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 development of Artificial Intelligence (AI) is advancing by the day and AI is now a major part of our daily lives. As it evolves, new applications are being introduced and created to make the user's everyday life easier. The aim of our study is to review the potential for generative AI to act as a tool to support co-creation for designers in creative, exploratory processes. The methodology of the study was a qualitative investigation in the form of an experiment and a subsequent interview with five participants, comparing the experience of traditional individual idea generation with idea generation supported by a generative AI. The results show a generally positive attitude towards AI as a co-creation tool, especially for independent idea generation and in freelancing. It was found that users can be reminded of details that are easily overlooked. We also found that inconsistency can be used as a tool,even though it deviates from the general guidelines for AI systems that exist today. / Utvecklingen av Artificiell Intelligens (AI) går framåt för varje dag som går och AI utgör idag en stor del av vår vardag. I takt med utvecklingen introduceras nya användningsområden som skapas för att underlätta användarens vardag. Syftet med vår undersökning är att se över möjligheterna för generativ AI att fungera som ett verktyg för att stödja samskapande för designers i kreativa, explorativa processer. Metoden för studien var en kvalitativ undersökning i form av ett experiment och en efterföljande intervju med fem deltagare, där upplevelsen av traditionell individuell idégnerering jämförs med idégenerering med stöd frånen generativ AI. Resultatet visar en generell, positiv inställning till AI som ett samskapande verktyg för självständig idégenerering. Det framkom bland annat att användare kan bli påminda om detaljer som lätt annars förbises, samt att inkonsekvens kan användas som ett verktyg trots att det frångår de generella riktlinjer för AI-system som finns idag.

Generativ AI är ett fenomen som har blivit populärt under de senaste åren vilket har medfört utvecklingen av AI-verktyg. Dessa verktyg kan lösa specifika lösningar inom olika fält inklusive inom UX-design. Där en ny aspekt av Mänsklig-Dator-Interaktion (MDI) har utvecklats mot Människa-AI-Interaktion (MAII). Syftet med denna studie är att undersöka UX-designers användning av AI-verktyg inom skissandet. Studien genomfördes med sju semistrukturerade intervjuer och en tematisk analys. Resultatet presenterar respondenternas perspektiv och tankar kring tillämpningen av de AI-verktyg som används idag. Alla respondenter är överens om att användningen av AI-verktyg gjorde att arbetet blev mer effektivt. Begränsningarna alternativt utmaningarna var att företag bör överväga att införa en tydlig AI-policy för att säkerställa att AI-verktyg används säkert och ansvarsfullt. Studien avslutas med att en stor vikt läggs på mänsklig kreativitet och förståelse för användarens behov är en viktig del gällande användning av AI-verktyg. / Generative AI is a phenomenon that has become popular in recent years, leading to the development of AI tools. These tools can solve specific problems in various fields, including UX design. This has led to the development of a new aspect of Human-Computer Interaction (HCI) towards Human-AI Interaction (HAII). The purpose of this study is to investigate UX designers' use of AI tools in sketching. The study was conducted with seven semi-structured interviews and a thematic analysis. The results present the respondents' perspectives and thoughts on the application of the AI tools used today. All respondents agree that using AI tools made their work more efficient. Limitations or challenges were that companies should consider implementing a clear AI policy to ensure that AI tools are used safely and responsibly. The study concludes that a great deal of emphasis is placed on human creativity and understanding the needs of the user is an important part of using AI tools.

