka uppvisar fenomenet differentiell objektsmarkering, som innebär att vissa direkta objekt bär ackusativsuffixet i plural medan andra endast bär pluralsuffixet. Denna variation i objektsmarkering är känslig för definithet. Definita direkta objekt har accusativändelsen medan indefinita, både specifika och icke-specifika direkta objekt, saknar den. Utöver själva realiseringen av kasussuffix undersöks också de direkta objektens syntaktiska position. En analys presenteras som definierar olika typer av nominalfraser och skiljer definita och specifika direkta objekt från icke-specifika direkta objekt. Den första typen uppvisar variation i sin syntaktiska placering och har möjligheten att dyka upp både i komplementställning till verbet och i en den lilla verbfrasens specificerare, det vill säga vid gränsen för den lexikala fasen. Indefinita icke-specifika direkta objekt, som utgör den andra typen, kan bara uppträda i en position som komplement till verbet. På basis av den analys som inkluderar min innovation Specifikhetsoperatorn, vilken är adjungerad till alla definita och specifika direkta objekts DP-nivå, kan de två positionerna förklaras. Specifikhetsoperatorn flyttar alltid till vP:s specifierare som en kvantifierarinteraktion, där Specifikhetstoperatorn får räckvidd över Existential Closure (EC) och förankrar sin DP i en domän där en specifik tolkning blir nödvändig. Detta är en typ av osynlig flytt. Flytten kan också vara synlig. I det fallet sker medfraktning (Pied-piping) när Specifikhetsoperatorn tar med sig den DP den är adjungerad till när den flyttar till vPs specifierare. Direkta object som saknar Specifikhetsoperatorn stannar i positionen som komplement till verbet och binds därför av EC, vilket leder till att de får en existentiell tolkning. Bortom sitt värde för lingvistisk teoribildning kommer avhandlingen också att bli viktig för lärare, studenter och elever såväl som för andra med ett intresse av att bättre förstå vilket kasus som uppträder på sydsamiska direkta objekt och dessa objekts position i satsen.

Die Topologieoptimierung ist die Suche einer optimalen Bauteilgeometrie in Abhängigkeit des Einsatzfalls. Für komplexe Probleme kann die Topologieoptimierung aufgrund eines hohen Detailgrades viel Zeit- und Rechenkapazität erfordern. Diese Nachteile der Topologieoptimierung sollen mittels Deep Learning reduziert werden, so dass eine Topologieoptimierung dem Konstrukteur als sekundenschnelle Hilfe dient. Das Deep Learning ist die Erweiterung künstlicher neuronaler Netzwerke, mit denen Muster oder Verhaltensregeln erlernt werden können. So soll die bislang numerisch berechnete Topologieoptimierung mit dem Deep Learning Ansatz gelöst werden. Hierzu werden Ansätze, Berechnungsschema und erste Schlussfolgerungen vorgestellt und diskutiert.