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.

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.

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.

The emergence of Generative AI (GenAI) foundation models presents transformative potential across industries, promising not only to increase productivity but also to pioneer new ways of working and introduce novel business models. Despite this, GenAI adoption levels have lagged behind early projections, and many firms report difficulties in finding appropriate applications. One such firm is Scandic Hotels, a Swedish hospitality company seeking to identify use cases for GenAI within the Scandic Data Platform (SDP), the firm’s analytics unit. The goals of this study were twofold: firstly, to identify GenAI use cases for the SDP based on their organizational needs, and secondly, to create a framework to guide organizations in harnessing the technology’s potential purposefully based on their specific organizational contexts. A conceptual framework was developed based on a synthesis of existing AI use case frameworks and the incorporation of GenAI characteristics to guide the investigation of the SDP. A qualitative case study approach was employed, achieving the first research goal through two primary activities: first, by assessing the organizational context through interviews and a questionnaire, and subsequently, by identifying concrete use cases designed to address organizational challenges based on the domain mapping through collaborative workshops. The investigation into the organizational context culminated in the formulation of a complex problem space with eleven logically interconnected domain problems stemming from two root causes: a high technological complexity of the data platform and a lack of organizational ownership concerning data. These problems lead the SDP to be occasionally overwhelmed with support requests, resulting in a range of time-consuming downstream issues that lock the team in reactive rather than proactive work. The use case identification process yielded eleven concrete use cases leveraging a range of GenAI technologies, including retrieval-augmented generation, fine-tuning, and prompt chaining. An evaluation based on the perceived business value of these use cases found that those directly addressing root problems or contributing to strategic imperatives received the highest value scores by members of the SDP. Our findings reinforce the problem-driven use case identification approach suggested by previous AI use case literature and offer nuances in the importance of basing use cases on a structured hierarchical problem space, allowing use cases to be designed to address root problems and break negative feedback loops for maximal business value. By iterating the literature-informed conceptual framework with these practical insights, a novel framework for GenAI use case formulation was developed, centered around matching root domain problems with GenAI-specific capabilities. This framework provides an overview of key components for the identification of use cases based on the organization’s unique context, contributing important starting points for managers wishing to engage in GenAI adoption and addressing the literature gap in GenAI-specific use case exploration frameworks. / Utvecklingen av grundmodeller inom generativ AI (GenAI) har demonstrerat potential att öka produktivitet, omdefiniera befintliga arbetsflöden och införa nyskapande affärsmodeller. Trots detta har införandegraden i näringslivet legat under tidigare prognosticerade nivåer, och många företag rapporterar svårigheter med att identifiera lämpliga tillämpningar. Ett exempel på ett sådant företag är den svenska hotellkedjan Scandic, som önskar identifiera interna användningsområden för GenAI inom analysenheten i företagets centrala organisation, Scandic Data Platform (SDP). Denna studie ämnade att först identifiera användningsfall för GenAI inom SDP baserat på enhetens specifika behov, och sedan utveckla ett ramverk för att vägleda organisationer i identifieringen av GenAI-användningsfall baserat på deras specifika organisatoriska kontext. Baserat på en syntes av befintlig litteratur inom AI-användningsfall och integreringen av karaktäristiska egenskaper för GenAI konstruerades ett konceptuellt ramverk för att orientera utredningen inom SDP. En kvalitativ fallstudieansats uppdelad i två huvudaktiviteter tillämpades för att uppnå det första forskningsmålet: först undersöktes den organisatoriska kontexten genom nio intervjuer samt en enkät, sedan identifierades konkreta användningsfall utformade för att behandla organisatoriska behov förankrade i kartläggningen av domänen genom kollaborativa workshoppar. Undersökningen av den organisatoriska kontexten kulminerade i formuleringen av en komplext problemrymd med elva logiskt sammanlänkade domänproblem härrörande från två grundorsaker: en hög teknologisk komplexitet hos dataplattformen och en brist på organisatoriskt ägarskap gällande data. Dessa problem leder till att SDP ibland överväldigas av supportförfrågningar, vilket resulterar i en rad tidskrävande efterföljande problem som låser in teamet i reaktivt snarare än proaktivt arbete. Identifiering av användningsfall resulterade i formuleringen av elva konkreta användningsfall som utnyttjar en rad GenAI-teknologier såsom retrieval-augmented generation, finjustering och promptkedjning. En utvärdering baserad på det uppskattade affärsvärdet av dessa visade att de användningsfall som direkt bemötte de två rotproblemen eller bidrog uppfyllandet av strategiska imperativ fick de högsta värdebetygen av SDP:s medlemmar. Våra resultat validerar framgången i det problemstyrda tillvägagångssättet för identifiering av användningsfall som föreslagits av tidigare litteratur, men nyanserar förfarandet genom att understryka vikten av att förankra användningsfall i en hierarkiskt strukturerad problemrymd—vilket gör att användningsfall kan utformas för att direkt bemöta rotproblem och bryta negativa återkopplingsslingor för att uppnå maximalt organisatoriskt värde. Genom att iterera det litteraturinformerade konceptuella ramverket med dessa praktiska insikter utvecklades vi ett nytt ramverk för identifieringen av GenAI-användningsfall, baserat på matchningen av rotproblemen inom domänen med GenAI-specifika kapaciteter. Detta ramverk ger en översikt över nyckelkomponenter för identifiering av användningsfall baserade på den organisatoriska kontexten. På så sätt bidrar studien med en utgångspunkt för företag som önskar engagera sig i införandet av GenAI och bemöter bristen på litteratur innehållandes GenAI-specifika ramverk för utforskning av användningsfall.