Påskyndat av teknik går utvecklingen snabbare än någonsin. Generativ AI har blivit tillgänglig för allmänheten. Det ger möjligheter för verksamheter att nyttja AI-teknik utan större insatser och kunskap. Detta skiftar förutsättningarna inom digital innovation. Denna nya aktör skapar gap i litteraturen, där tidigare forskning behöver omvärderas. Ett viktigt forskningsområde är hur användningen av generativ AI påverkar digital innovation. En annan aspekt är hur innovatörer kan nyttja, och förhålla sig till generativ AI inom innovationsprocessen. För att undersöka detta har en kvalitativ studie genomförts, där empiri har samlats in genom åtta intervjuer. Studien har resulterat i en tematisk modell med följande teman: Generativ AI som en kollega; Generativ AI som resurs för digital innovation; Generativ AI ökar tillgängligheten till AI-teknik; Känslor gällande generativ AI; Problematik gällande generativ AI; Spridd och differentierad syn på digital innovation. Studien visar att generativ AI kan påverka digital innovation genom de resulterande temana. Vidare relateras dessa teman till innovationsprocessen, där en modifierad processmodell för innovation har tagits fram. Då användningen av generativ AI är ett relativt nytt fenomen är det sannolikt att innovatörer framöver kommer att öka sin användning av verktyget, vilket medför att fynden från denna studie riskerar att snabbt bli utdaterade. Vidare forskning bör därför utföra liknande studier med jämna mellanrum, för att fånga upp nya erfarenheter som uppstår av den ökade användningen. / Accelerated by technology, development is progressing faster than ever. Generative AI has become accessible to the general public. It provides opportunities for businesses to leverage AI technology without significant efforts and expertise. This shifts the conditions within digital innovation. This new actor creates gaps in the literature, where previous research needs to be reevaluated. An important research area is how the use of generative AI affects digital innovation. Another aspect is how innovators can utilize and engage with generative AI in the innovation process. To investigate this, a qualitative study has been conducted, where empirical data has been collected through eight interviews. The study has resulted in a thematic model with the following themes: Generative AI as a colleague; Generative AI as resource for digital innovation; Generative AI increases accessibility to AI technology; Emotions regarding generative AI; Challenges regarding generative AI; Diverse and differentiated views on digital innovation. The study shows that generative AI can affect digital innovation through the resulting themes. Furthermore, these themes were related to the innovation process, where a modified process model for innovation has been developed. Since the use of generative AI is a relatively new phenomenon, it is likely that innovators will increase their use of the tool in the future. This may render the findings from this study quickly outdated. Further research should therefore conduct similar studies at regular intervals to capture new experiences arising from increased usage.

With the emergence of Generative Artificial Intelligence (GAI), a new form of content creation has been implemented across industries, particularly within creative agencies. Many studies today around this topic are using a quantitative approach to study the usage of text-to-image tools. Objective of this thesis is to explore swedish creators’ perceptions, ideas, and thoughts regarding these tools and contribute to deeper understanding of their views of the tool’s impact, applications, and limitations. We conducted a qualitative study employing a semi-structured interview format. Our choice of data analysis is conducted using a thematic analysis and parts of an Interpretative Phenomenological Analysis (IPA). In our research, a total of 5 creators, with varying roles at different agencies, were interviewed, and from the empirical data 11 main themes were identified where the results pointed to a great variety of thoughts and ideas. These positions are based on the fact that there is a shared opinion for the usability and application of the text-to-image tools where a majority saw a challenge and difficulties with the communication with the tool. Many expressed the need to be up-to-date in order to be competitive and a majority saw the need for regulation for use. There are varying opinions on how the technology works and the purpose of the functions. There is a need for regulation and the importance of the human laying on of hands is emphasized so that the tool does not have too great an impact. A misleading image emerges on social media that does not match the informants' image of the tools. There is a need to be up-to-date on technology to be competitive. / Med den nya funktionen för Artificiell intelligens, Generativ AI (GAI) har ny form av innehållsskapande implementerats bland branscher, i synnerhet inom kreativa byråer. Många studier inom området idag använder sig av en kvantitativ tillvägagångsätt för att undersöka användandet av text-till-bild AI-verktyg. Syftet med studien är att kartlägga svenska kreatörers uppfattning, idéer och tankar för dessa verktyg och bidra med en djupare förståelse för deras syn på verktygets påverkan, användningsområde och begränsningar. Studien genomfördes med en kvalitativ metod genom en semistrukturerad intervjuform och analys av data sker med en tematisk analys med inslag av Interpretative Phenomenological Analysis (IPA). I denna uppsats intervjuades totalt 5 kreatörer med varierande roller på olika byråer, och av den empiriska datan identifierades 11 huvudteman där resultatet pekade på en stor variation av tankar och idéer. Dessa ståndpunkter bygger på att det finns en delad uppfattning för användbarheten och tillämpningen med text-till-bild-verktygen där en majoritet såg en utmaning och svårigheter med kommunikationen med verktyget. Många uttryckte behov att vara up-to-date för att vara konkurrenskraftiga och en majoritet såg behovet av reglering för användandet. Det råder varierande åsikter för hur teknologin fungerar och funktionernas syfte. Det finns ett behov av reglering och vikten av den mänskliga handpåläggningen poängteras för att verktyget inte ska få för stor inverkan. Det framkommer en missvisande bild på sociala medier som inte stämmer överens med informanternas bild av verktygen. Det finns ett behov av att vara uppdaterad på tekniken för att vara konkurrenskraftig.

