FOR060F Praktisk AI för doktorandforskning

KURSPLAN (utbildning på forskarnivå)

Kursnamn: Praktisk AI för doktorandforskning

Högskolepoäng: 3 hp (ECTS) — 80 arbetstimmar krävs; upp till 40 timmar valfri, praktisk uppgift med examinerande rapport

Kurskod: FOE060F

Utbildningsnivå: Forskarutbildning

Behörighet och förkunskapskrav

Antagen till utbildning på forskarnivå vid LTU. I mån av plats kan examinatorn öppna kursen för doktorander från andra lärosäten samt, där det är lämpligt, för LTU-anställda med en godkänd kompetensutvecklingsplan bifogad ansökan.

Förkunskaper: Genomförd LTU:s introduktionskurs i AI för all personal (LTU001S, 1,5 hp) eller motsvarande kunskaper om grundläggande AI-begrepp, etik och lagstiftning samt översikt av verktyg. Grundläggande kunskaper i minst ett av följande: arbete i Excel, programmering i Python, R eller Matlab.

Syfte

Att ge doktorander praktiska AI-arbetsflöden av forskningskvalitet som ökar produktiviteten samtidigt som vetenskaplig integritet, integritetsskydd och reproducerbarhet bevaras. Efter avslutad kurs ska varje deltagare ha genomfört ett mindre AI-projekt, nytt för dem själva, integrerat i det egna avhandlingsarbetet.

Kursinnehåll

(Doktorandfokuserat, med minimal upprepning av LTU001S)

• Möjligheter och begränsningar i praktiken — modellernas kapacitet kontra felmoder; mönster för verifiering; dataskydd och transparens i forskningssammanhang.
• Chattbaserat forskningsarbete — sökstrategier, kartläggning av litteratur, granskningsliknande kritik, utkast/redigering av ansökningar och artiklar samt säker hantering av referenser.
• Förberedelse av presentationsmaterial — strukturering av presentationer, figurer och bilddispositioner, talarmanus och repetitionschecklistor med AI-stöd; kollegial återkoppling.
• Dataanalys och databehandling (olika spår)
  • Spår 1: Databearbetning för studier inom humaniora (MS Excel/MS Word)
  • Spår 2: AI-assisterad kodning för databearbetning inom ingenjörsvetenskap (Python/R/Matlab)
  • Innehåll: Explorativ dataanalys (EDA), visualisering, tabell- och figurframställning samt reproducerbar forskning (filer/notebooks/script); granskning av AI-föreslagna filer/kod.
• Miniprojekt — planera, genomföra och dokumentera ett nytt (för doktoranden) AI-assisterat arbetsflöde eller artefakt kopplat till den egna forskningen. Rapport lämnas in.

Förväntade studieresultat

Efter avslutad kurs ska doktoranden kunna:

• Planera och genomföra ett nytt AI-stödd arbetsflöde direkt relevant för avhandlingsarbetet, med dokumenterade prompter, källor och valideringssteg, samt skriva en kort rapport om detta (LLL).
• Söka, sammanställa och syntetisera litteratur med hjälp av AI-verktyg, samtidigt som påståenden granskas och referenser hanteras korrekt (inga fabricerade källor).
• Skriva och revidera vetenskaplig text (ansökningar, artikelsektioner, svar till granskare) med transparenta och kontrollerbara promptstrategier.
• Bygga och granska en AI-assisterad dataanalys eller kodningsuppgift med reproducerbara resultat (filer/script/notebooks, versionshanterade data och figurer).
• Utforma presentationsinnehåll (struktur, figurer, bilddispositioner) och förbättra tydlighet och genomslag genom kollegial återkoppling.
• Utvärdera risker och begränsningar (integritet, bias, hallucinationer), tillämpa riktlinjer för ansvarsfull användning i akademiska sammanhang samt redovisa AI-användning öppet.

Undervisningsformer

• Korta demonstrationsvideor; lärarledda workshops; laborationer; avstämningar med lärandepartner; frivilliga mottagningstider.
• Dedikerade livepass: ”fråga en expert”, med fokus på vad som är tillåtet respektive otillåtet.
• Fysiska diskussioner med doktorander.
• Buddy- och reflektionsupplägg.
• Tillgänglighet: Anpassad eller alternativ examination kan erbjudas vid behov.

Examination och betyg

• Avstämningar under live-träffar (mikroleveranser eller demonstrationer).
• Examination av miniprojekt (artefakt + processlogg + reflekterande sammanfattning) samt en kort muntlig presentation med frågor och svar som omfattar samtliga delar.
• Betygsskala: Godkänd / Underkänd.

Kurslitteratur och verktyg

Utvalda artiklar och länkar till verktyg tillhandahålls per modul; ingen enskild kursbok används. För chattbaserat arbete rekommenderas ChatGPT (tillgängligt via LTU:s licens); vid litteraturarbete används Search- och Deep Research-funktioner. Bild- och diagramgenerering kan användas för figurer och flödesscheman. Excel eller programmering i Python, R eller Matlab används.

Utbildningscykel, frekvens, antagning och avgifter

• Forskarutbildningsnivå; ges två gånger per år (kan starta redan HT 2025).
• Öppen för externa doktorander i mån av plats; cirka 40 platser.
• Ingen avgift för LTU-doktorander om kursen finansieras internt; avgifter kan tillkomma för andra enligt institutionsbeslut.

