Der er flere grunde til at træne eleverne i samarbejde. Meget professionelt arbejde foregår i grupper eller teams, både blandt studerende på uni og blandt undervisere, forskere, softwareudviklere og sikkert mange andre steder. Outsourcing af vidensarbejde til chatbots og agenter kan desuden medføre, at samarbejdskompetencer bliver endnu mere efterspurgte i en nær fremtid.

Mine erfaringer fra mine børns folkeskole er, at træning i samarbejde ofte foregår ved, at eleverne selv danner grupper og fordeler opgaverne, så få motiverede/stærke elever påtager sig det faglige arbejde, mens mange elever mere eller mindre velvilligt ikke deltager i arbejdet. Dvs. ingen reel stilladsering af eller træning i samarbejde.

Det mønster ser jeg gå igen blandt eleverne i gymnasiet. Når jeg generaliserer, ser jeg mange elever, som er usikre og tilbageholdende, og de ved ikke, hvordan de skal komme på banen i en gruppe. Mange elever er ufokuserede, og deres hovedmål er at blive hurtigt færdige/undgå arbejde. Nogle elever er mere præstations-orienterede og vil typisk overtage det meste af arbejdet i en gruppe.

Få elever er interesserede i at få gruppen til at fungere. Der opstår en kultur blandt mange elever, hvor de opfatter gruppearbejde som “læreren er væk, vi kan gøre hvad vi vil” dvs. hyggetid, hvor de kan snakke privat, gå i kantinen og surfe rundt på nettet.

Så jeg har brugt lidt tid på at undersøge, hvad træning i godt samarbejde kan indebære*, og jeg sidder med en lille ad hoc arbejdsgruppe om emnet. Her er nogle pointer:

• Elever må selvfølgelig ikke vælge deres egen gruppe, det giver både alt for homogene grupper og enkelt-elever, som står uden gruppe.
• Gruppen bør være heterogen uden at være alt for blandet. At sætte en fagligt stærk elev til at trække en gruppe af fagligt svage elever går ikke -det træner ikke samarbejde.
• Der skal være tryghed til at udtrykke sig, og der bliver talt i en ordentlig tone til hinanden.
• Alle bliver hørt og bidrager til gruppens arbejde. De sikre/ekstroverte deltagere har et ansvar for at holde sig lidt tilbage, og de usikre/introverte har et ansvar for at komme mere frem. De bedste resultater opnås ved, at alle bidrager til gruppens arbejde.
• Der er ikke nogen i gruppen, som må overtage produktet og på den måde løse opgaven selv.
• Der er fokus på opgaven og ikke alt muligt andet.
• Opgaverne bør være åbne og give mulighed for diskussion. Lukkede opgaver kan nemmere løses individuelt.
• Gruppen arbejder hen imod et sted, hvor ideer kan udfordres, og der er en kritisk og undersøgende samtale om argumenter og vurderinger.

Jeg har tidligere eksperimenteret med en “social ansvarlig” i gruppearbejde blandt 3.g’ere, men det blev tydeligt, at det havde de svært ved, og rollen blev hurtigt ignoreret. Derfor tog jeg fat i 1.g’erne og har forsøgt at stilladsere arbejdet med roller mere. Jeg er kommet frem til følgende fire roller:

Referent: Skriver for gruppen (computeren eller papir). Det er ikke din pligt at løse opgaven alene, blot at deltage og skrive referat. Tal sammen i gruppen om opgaverne -lad være med at fordele dem mellem jer. Del dokumentet med hinanden, når arbejdet er slut.

Fokus-holder: Sørger for, at gruppen bliver på opgaven og ikke mister fokus. Tal sammen i gruppen om opgaverne -lad være med at fordele dem mellem jer.

Ordstyrer: Sørger for, at alle kommer til orde i gruppen, så alle taler cirka lige meget. Tal sammen i gruppen om opgaverne -lad være med at fordele dem mellem jer.

Spørge-Jørgen: Det er din rolle at stille spørgsmål til de andre mindst tre gange. Eksempler: ”Hvorfor det?”, ”Hvad betyder det?”, ”Hvordan vil du forklare det?”, ”Hvordan kan man se det fra en anden vinkel?”. Tal sammen i gruppen om opgaverne -lad være med at fordele dem mellem jer.

