Ting jeg har lagt mærke til

In no particular order

Christian Knudsen

2025-05-02

Indholdsfortegnelse

• Vegetativ Elektron Mikroskopi
• Hvad må chatbotten fortælle os?
• Toldsatser og LLM
• Mønstre hvor ingen er
• Gell-Mann hukommelsestab
• Explainable AI
• folk lyver i spørgeskemaer

Vegetativ Elektron Mikroskopi

Ja. Men nej.

Ja, der er over 20 videnskabelige artikler der indeholder den frase. Ja, det er korrekt at den ikke giver mening.

Nej, det er ikke fordi generativ AI har fejltolket. Går man tilbage til artiklen fra 1959 og ser på hvordan der er lavet OCR på den - så skyldes det at man ikke har taget højde for at der er to spalter i teksten. Det sker let. Man skal huske at holde styr på netop det med spalter. Vi har selv gjort det i en lidt for naiv behandling af Folketingsreferater. Digitaliseringen af dem fejlede intet. Det var vores efterbehandling der fejlede. Her ligger fejlen i OCR-processen.

Og vi ser artikler fra 2019 hvor termen optræder fra universitetet i Teheran. Jeg tror gerne at de har gang i en “paper-mill”, men jeg tror ikke de har brugt generativ AI til det.

Det illustrerer udfordringerne med OCR. Det illustrerer udfordringer med kvaliteten af det de store tekstmodeller bliver trænet på. Men ikke i sig selv udfordringer med den generative AI.

Det fører dog til interessante overvejelser om hvordan nonsense begreber kan finde vej til den videnskabelige litteratur. Hvordan de kan brede sig. Og om peer-review processen kan reddes, eller om den er brudt endegyldigt sammen.

Hvad må chatbotten fortælle os?

Peder Hammerskov på linkedin,https://www.linkedin.com/posts/peder_aietik-chatgpt-ansvar-activity-7323610779339898880-2FAX

Må den fortælle os den slags? Opslaget diskuterede andre ubehagelige ting man kan få chatbotten til at svare på, det her var et af de mindre kontroversielle eksempler. Inklusive beskrivelser af hvor tykt rebet skal være hvis man vil hænge sig.

Jeg har ikke svaret. Men overvej: Hm. Udfordringen er lidt - hvor skal de grænser sættes, og hvem skal sætte dem? Produktet er internationalt, og vi ender meget hurtigt med laveste globale fællesnævner for hvad chatbotten har lov at skrive til os. Prøv at spørge deepseek om den kender nogen der ligner Peter Plys. Eller hvad der skete i verden 3. juni 1989. Når du har gjort det, så overvej om der er nogen der kan tage anstød af ellers helt neutrale fakta om biologi, jordens alder eller mekanismerne i at lægge told på varer.

Det kræver nok at vi faktisk når frem til AGI. Og fælles, globalt, beslutter os for hvilke værdier Store Mor skal opdrage os efter.

Vil man gerne vide hvor tykt rebet til hængning skal være, kan man i stedet søge i dokumenter fra anden verdenskrig, hvor den amerikanske hær udgav manualer til den slags. De ligger digitalt på Library of Congress. Hvis chatbotten ikke må fortælle mig om det når jeg overvejer selvmord - og det er jeg ikke uenig i at den nok bør lade være med. Hvordan sikrer vi os så at den godt må når jeg researcher historisk militær straffelov til min eksamensopgave?

Toldsatser og LLM

Med tak til Amy Hoy. https://bsky.app/profile/amyhoy.bsky.social/post/3lluo7jmsss2w

Bemærk * og $mdash; Matematikere bruger ikke — De bruger - De bruger heller ikke *.

Og så er der det med hvilke lande der er med. det er nok fordi man har brugt en liste over TLD. Hvilket forklarer både pingvinerne (tld: .hm ) og at Gibraltar - der i alle andre sammenhænge er UK (tld: .gi), også blev belagt med told. Pas på med at bruge llms bevidstløst.

Men husk, det er ikke givet at fordi der er mdashes, så er det kunstigt genereret. Selv bruger jeg dem hele tiden når jeg skriver. Der er mange tankestreger i mine skriv. Og jeg indtaster det jo som en -, men i word og outlook laves der autokorrektur til mdash.

Mønstre hvor ingen er

Vores tilbøjelighed til at se mønstre hvor der ikke nødvendigvis er mønstre.

::::notes

Mønstre der er der - som vi ikke ser.

Måske fordi vi ikke bryder os om at se dem. Eller det er upopulært at gøre opmærksom på dem.