Background: Generative AI has achieved rapid and widespread acclaim over a short period since the inception of recent models that have opened up opportunities not possible before. Large Language Models (LLMs), a subset of generative AI, have become an essential part of code generation for software development. However, there is always a risk that the generated code does not fulfill the programmer's intent and contains faults or bugs that can go unnoticed. To that end, we propose that verification of generated code should increase its quality and trust. Objectives: This thesis aims to research generation of code that is both functionally correct and verifiable by implementing and evaluating four prompting approaches and a reinforcement learning solution to increase robustness within code generation, using unit-test and verification rewards. Methods: We used a Rapid Literature Review (RLR) and Design Science methodology to get a solid overview of the current state of robust code generation. From the RLR and related works, we evaluated the following four prompting approaches: Base prompt, Documentation prompting, In-context learning, and Documentation + In-context learning on the two datasets: MBPP and HumanEval. Moreover, we fine-tuned one model using Proximal Policy Optimization (PPO) for the novel task. Results: We measured the functional correctness and static verification success rates, amongst other metrics, for the four proposed approaches on eight model configurations, including the PPO fine-tuned LLM. Our results show that for the MBPP dataset, on average, In-context learning had the highest functional correctness at 29.4% pass@1, Documentation prompting had the highest verifiability at 8.48% verfiable@1, and finally, In-context learning had the highest functionally correct verifiable code at 3.2% pass@1 & verifiable@1. Moreover, the PPO fine-tuned model showed an overall increase in performance across all approaches compared to the pre-trained base model. Conclusions: We found that In-context learning on the PPO fine-tuned model yielded the best overall results across most metrics compared to the other approaches. The PPO fine-tuned with In-context learning resulted in 32.0% pass@1, 12.8% verifiable@1, and 5.0% pass@1 & verifiable@1. Documentation prompting was better for verifable@1 on MBPP. However, it did not perform as well for the other metrics. Documentation prompting + In-context learning was performance-wise between Documentation prompting and In-context learning, while Base prompt performed the worst overall. For future work, we envision several improvements to PPO training, including but not limited to training on Nagini documentation and utilizing expert iteration to create supervised fine-tuning datasets to improve the model iteratively. / Bakgrund: Generativ AI har uppnått snabb och utbredd popularitet under en kort tid sedan lanseringen av språk- och bildmodeller som har öppnat upp nya möjligheter. Large Language Models (LLMs), en del av generativ AI, har blivit en viktig del inom mjukvaruutveckling för kodgenerering. Det finns dock alltid en risk att den genererade koden inte uppfyller programmerarens avsikt och innehåller fel eller buggar som kan förbli oupptäckta. För att motverka detta föreslår vi formell verifiering av den genererade koden, vilket bör öka dess kvalitet och därmed förtroendet för den. Syfte: Detta examensarbetets syfte är att undersöka generering av kod som är bååde funktionellt korrekt och verifierbar genom att implementera och utvärdera fyra prompt-metoder samt en ny lösning genom reinforcement learning. Detta för att öka robusthet inom kodgenerering genom unit-test och verifieringsbelöningar. Metoder: Vi använde Rapid Literature Review (RLR) och Design Science metodik för att få en solid översikt över det nuvarande tillståndet för robust kodgenerering. Från RLR:en och relaterade arbeten utvärderade vi följande fyra prompt-metoder: Base prompt, Documentation prompting, In-context learning och Documentation + In-context learning. Dessutom fine-tune:ade vi en modell med Proximal Policy Optimization (PPO) för denna uppgift. Resultat: Vi mätte funktionell korrekthet- och verifieringsvinst-statistiken samt andra mätvärden för de fyra föreslagna prompten på åtta modellkonfigurationer, inklusive den PPO fine-tune:ade LLM:en. Våra resultat visar på MBPP datasetet att i genomsnitt hade In-context learning den högsta funktionella korrektheten vid 29,4% pass@1, Documentation prompting hade den högsta verifierbarheten vid 8,48% verifiable@1, och slutligen hade In-context learning mest funktionellt korrekta verifierbara kod vid 3.2% pass@1 & verifiable@1. Utöver detta visade den PPO fine-tune:ade modellen konsekventa förbättringar gentemot den förtränade basmodellen. Slutsatser: Vi fann att In-context learning med den fine-tune:ade PPO-modellen gav de bästa övergripande resultaten över de flesta mätvärden jämfört med de andra metoderna. Den PPO fine-tune:ade modellen med In-context learning resulterade i 32.0% pass@1, 12.8% verifiable@1, och 5.0% pass@1 & verifiable@1. Documentation prompting va bättre för verifable@1, men den fungerade inte lika bra för de andra mätvärdena. Documentation + In-context learning hamnade mellan Documentation prompting och In-context learning prestationsmässigt. Base prompt presterade sämst av de utvärderade metoderna. För framtida arbete ser vi flera förbättringar av träningen av PPO-modellen. Dessa innefattar, men är inte begränsade till, träning med Nagini dokumentation samt användning av expert iteration för att bygga ett dataset i syfte att iterativt förbättra modellen.

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.