Artificial intelligence (AI) is a fast-paced technology which can be found in different organizations, including the public sector of Sweden. This advanced tool implies many new work processes and an executive of sufficient basic information for such implementation. While finding a usage within the public sector, a problem occurs around how to and what is needed regarding the integration and processes for a complete normalization of the AI usage. Based on the following research question “What are the main challenges for public sector organizations when it comes to normalizing the use of AI in daily tasks?”, the aim of this thesis is therefore to investigate the key obstacles hindering the integration of AI tools into routine tasks. Through eight semi-structured interviews grounded in the Normalization Process Theory (NPT), the study explores theoretical frameworks surrounding AI, which includes generative AI, and an examination of AI implementations within the public sector context. The conclusion of this thesis reveals several obstacles preventing a complete normalization of AI within the public sector. These include the absence of clear guidelines regarding AI usage, lack of legitimacy for AI tools in current workflows, insufficient competence and development opportunities, and limited resources for AI advancement and utilization. These insights show the many challenges the public sector encounters in embracing AI, and furthermore a need for comprehensive strategies to address these obstacles to facilitate the seamless integration of AI technologies into daily operations.

Brandväggar är en kritisk komponent i nätverkssäkerhet som kontrollerar och filtrerar nätverkstrafik för att skydda mot obehörig åtkomst och cyberhot. Effektiv hantering av brandväggsregler är avgörande för att säkerställa att ett nätverk fungerar smidigt och säkert. I stora företagsnätverk som Scania kan hanteringen av dessa regler bli komplex och resurskrävande, vilket kan leda till duplicerade och överlappande regler som försämrar systemets prestanda.Detta examensarbete undersöker tillämpningen av generativ artificiell intelligens (GAI) och maskininlärning för att hantera och optimera brandväggsregler, med fokus på identifiering och hantering av duplicerade och överlappande regler. Problemställningen adresserar de växande utmaningarna med att underhålla effektiva brandväggsregler i stora företagsnätverk som Scania. Genom att implementera och utvärdera en prototyp baserad på XGBoost, utforskar arbetet potentialen hos AI-tekniker för att förbättra hanteringen och säkerheten av nätverkstrafik. Resultaten visar att AI kan spela en kritisk roll i automatiseringen av processer för upptäckt och korrigering av felaktiga regler, vilket bidrar till ökad nätverkssäkerhet och optimerad resursanvändning. Studien bekräftar att användningen av AI inom brandväggshantering erbjuder betydande fördelar, men lyfter också fram behovet av fortsatt forskning för att adressera säkerhetsutmaningar relaterade till AI-lösningar. / Firewalls are a critical component of network security, controlling and filtering network traffic to protect against unauthorized access and cyber threats. Effective management of firewall rules is essential to ensure that a network operates smoothly and securely. In large enterprise networks like Scania, managing these rules can become complex and resourceintensive, leading to duplicate and overlapping rules that degrade system performance and security.This thesis investigates the application of generative AI (GAI) and machine learning to manage and optimize firewall rules, focusing on the identification and handling of duplicate and overlapping rules. The problem addresses the growing challenges of maintaining effective firewall rules in large enterprise networks like Scania. By implementing and evaluating a prototype based on XGBoost, this work explores the potential of AI techniques to improve the management and security of network traffic. The results demonstrate that AI can play a critical role in automating the processes for detecting and correcting faulty rules, contributing to increased network security and optimized resource usage. The study confirms that the use of AI in firewall management offers significant benefits but also highlights the need for further research to address security challenges related to AI solutions.