Jeg er ikke helt tilfreds med ordlyden. Fx. skal “Spørge-Jørgen” på sigt ikke bare være en der spørger, men være ansvarlig for at sætte gang i den faglige og kritiske diskussion. Rollen skal nok også have et nyt navn.

Målet er i første omgang, at eleverne bliver opmærksomme på, at rollerne findes i samarbejde. Opmærksomheden får de ved at påtage sig rollerne og gennem evaluering og meta-refleksioner. Derfor skal rollerne også skifte ofte. Derefter er målet, at eleverne bliver bedre eller ligefrem gode til at udfylde hver rolle. Endemålet er, at de alle påtager sig alle rollerne i gruppearbejde.

Nogle spørgsmål, som kan vække elevernes tanker kan være:

• Hvad er et godt gruppearbejde?
• Hvad er dårligt gruppearbejde?
• Hvilken rolle er den sværeste? Hvorfor?
• Hvilken rolle er den vigtigste? Hvorfor?
• Hvad lykkedes du med i rollen?
• Hvornår fungerede rollen ikke så godt?
• Hvad kunne du overveje at gøre anderledes i næste gruppearbejde?

Er rollerne udtømmende for et godt samarbejde? Nej, men de sætter nogle hjørnesten, som der kan arbejdes videre ud fra. Derefter kan vi fx arbejde med samtale-runder (evt. på tid), differentierede grupper efter niveau, individuel forberedelse i klassen/hjemme og andre tiltag, som kan støtte den svære “ordstyrer”-rolle.

* Agergaard m.fl. “Gruppearbejde”; Duch, Henriette (red.) “Gruppearbejde på ungdoms- og videregående uddannelser”, Frydenlund 2023; “Tea for Teachers”, Podcast episode “Make Team Project Work”. https://teambuildingprocess.com/making-team-projects-work/

Det er sprogmodeller i mange chatbots (GPT5.2, Gemini3), blevet meget bedre til. Eller også er jeg blevet bedre til at prompte? Som altid, vil en mere konkret og specifik prompt give et bedre og mere brugbart resultat.

Her nedenfor et forsøg på at generere syntetiske data for biogas-produktion i et produktions-anlæg. Der er 200 forsøg (10 første er vist) med forskellig biomasse, som giver forskelligt udbytte:

Proceduren kan være som følger:

1. Angiv formålet med datasættet, samt hvilke data, der skal være i sættet.
2. Angiv sammenhænge mellem data. Hvis sammenhængene fremgår af en kilde, som sprogmodellen selv kan tilgå, kan modellen forsøge at udlede sammenhængene.
3. Få sprogmodellen til at afbilde datasættet, så du kan få et overblik over om de forventede sammenhænge er tilstede, og om de er for kraftige eller svage (se billede herunder).
4. Få sprogmodellen til at lægge datasættet i en fil fx csv-fil, og angiv krav til kolonne- og decimal-adskillelse.
5. Hvis data skal bruges til en specifik matematisk undersøgelse (fx regression eller maskinlæring), så lad sprogmodellen teste denne. Opstil evt. krav til korrelation, nøjagtighed o.l.

Nedenfor afbildning af de 200 syntetiske data fra ovenfor. Kig særligt på nederste linje af plots, hvor produktionen gerne skulle følge pH og C/N. Plottet mellem C/N og protein viser, at desto mere protein, jo lavere bliver C/N forholdet (mere N). Lavere C/N forhold giver lavere pH (pga ammonium-dannelse). Der er også plots, som giver mindre mening fx mellem kulhydrat og protein.

Det kan blive elevernes opgave at forklare nogle af sammenhængene.

Det kan tage flere minutter, at få et respons fra sprogmodellen. Det er altid lidt random, hvad der kommer som output. Nogle gange kan plots ikke vises. Andre gange vises alle 200 linjer af data osv. Det kan kræve en del iterationer, hvis man ønsker helt bestemte udtryk eller nøjagtighed. Man kan også tilføje krav til spredning og intervaller for data, men dem kender man ikke altid præcist, så her er det måske bedre at lade modellen give et bud.

Man bør deklarere, at der er tale om syntetiske data. Om ikke andet for at undgå at tiltroen til videnskaben og viden generelt ikke forsvinder helt.

Ikke desto mindre er antallet af podcasts eksploderet. Mange består af “reaktionsindhold”, som er en nem og billig måde at producere til medier. Youtubere eller komikere reagerer på værker fx serier eller bøger, Monopolet reagerer på breve fra brugere, anmeldelser fx Dårligdommerne, podcasts om TV-programmer, hvor programmets deltagere optræder i podcasten.

