Tillsammans mot maskinen
Projektet innebär att utveckla och pröva en metod för löpande examination av studenter som arbetar i problembaserade programmeringsprojekt, med seminarier om AI-stött arbetssätt, kunskapstester om mjukvarukvalitet, studentdrivna peer-review-sessioner samt en "människa mot maskinen"-opposition.
Projektkontext
Programmeringsprojekt som examinationsform är vanligt förekommande inom KTH:s ingenjörsutbildningar. Med tillkomsten av kraftfulla AI-assistenter för programmering har förutsättningarna för att fungerande källkod ska kunna utgöra examinationsbevis rubbats i grunden. Studenter kan idag generera tekniskt korrekt kod utan att själva ha utvecklat motsvarande förståelse för design, kvalitet och problemanalys.
I grunden är detta inte enbart ett examinationsproblem, utan en del av en utveckling som framtidens ingenjörer – inte minst de som inte är datavetare i grunden – måste förhålla sig till. Studenterna måste övas, och examineras, i hur man förhåller sig till att maskinen kan programmera sig själv: när man ska lita på AI-genererad kod, hur man granskar den, och hur man arbetar tillsammans med AI-agenter snarare än bara använder dem som svartlådor.
Projektet är ett nytt initiativ inom Framtidens utbildning 2026 men knyter an till pågående arbete vid EECS kring projektbaserade kurser och industrisamarbete. Det har en tydlig koppling till industripartnern Svenska kraftnät, där frågor om AI-användning i systemutveckling är högaktuella.
Syfte och Effektmål (outcome)
Projektets syfte är att förbereda studenterna för ett arbetsliv där de kommer att arbeta tillsammans med AI-agenter, och i värsta fall konkurrera med dem. Framtidens ingenjörer, inte minst i ämnen utanför datavetenskap, måste utbildas till ett ansvarstagande förhållningssätt till användning av AI – i synnerhet inom systemutveckling och programmering.
Effektmålen är att:
- Studenter som genomgått kursen kan kritiskt granska AI-genererad kod och motivera designval i förhållande till kvalitetskrav.
- Examinationen mäter studentens lärande snarare än verktygens prestanda, även när AI-assistenter används.
- Metoden kan tas upp av andra kursansvariga vid EECS och övriga KTH-skolor.
Mätning sker genom (a) jämförelse av kvalitativa bedömningar av studentprestation före och efter införande, (b) studentenkäter kring upplevd förståelse och självständighet, samt (c) antalet kurser/kursansvariga som tar del av eller adopterar metoden under och efter projektets slut.
Projektresultat (output)
Projektets huvudresultat är en metod för löpande examination av studenter som arbetar i grupp i ett problembaserat lärande, där målet är att gå från ett övergripande funktionskrav, via analys och design, till programmering för att lösa problemet. Metoden består av fyra integrerade delar:
- En seminarieserie kring arbetssätt med AI-assistenter (förberedelsematerial, körguide och utvärderingsformulär).
- Kunskapstester om mjukvarukvalitet (frågebank med rättningsanvisningar).
- Ett upplägg för studentdrivna peer-review-sessioner löpande under projektet, inklusive förberedelsemallar och dokumentationskrav.
- En examinationsform kallad "människa mot maskinen"-opposition, med instruktioner och bedömningskriterier.
Utöver metoden är projektresultaten:
- Pilotgenomförande av metoden i utvald kurs under HT26 (delar) och VT27 med löpande dokumentation av genomförande, lärdomar och studentrespons.
- Genomförande i skarp kursomgång av reviderad version under HT27 med utvärdering och jämförelse med tidigare examinationsformer.
- Slutrapport som beskriver metodens utformning, genomförande, utvärdering och rekommendationer för fortsatt användning.
* Metoden är medvetet utformad så att den med kontextuella anpassningar kan användas av andra examinatorer (andra ämnen och skolor inom KTH) utan att hela upplägget behöver byggas om.
Tidplan
Startdatum: 2026-06-01
Slutdatum: 2027-12-17
Projektdokumentation
Du som har KTH-ID kan läsa projektdokumentationen, som ligger i OneDrive, i inloggat läge.
- Poster: Projektets första poster kommer finnas tillgänglig på Storträffen HT2026
- Projektdirektiv: Projektdirektiv_FrU26_2620-EECS_AI-förstärkt.pdf