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.

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.

No description available.

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.

Studien syftade till att undersöka hur det nya teknikskiftet som generativ AI medför kommer att påverka arbetsmarknaden i Sverige. Som metod användes en kvalitativ fallstudie med ett snöbollsurval där sex respondenter intervjuades, alla på olika avdelningar inom samma företaget. Semistrukturerade intervjuer användes för att samla in data och den insamlade informationen analyserades genom tematisk analys. Resultatet visade att respondenterna inte ansåg att arbetstillfällen kommer påverkas i antal, utan mer att arbetsuppgifterna kommer omformas samt att det kan bli en ny arbetsprofil som eftersöks. Studien visade också på att den generativa AI:n öppnar upp för nya arbetsmöjligheter och förbättrar företagseffektiviteten. / The study aimed to investigate how the new technological shift introduced by generative AI will impact the labor market in Sweden. A qualitative case study approach was employed, using a snowball sampling method to select six respondents from various departments within the company. Semi-structured interviews were conducted to gather data, which was then analyzed through thematic analysis. The results indicated that respondents did not believe that the number of jobs would be affected, but rather that job tasks would be reshaped and might require a new skillset. Generative AI opens up new job opportunities and enhances business efficiency.

I takt med digitaliseringen så har de ställts stora krav på individer att arbeta med kompetensutveckling för att inte hamna i ett digitalt utanförskap. Detta är särskilt tydligt för IT-konsulter då de verkar i en bransch som blir extra påverkad av digitaliseringen. Generativ AI är ett ämne som har blivit högaktuellt den senaste tiden, inte minst tack vare verktyg som ChatGPT och CoPilot. Studien avser därför att besvara vilka kompetensområden som kan utvecklas hos IT-konsulten med stöd av generativ AI samt hur detta kan ske. För att besvara frågeställningen har en kvalitativ ansats tillämpats med semi-strukturerade intervjuer i kombination med en litteraturstudie. Intervjuerna genomfördes med åtta olika respondenter som har en insyn i IT-konsultens dagligaarbete. Där det insamlade empirimaterialet har analyserats genom en deduktiv tematisk analys som baserades på tre beståndsdelar under kompetens vilket var: ”Kunskap”, ”Färdigheter” och ”Attityder”. Slutsatsen av studien presenterar hur alla trebeståndsdelar under kompetens kan utvecklas vid användning av generativ AI för IT-konsulten i form av: Förbättrad förståelse kring programmering, ökade färdigheter inom kommunikation och förbättrad attityd till det dagliga arbetet genom effektivisering av monotona och repetitiva arbetsuppgifter. Att hantera och beakta de utmaningar som uppstår med användning av generativ AI för IT-konsulten lyfts också fram som en viktig förutsättning för att kunna uppnå möjligheterna. / As digitalization progresses, significant demands have been placed on individuals to engage in competency development to avoid digital exclusion. This is particularly evident for IT consultants, as they operate in an industry that is heavily influenced by digitalization. Generative AI has become a highly relevant topic recently, thanks to tools like ChatGPT and CoPilot. The study aims to answer which competency areas can be developed for IT consultants with the support of generative AI and how this can be achieved. To answer this question, a qualitative approach was applied, utilizing semi-structured interviews in combination with a literature review. The interviews were conducted with eight different respondents who have insight into the daily work of IT consultants. The collected empirical material was analyzed using a deductive thematic analysis based on three components of competence: "Knowledge," "Skills," and "Attitudes." The study's conclusion presents how all three components of competence can be developed with the use of generative AI for IT consultants in the form of: improved understanding of programming, enhanced communication skills, and improved attitude towards daily work through the efficiency of monotonous and repetitive tasks. Addressing and considering the challenges that arise with the use of generative AI for IT consultants is also highlighted as an important prerequisite for achieving the potential benefits.

Denna studie undersöker användningen och effekten av generativ AI inom digitalmarknadsföring, med fokus på dess påverkan på kreativa processer. Genom kvalitativa intervjuermed yrkesverksamma inom branschen identifieras hur generativ AI kan effektivisera arbetsflödengenom att automatisera vissa uppgifter och bidra med nya idéer. AI-verktygen fungerar som stödi skapandet av marknadsföringskampanjer, vilket underlättar för marknadsförare att utforska ochutveckla kreativa koncept. Samtidigt belyser studien behovet av mänsklig övervakning för attsäkerställa innehållets kvalitet och etiska användning. Resultaten visar på både möjligheter ochutmaningar med att integrera generativ AI i det dagliga marknadsföringsarbetet. / This study examines the use and impact of generative AI in digital marketing, focusing on its effecton creative processes. Through qualitative interviews with industry professionals, the researchidentifies how generative AI can streamline workflows by automating certain tasks and providingnew ideas. AI tools support the creation of marketing campaigns, making it easier for marketersto explore and develop creative concepts. The study also highlights the need for human oversightto ensure the quality and ethical use of content. The findings present both opportunities andchallenges in integrating generative AI into daily marketing activities