En del af reaktionerne vil være analyse, diskussion og vurdering. Og måske er podcast heller ikke det bedste medie til at formidle helt nyt indhold, men bedre til at nuancere eller diskutere indhold, som de fleste kender.

Inspireret af “reaktionsindhold”, foreslog jeg to kolleger (John og Kristian), om vi skulle følge online-kurset “Generativ AI og læring” fra AAU, og mødes for at diskutere indholdet. Mødet skulle være en podcast med et afsnit om hvert af de seks moduler på kurset.

Podcasten “Lidt om læring“ blev født til det formål. Navnet er generisk, men valgt for at kunne komme forskelligt indhold i. Coverbilledet er p.t. tydeligt AI-genereret, som bl.a. teksten “LEARNING IN DANSCHOOL” afslører. Hosting er gratis på spreaker.com.

Tidligere ville man måske have mødtes i en studiekreds eller bogklub. Så hvorfor podcast? Jeg synes, at det giver en mere forpligtende samtale, som sætter sig tydeligere i min hukommelse. Deltagerne gør sig mere umage, og det hæver kvaliteten af samtalen. Jeg har aldrig dyrket kunsten at udfolde argumentation eller deltage i en diskussion, og jeg er således ikke specielt god til at udtrykke mig sprogligt. Men det kan jeg øve mig på i podcasten, og særligt, når jeg omgiver mig med dygtige kolleger.

Det kræver tid at tilrettelægge velstruktureret indhold i en podcast. Derfor var kurset på AAU en gave, som strukturerede indholdet for os, så samtalen ikke stak alt for meget af. Så selv om jeg ser lidt ned på “reaktionsindhold”, så synes jeg, at det virkede for os.

Indholdet i “Lidt om læring” bliver redigeret en lille smule i Audacity. Langt den meste redigering er længere pauser og “øhhh..”, der bliver klippet ud. Det har overrasket mig, hvor meget mere intelligent man lyder, når “øh” er fjernet. Så mit syn på de tilsyneladende naturlige samtaler i andre podcasts, har ændret sig.

Ideen til at producere en podcast er hermed givet videre.

Jeg har nogle gange forsøgt mig med at tilføje i opgaveformuleringen: “Du skal inddrage selvvalgt empirisk materiale i din besvarelse.”, hvilket de færreste elever forståeligt nok, har kunne honorere. Problemet er som regel, at forsøgsresultater kun publiceres i engelske videnskabelige artikler, som eleverne har svært ved at afkode. Desuden må en engelsk tekst ikke ligge som bilag (men gerne aftales med eleven, hvilket nogle elever vælger). Så hvordan finder man en passende tekst med resultater på dansk?

De sidste ca. fem år har jeg brugt en metode, hvor jeg producerer et bilag til SRP opgaveformuleringen. Jeg fremstiller bilaget ved:

1. Jeg finder en relevant online videnskabelig artikel på Google scholar. Ofte leder jeg efter dyreforsøg (der er meget at diskutere) og kendte metoder fx ELISA, PCR o.l. Valg af søgeord er afgørende for at få gode hits. Jeg undgår reviews.
2. Når der kommer hits frem i Scholar, vil der ved nogle hits være et link i højre side (se billede ovenfor) -det link fører til en online udgave af teksten. Jeg åbner typisk 3-4 artikler, som ser interessante ud, scroller ned til resultaterne og vurderer hurtigt om de virker realistiske for elever at forstå og relevante for elevens vinkel.
3. Jeg vælger en artikel og laver et bilag på dansk, som indeholder mellem en og tre af figurerne (tabeller/diagrammer) fra artiklen. Jeg oversætter som regel figurteksten til dansk, med mindre den er meget enkel. Det foregår som regel i powerpoint eller MS paint.
4. Desuden laver jeg en beskrivelse på dansk af de forsøg, som ligger bag hver figur. Beskrivelserne indeholder nok detaljer til, at eleven kan bruge dem i analyse og diskussion af forsøgene. Nogle detaljer er jeg nødt til at udelade eller ændre en smule, afhængigt af elevens niveau og hvor meget der ellers skal være plads til i opgaven fx kan DNA chip erstattes med genotyping ved PCR, chemiluminiscence kan erstattes af ELISA o.l.
5. I bilaget er der ingen henvisninger til den oprindelige artikel, for jeg vil have eleven til at arbejde selvstændigt med bilaget, og ikke læse og gengive en analyse og diskussion fra den originale tekst.
6. Eleven bliver bedt om at redegøre for metoden, analysere resultaterne og diskutere forsøgene i bilaget.

