Fremkomsten af kapable generative AI‑modeller giver ph.d.-forskere både en mulighed og en udfordring. Læringsmålene, indholdet og kursusstrukturen er designet til at fremme kritisk tænkning, teknisk kompetence og ansvarlig brug af AI i forskning på ph.d.-niveau.

På den ene side kan værktøjer som large language models, kodeassistenter og multimodale pipelines markant accelerere forskningsopgaver, der tidligere krævede betydelig manuel indsats — litteratursyntese, eksplorativ dataanalyse, skrivning og formidling.

På den anden side indebærer ukritisk anvendelse reelle risici: hallucinerede referencer, udvanding af den videnskabelige stemme, etiske brud og overtrædelser af institutionelle retningslinjer.

Dette kursus er designet til at opbygge reel kompetence frem for overfladisk kendskab. De studerende begynder med at forankre sig i det etiske, institutionelle og erkendelsesteoretiske landskab for AI‑brug i akademia og arbejder sig derefter gennem gradvist mere krævende praktiske projekter, som kulminerer i udarbejdelsen af en kort videnskabelig artikel baseret på reelle forskningsdata.

Hver session kombinerer konceptuel indsigt med en konkret opgave, hvilket sikrer, at de tilegnede færdigheder direkte kan overføres til de studerendes egne ph.d.-projekter. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Navigere i det aktuelle landskab af generative AI‑værktøjer
• Vurdere AI‑værktøjers egnethed til specifikke forskningsopgaver under hensyntagen til ydeevne, omkostninger, privatliv og licensforhold
• Interagere med AI‑modeller programmatisk via API‑kald og lokale deployment‑løsninger
• Designe flertrins automatiserede workflows tilpasset forskningsbehov
• Integrere AI‑assistance i professionelle akademiske skrive‑miljøer
• Anvende AI‑værktøjer til dataanalyse, visualisering og videnskabelig formidling ved hjælp af data fra deres egen forskning
• Kritisk vurdere kvaliteten, nøjagtigheden og begrænsningerne af AI‑genereret tekst, kode, figurer og fortolkninger
• Udvikle principielle strategier for at acceptere, tilpasse eller afvise AI‑forslag
• Reflektere over de bredere etiske, erkendelsesteoretiske og samfundsmæssige implikationer af AI’s anvendelse i akademisk forskning
• Tilpasse deres praksis til DTU’s retningslinjer og de udviklende standarder hos forlag

De studerende vil opnå en praktisk forståelse af landskabet for generativ AI, herunder afvejningerne mellem open‑source‑ og closed‑source‑modeller, lokal kontra cloud‑baseret kørsel, samt API‑baseret versus interface‑drevet interaktion.

Med dette som udgangspunkt vil de få hands‑on erfaring med at designe og implementere flertrins AI‑workflows i Python, der dækker opgaver som batch‑dokumentbehandling, tværdokumentarisk syntese, automatiseret oversættelse og generering af struktureret output.

En betydelig del af kurset er dedikeret til AI‑assisteret videnskabelig skrivning. De studerende lærer at konfigurere professionelle skrive‑miljøer, der kombinerer LaTeX, VS Code og AI‑baserede kodeassistenter, og de får mulighed for at øve brugen af disse værktøjer i alle faser af manuskriptudarbejdelsen — fra disposition og udkast til figurtekster, revision og peer review.

Vigtigt er det, at de studerende arbejder med rigtige data: enten fra deres eget ph.d.-projekt eller fra offentligt tilgængelige energisystemdatasæt hentet via ENTSO‑E Transparency Platform. Dette sikrer, at de udviklede færdigheder kan anvendes direkte i deres eget arbejde.

Gennem hele kurset lægges der vægt på ansvarlig og transparent brug af AI. De studerende beskæftiger sig med de etiske, erkendelsesteoretiske og institutionelle dimensioner af AI’s udbredelse i akademia og udvikler kriterier for at evaluere og tydeliggøre AI’s bidrag i overensstemmelse med retningslinjer fra forlag og DTU. 14. april, 2026