Kontakt och ansvar

Kontaktperson:
Kenneth Paulsen – kenneth.paulsen@ltu.se

Examinator:
Marcus Liwicki

Anmälan:
Registrering sker genom att mejla Kenneth senast den 10 februari 2026.

Preliminärt schema

(6 live-sessioner + laborationer; buddy-arbete mellan tillfällena)

Session 1 — Introduktion och säker användning av AI
Regler för användning; transparens, integritet, felmoder; promptmönster; loggning av källor; buddy-indelning; projektidé.
Lab 1: Sätt upp AI-miljö (konton, referenshanterare, repo) och mall för promptlogg. Reflektion: vad är tillåtet?

Session 2 — Litteratur och forskningsfront (SOTA)
Sök → läs → verifiera → citera; granskning av påståenden; extraktion av figurer/tabeller.
Lab 2: 1–2 sidor SOTA-översikt med Search/Deep Research; export av alla källor (DOI/länkar) + anteckning om hallucinationskontroll.

Session 3 — Skriva med AI (ansökningar och artiklar)
Disposition → utkast; skärpning av metod och resultat; stilkontroll; svar till granskare; vad AI inte får göra (t.ex. hitta på referenser).
Lab 3: 2–3 sidor utkast/revidering; färgkoda mänskliga vs. AI-ändringar; genomför referensgranskning.

Session 4 — Dataanalys och kodning med AI
EDA med assistenter; enhetstester för föreslagna filer/kod; visualisering; reproducerbara artefakter.
Lab 4: Reproducera en mindre analys (egen eller öppen data) med AI-assisterad Excel-fil eller notebook + tester.

Session 5 — Framställning av presentationsmaterial
Strukturering av presentation; figurbeskrivningar; bilddispositioner; talarmanus; feedback i buddy-grupper.
Lab 5: Bilddisposition + två figurer/beskrivningar; håll en 5-minuters forskningspitch för din buddy.

Session 6 — Miniprojektdemonstration
5–7 minuters demo per deltagare + frågor och svar; plan för nästa steg.
Före: Inlämning av miniprojekt (se nedan).

Individuell examination: Fördjupad muntlig examination om samtliga moment.

Miniprojekt (huvudexamination)

Mål: Implementera ett AI-arbetsflöde som är nytt för dig och som påtagligt stödjer ditt avhandlingsarbete. Exempel:

• Verifierad litteraturöversikt med påståendelogg och referensgranskning.
• Reproducerbar AI-assisterad dataanalys (script/notebook + tester).
• Generator för presentations- och figurmaterial (storyboard + två färdiga figurer/diagram).
• Laboratorie-”research assistant” (promptade SOP:er, uppgiftstriage, mötesanteckningar med åtgärdspunkter).

Inlämningar (senast 48 timmar före session 6):

• Artefakt (repo, notebook, presentation eller verktygslåda).
• Processlogg (prompter, versioner, källor, valideringsanteckningar, tidsåtgång).
• Reflekterande sammanfattning, 2 sidor (vad fungerade/inte fungerade, risker, nästa steg).
• Kort live-demo (5–7 min) + frågor och svar.

Godkännandekriterier (utdrag ur bedömningsmatris):

• Originalitet och relevans: Tydligt nytt för deltagaren och relevant för avhandlingen.
• Integritet: Transparent AI-användning; korrekt källhantering; inga fabricerade referenser.
• Reproducerbarhet: Andra kan köra eller följa arbetsflödet; kod och tester där relevant.
• Effekt: Visade tids- eller kvalitetsvinster (före/efter eller baslinje vs. förbättring).
• Reflektion: Identifierade risker och begränsningar; plan för långsiktig användning.

Do’s & Don’ts för AI-arbete på forskarnivå

Gör

• Använd tydliga instruktionsprompter (t.ex. ”var vetenskaplig, korrekt och specifik”) och omformulera uppgifter iterativt.
• Vid litteraturarbete: använd Search/Deep Research; exportera DOI:er; verifiera påståenden mot originalkällor.
• För logg över prompter och källor (vem/vad/när), särskilt för metod och resultat.
• Om utkast blir repetitiva: starta en ny chatt och ladda upp senaste versionen för att undvika cirkulära förslag.
• Rensa regelbundet bort irrelevant eller lågkvalitativ kontext för att minska modell-drift.

Gör inte

• Klistra in icke-anonymiserade eller skyddade data i tredjepartsverktyg.
• Acceptera påhittade referenser eller ociterade citat — kontrollera alltid.
• Låta AI ”bestämma” metodval utan granskning; testa föreslagna steg innan de används.
• Dölja AI-användning; redovisa enligt tidskrifts- eller LTU-praxis.

Arbetsbelastning (totalt 80 timmar)

Inlämningar och avstämningar

• Vecka 1: Lab 1 (miljö + promptlogg).
• Vecka 2: Lab 2 (SOTA-översikt + referensgranskning).
• Vecka 3: Lab 3 (utkast med spårade ändringar).
• Vecka 4: Lab 4 (reproducerbar analysfil/notebook).
• Vecka 5: Lab 5 (bilddisposition + två figurer/beskrivningar + pitch).
• Vecka 6: Miniprojektets artefakt + reflekterande sammanfattning + demo.