Bakgrund: År 2022 tog AI-tekniken ett betydande steg framåt i utvecklingen i form av generativ AI. Allmänheten tog a del av utvecklingen samma år som Chat GPT släpptes, vilket är en språkmodell som kan generera innehåll och svara på frågor inom olika ämnen. Bara två månader efter lanseringen hade Chat GPT uppnått historiskt tillväxt. En faktor som gör Chat GPT kraftfull och kompetent i att generera mänskliga och högkvalitativa svar på frågor är den omfattande data som används för att träna modellen. Den snabba tillväxten av AI:s förmågor förändrar entreprenörskapets praktik. Den ökade användningen av generativ AI har potential att revolutionera både hur och vilka möjligheter som identifieras. Framtidens entreprenörer står inför en betydande utmaning som handlar om att effektivt utnyttja AI:s potential, i form av nya möjligheter och produktivitetsförbättringar, samtidigt som de undviker risken att bli ersatta av AI.  Syfte: Syftet med studien är att undersöka hur entreprenörers förmåga att identifiera möjligheter påverkas av AI. Detta för att bidra med bättre förståelse för till vilken nivå AI kan ersätta eller hjälpa entreprenörerna i sin roll. Genom att adressera denna fråga avser studien att bidra till en ökad förståelse för hur generativ AI kan forma det framtida landskapet för entreprenörer.  Metod: En kvalitativ metod har använts i form av en fallstudie bestående av två delar. I första delen av fallstudien deltog nio entreprenörer och i andra delen av fallstudien deltog tre investerare. I studien undersöks entreprenören tillsammans med AI, AI på egen hand och entreprenören på egen hand i att generera affärsidéer. Affärsidéerna bedöms av investerarna utifrån en skala 1–5 baserad på särskilda faktorer. Studien har ett interpretativ forskningsperspektiv och följer en abduktiv ansats.   Slutsats: Den slutsats som kan dras är att AI identifierar bäst möjligheter. Resultatet visar att AI genererar idéer med hög marknadspotential men behöver entreprenörens expertis för hög differentiering. Entreprenörer betraktar AI som ett värdefullt verktyg men upplever utmaningar i användningen vilket gör samarbetet ineffektivt, särskilt vid bristande teknisk förståelse. AI har förmågan ta över rollen som idégenererare och omdefiniera entreprenörens roll till utvärderare och implementatör av idéer, vilket ökar effektiviteten i processen att identifiera möjligheter. / Background: In 2022, AI technology took a significant step forward in its development. The development became public knowledge the same year Chat GPT was released, which is a tool with the ability to generate content and answer questions on various topics. Just two months after its launch, Chat GPT achieved historic growth. A factor that makes Chat GPT powerful and competent in generating human and high-quality responses is the large amount of data used to train the model. The rapid growth of AI's capabilities is changing the practice of entrepreneurship. The increased use of generative AI has the potential to revolutionize both how and which opportunities are identified. Entrepreneurs of the future face a significant challenge that involves effectively exploiting the potential of AI, in terms of new opportunities and productivity improvements, while avoiding the risk of being replaced by AI.  Purpose: The purpose of the study is to investigate how entrepreneurs' opportunity recognition is affected by AI. This, to contribute with a better understanding of the level to which AI can replace or help entrepreneurs in their role. By addressing this question, the study intends to contribute to an increased understanding of how generative AI can shape the future landscape for entrepreneurs.  Method: A qualitative method has been used in the form of a case study consisting of two parts. Nine entrepreneurs participated in the first part of the case study and three investors participated in the second part of the case study. The study examines the entrepreneur together with the AI, as well as AI and the entrepreneur on their own in their ability to generate business ideas. The business ideas were evaluated by the investors on a scale of 1-5 based on specific factors. The study has an interpretive research perspective and follows an abductive approach.  Conclusion: The conclusion that can be drawn is that AI identifies the best opportunities. The result shows that AI generates ideas with high market potential but needs entrepreneur's expertise to achieve high differentiation. Entrepreneurs view AI as a valuable tool but experience challenges in its use that makes their collaboration ineffective, especially in the absence of technical understanding. AI has the ability to take over the role as idea generator and redefine the role of entrepreneurs as an evaluator and implementer of ideas, this will increase the efficiency of the opportunity recognition process.