Et bilag til en opgave om Alzheimers (biologi og dansk) kunne se ud som (t.o. er synuclein-monomeren ca. 10 kDa):

Man kan argumentere for, at jeg gør elevens research-arbejde. Men jeg synes, at eleverne ofte er stillet en umulig opgave, dels i og med, at de ikke er trænet i projektarbejde, og dels at det er næsten umuligt at finde velegnede kilder på dansk. Jeg har set kolleger anvende øvelsesvejledninger og gamle skriftlige eksamensopgaver som bilag, men det er sjældent, at de lige passer med elevens vinkel.

Taget det tid? ja, ca. en halv time pr. bilag. Men jeg har efterhånden en lille bank af bilag, som passer til mange emner, og så nyder jeg vist også skattejagten i artikel-databasen.

Er det videnskabelig uredelighed, når jeg ændrer detaljer i forhold til den oprindelige artikel? Måske, men SRP er ikke et forskningsprojekt, men en opgave indenfor skolevidenskab. Så jeg har det godt med at modellere virkeligheden lidt for at opnå en pædagogisk pointe.

Sprogmodellerne har selvfølgelig udfordret min tilgang (ligesom alt andet). Men i og med, at bilaget først udleveres med opgaveformuleringen, vil det være snyd, hvis eleven anvender en sprogmodel. Hvis en elev VIL snyde, kan bilaget let anvendes som input i en sprogmodel, der vil udlede vigtige analyser, pointer og diskussions-punkter.

Det der tager længst tid er at finde en passende artikel. For måske alligevel at spare noget tid, har jeg udviklet en prompt, som kan skrive et udkast til en dansk beskrivelse af et forsøg og figurtekst:

[LINK] = https://www.jacc.org/doi/full/10.1016/s0735-1097%2801%2901129-9 
[figur] = figur 1
Rolle: Du er en erfaren gymnasielærer i biologi (stx-niveau) med særlig ekspertise i at lave pædagogiske bilag til opgaver for elever. Du er god til at forklare komplekse biologiske koncepter på en måde, som en gymnasieelev kan forstå, uden at forsimple det faglige indhold unødvendigt.
Kontekst: En gymnasieelev skriver et SRP-projekt i biologi. Eleven skal analysere forsøgsresultater fra en videnskabelig artikel og diskutere dem ved at inddrage relevante videnskabelige principper som kontrolforsøg, variabelkontrol, usikkerheder, biologisk variation, fejlkilder, metodevalg og repræsentativitet.
Eleven har begrænset forståelse for engelsk og har ikke forudsætningerne for at forstå det avancerede biologiske fagsprog i artiklen. Derfor har eleven brug for en tilgængelig og præcis beskrivelse af forsøget samt en forklaring af nøgleelementer i [figur].
Opgave:
	• Skriv en kort, men præcis beskrivelse af forsøget, som er udført for at opnå de resultater, der vises i [figur] i denne artikel: [LINK].
	• Skriv en figurtekst til [figur], som beskriver, hvad figuren viser.
	• Forklar betydningen af eventuelle tegn for signifikansniveau (fx p-værdier eller symboler, der indikerer statistisk signifikante forskelle).
	• Forklar fejllinjer i figuren, hvis de er til stede (fx hvis det er standardafvigelse eller standardfejl).
Format:
	• Skriv på dansk.
	• Uddyb tekniske og medicinske begreber og skriv forkortelsen i parentes efterfølgende.
	• Undgå fortolkning eller forklaring af resultaterne – hold dig til objektiv beskrivelse af metode og data.
Tone:
	• Anvend akademisk sprog, men tilpasset et niveau, som en gymnasieelev i biologi kan forstå.
	• Brug aktivt sprog og præcise formuleringer.
	• Begynd fx med "En gruppe forskere udførte et forsøg"..
	• Sørg for, at beskrivelsen er pædagogisk og let at følge uden at miste faglig dybde.
Afklaring:
Mangler der oplysninger for at løse opgaven korrekt? Hvis ja, specificér hvilke.