Manuell granskning av användarrecensioner för att extrahera relevant informationkan vara en tidskrävande process. Denna rapport har undersökt om stora språkmodeller kan användas för att sammanfatta, extrahera och analysera nyckelinformation från recensioner, samt hur en sådan applikation kan konstrueras.  Det visade sig att olika modeller presterade olika bra beroende på mätvärden ochviktning mellan recall och precision. Vidare visade det sig att fine-tuning av språkmodeller som Llama 3 förbättrade prestationen vid klassifikation av användbara recensioner och ledde, enligt vissa mätvärden, till högre prestation än större språkmodeller som Chat-Bison. För engelskt översatta recensioner hade Llama 3:8b:Instruct, Chat-Bison samt den fine-tunade versionen av Llama 3:8b ett F4-makro-score på 0.89, 0.90 och 0.91 respektive. Ytterligare ett resultat är att de större modellerna Chat-Bison, Text-Bison och Gemini, presterade bättre i fallet för generering av sammanfattande texter, än de mindre modeller som testades vid inmatning av flertalet recensioner åt gången.  Generellt sett presterade språkmodellerna också bättre om recensioner först översattes till engelska innan bearbetning, snarare än då recensionerna var skrivna i originalspråk där de majoriteten av recensionerna var skrivna på svenska. En annan lärdom från förbearbetning av recensioner är att antal anrop till dessa språkmodeller kan minimeras genom att filtrera utifrån ordlängd och betyg.  Utöver språkmodeller visade resultaten att användningen av vektordatabaser och embeddings kan ge en större överblick över användbara recensioner genom vektordatabasers inbyggda förmåga att hitta semantiska likheter och samla liknande recensioner i kluster. / Manually reviewing user reviews to extract relevant information can be a time consuming process. This report investigates if large language models can be used to summarize, extract, and analyze key information from reviews, and how such anapplication can be constructed.  It was discovered that different models exhibit varying degrees of performance depending on the metrics and the weighting between recall and precision. Furthermore, fine-tuning of language models such as Llama 3 was found to improve performance in classifying useful reviews and, according to some metrics, led to higher performance than larger language models like Chat-bison. Specifically, for English translated reviews, Llama 3:8b:Instruct, Chat-bison, and Llama 3:8b fine-tuned had an F4 macro score 0.89, 0.90, 0.91 respectively. A further finding is that the larger models, Chat-Bison, Text-Bison, and Gemini performed better than the smaller models that was tested, when inputting multiple reviews at a time in the case of summary text generation.  In general, language models performed better if reviews were first translated into English before processing rather than when reviews were written in the original language where most reviews were written in Swedish. Additionally, another insight from the pre-processing phase, is that the number of API-calls to these language models can be minimized by filtering based on word length and rating. In addition to findings related to language models, the results also demonstrated that the use of vector databases and embeddings can provide a greater overview of reviews by leveraging the databases’ built-in ability to identify semantic similarities and cluster similar reviews together.

Introduktion: Antalet stressrelaterade sjukdomar ökar i samhället där lärare är den yrkesgrupp som under 2022 rapporterade in flest arbetsrelaterade besvär. Läroväsendet står inför ett paradigmskifte, med den ökade tillgängligheten av generativ AI är den traditionella undervisningen mitt uppe i en förändringsprocess, vilket kan påverka lärarnas arbetssituation och arbetsmiljö. Lärare behöver rätt förutsättningar och kompetensutveckling för att integrera digitala tekniken. De teoretiska ramverken som applicerades var European Framework for the Digital Competence of Educators (DigCompEdu) och krav-kontroll-stödmodellen. Syfte: Syftet med studien var att undersöka hur generativ AI påverkade lärarnas psykosociala arbetsmiljö. Metod: En kvalitativ fokusgruppsintervju med en deduktiv ansats och en innehållsanalys med induktiv ansats. Rekrytering av deltagare genomfördes med ett strategiskt urval och snöbollsurval. Totalt genomfördes fyra fokusgruppsintervjuer med totalt 14 deltagare. Resultat: Resultatet bestod av sex kategorier; Professionellt engagemang, Digitala resurser, Undervisning och lärande, Bedömning och reflektion, Den lärande tar eget ansvar samt Stödja den lärandes digitala kompetens med tillhörande 13 underkategorier, där alla återspeglade studiens syfte. Slutsats: Sammanfattningsvis visar studiens resultat att lärarna är i stort behov av gemensamma riktlinjer och digital kompetensutveckling på arbetsplatsen, eftersom de saknar stöd från arbetsgivare och myndigheter. Lärarna behöver tid och resurser för att lära sig generativ AI, då det kan resultera i tidsvinster och fungera som ett stöd i arbetet och därmed minska arbetsbelastningen. / Introduction: The prevalence of stress-related illnesses is increasing in society, with teachers being the professional group that reported the highest number of work-related issues in 2022. The educational sector is facing a paradigm shift; with the increased availability of generative AI, traditional teaching methods are undergoing a transformation, which may impact teachers' working conditions and work environment. Teachers need appropriate conditions and professional development to integrate digital technology effectively. The theoretical frameworks applied were the European Framework for the Digital Competence of Educators (DigCompEdu) and the demand-control-support model. Aim: The aim of the study was to examine how generative AI affected teachers' psychosocial work environment. Method: A qualitative focus group interview with a deductive approach and content analysis with an inductive approach were employed. Participants were recruited using strategic and snowball sampling methods. A total of four focus group interviews were conducted with 14 participants in total. Results: The results consisted of six categories: Professional Engagement, Digital Resources, Teaching and Learning, Assessment and Reflection, Learner's Self-Responsibility, and Supporting Learners' Digital Competence, along with 13 associated subcategories, all reflecting the study's aim. Conclusion: To summarize, the study's results indicate that teachers are in substantial need of common guidelines and digital professional development in the workplace, as they lack support from employers and authorities. Teachers require time and resources to learn about generative AI, as it can lead to time savings and serve as a support tool in their work, thereby reducing their workload.