::::

Gell-Mann hukommelsestab

The Gell-Mann amnesia effect is a cognitive bias describing the tendency of individuals to critically assess media reports in a domain they are knowledgeable about, yet continue to trust reporting in other areas despite recognizing similar potential inaccuracies.

Explainable AI

Det er jo ikke fordi jeg ikke mener at vi bør kunne forklare hvorfor en AI eller ML-model når et bestemt resultat. Men vi bør nok tænke lidt over hvordan vi definerer “explanation” i den kontekst. Ja vi vil gerne vide hvorfor computeren siger at billedet forestiller en kat. Kan vi forklare hvorfor jeg siger at billedet forestiller en kat? Ja, vi vil gerne vide hvorfor en amerikansk algoritme konkluderer at en straffefange ikke skal prøveløslades. Kan vi forklare hvorfor en dommer konkluderer at en straffefange ikke skal prøveløslades.

folk lyver i spørgeskemaer

Hvilket ikke bør komme som en overraskelse, hvis man har mødt mennesker før. Og nogen lyver mere end andre. Det bør heller ikke komme som en overraskelse. Og teenagedrenge lyver fordi de synes det er sjovt. Og hvis man nogensinde har mødt en teenagedreng. Så er det virkelig ikke en overraskelse.

SSGN er den amerikanske betegnelse for atom-drevne missilubåde. Det er modellen med krydsermissiler, der kan være atomare. Ikke at forveksle med SSBN der er ubåde med ballistiske missiler. Der stort set altid er bestykket med termonukleare sprænghoveder.

Se også dette studie https://journals.sagepub.com/doi/10.3102/0013189X14534297 hvor man har kastet online spørgeskemaer i grams blandt 11829 skoleelever i klasse 9-12. Det er usanske skoleelever, så det er “highschool, og derfor i alderen 14-18 år.

Item (and Low-Frequency Response)	Sexual Orientation		Gender Identity		Physical Disability
	Heterosexual (N = 11,058)	LGBQ (N = 771)	Cisgender (N = 11,625)	Transgender (N = 204)	Not Disabled (N = 11,528)	Disabled (N = 301)
Provided a height in the top or bottom 2.5%	3.7%	13.5%	3.7%	41.7%	3.6%	31.9%
Provided a weight in the top or bottom 2.5%	4.0%	13.1%	4.1%	30.4%	3.9%	30.6%
Are you deaf or have a hearing impairment? (Yes)	1.3%	8.9%	1.3%	25.5%	0.9%	35.2%
Are you blind or have vision impairment? (Yes)	2.9%	13.9%	3.1%	31.4%	2.7%	39.5%
When was the last time you visited a dentist? (3 or more years ago)	3.4%	12.8%	3.5%	30.9%	3.4%	25.2%
How many times have you been pregnant or have gotten a girl pregnant? (2 or more times)	0.7%	7.8%	0.7%	25.0%	0.7%	18.3%
How many children do you have? (2 or more)	1.3%	6.6%	1.3%	23.0%	1.2%	17.6%
Is one or more of your family members in a gang? (Yes)	3.1%	15.2%	3.2%	41.7%	3.2%	28.9%
Are you in a gang? (Yes, currently)	1.9%	11.3%	1.9%	35.3%	1.9%	27.6%
In the past month, how many days have you carried a weapon to school? (6 or more days)	1.1%	9.2%	1.2%	28.4%	1.1%	22.3%

Hvoraf vi kan konkludere at 1,7% af ungdommen er transkønnede. Og at 23% af dem har to eller flere børn. Det overlades til den interesserede studerende at overveje hvor sandsynligt dét er.

btw.

Jeg besvarer spørgeskemaer fra norstat. De belønner besvarelser af spørgeskemaer. Jo flere spørgsmål der er i et spørgeskema, jo større belønning.

Der er ofte et eller flere screeningsspørgsmål. Det skal sikre at man kun får besvarelser fra målgruppen. Falder man udenfor målgruppen, afsluttes spørgeskemaet, og man får 1 norstat mønt, der kan veksles til et gavekort på 1 kr. Er man i målgruppen får man resten af spørgeskemaet, og når man har besvaret det, får man flere “mønter”. Med andre ord: Jeg får en mønt for at svare at jeg er udenfor målgruppen. Jeg får 12 mønter for at bruge et kvarter på at svare på spørgsmål. Helt rimeligt og fair, jeg skal selvfølgelig have en større belønning for at bruge mere tid.

Når nu det første screeningsspørgsmål er: “Har du inden for den seneste uge spist youghurt?”. Hvad bør jeg så svare for at maximere min indtjening? Når man får sådan et, er der ofte et antal screeningsspørgsmål. Hvis man falder i gruppen der er intereserede i, får man resten af spørgeskemat