1. Introduktion omkring børns og maskiners læring, og hvad er en model og målet med den? Hvilke brugs-senarier kan der være for modeller? (sundhed, robotter, sprog, anbefalinger, beslutningsstøtte m.v.)
2. Træne egen simple model med analoge midler og hovedregning: “Er det frugt?“
3. Opsamle centrale pointer.
4. Træne en billed-klassifier i Techable Machine: “Er det frugt?”
5. Opsamling på pointer.
6. Skitsere vigtige trin i konstruktion af en sprogmodel og karakteristiske træk.
7. Lade eleverne arbejde med at undersøge en sprogmodel mht. de nævnte træk.

Jeg har forsøgt at designe en aktivitet, som honorerer punkt 2, og lever op til en række krav:

1. Introducerer nogle af de tekniske begreber og metoder, som indgår i sprogmodeller.
2. Er på et niveau, hvor alle kan være med.
3. Er så hands-on som muligt.
4. Ikke tager for lang tid at afvikle.

Dét er en ret svær balance at ramme. Blandt andet er en grundlæggende struktur i sprogmodeller de neurale netværk, som er i mange lag og dimensioner og træningen kræver mange gentagelser. Det bliver hurtigt omfattende, abstrakt og tidskrævende at designe og træne et neuralt netværk -det er derfor man bruger en computer. Alle beregninger i aktiviteten skal desuden kunne løses af elever i hovedet, for det reducerer risikoen for black box.

Den væsentligste egenskab ved modellerne, at de kan forudsige. Derfor har jeg designet aktiviteten, så eleverne skal hånd-træne en meget simpel perceptron-model (uden bias), som kan forudsige om et objekt er en frugt eller ej (target). Objekterne tilgås som spillekort med tre binære egenskaber (features): Er formen rund/oval? Er farven blå? Er objektet produceret i Danmark (se billede).

De tre features er valgt fordi: en frugt er ofte rund, en frugt er sjældent blå og frugt eller ej er uafhængig af hvor den er produceret.

Kortene indeholder en blanding af objekter, som er frugter fx æble, og ikke frugter fx Lego. Eleverne arbejder i par og tager et kort frem ad gangen. Alle følges ad i starten, men eleverne arbejder efterhånden selvstændigt (faded guidance): De gennemgår et trænings-flow, herunder beregner vægtet sum, bestemmer output og opdaterer vægte, hvis der er uoverensstemmelse mellem kort og modellens forudsigelse (se billede).

Sammen med kortene introduceres de første begreber: trænings-data, model, vægte, træning.

Når alle kortene er brugt, skal eleverne gentage proceduren med kortene igen og igen, indtil modellen kan forudsige rigtigt fem gange i træk.

Derefter udleveres nye kort med objekter, som eleverne skal teste modellen på. Der er både frugter, som modellen kan forudsige korrekt (fx en fersken eller rød legoklods), og objekter, som den forudsiger forkert på fx en banan eller en blå blomme.

Opsamlingen kan introducere lidt flere begreber (præcision og bias), samt nogle vigtige principper:

• Modeller kan forudsige noget (frugt eller ikke-frugt).
• Modeller lærer at forudsige, ved at vægtene bliver tilpasset gennem træning.
• Præcisionen af forudsigelserne er afhængig af træningsdata (antal og variation fx hvis vi kommer med en blå frugt (blomme), forudsiger modellen nok forkert).
• Præcisionen af forudsigelserne er afhængig af modellen (bl.a. hvilke og antal af features; kombination af modeller i et neuralt netværk).
• Der kan være tendenser (bias) i træningsdata, som gør forudsigelserne unuancerede (vi har kun trænet på en slags frugter). Bias kan mindskes ved at bruge mere varierede træningsdata.
• Forudsigelsen kan ændres fra enten/eller til en andel (fx via softmax-lignende funktion).

There will be a test.. skal eleverne have opsamlende quiz?

En alternativ tilgang kunne være at forbinde eleverne i et netværk, hvor hver elev er en knude i netværket. Hver elev har sin egen vægt, og data sendes gennem netværket.

Dét kan hurtigt udvikle sig til kaos: Hvem skal opdatere vægtene? Skal alle følges ad? Hvad sker der, hvis nogen regner forkert? Elever ved kun hvad der sker hos dem selv og ikke i hele netværket fx kommer de ikke til at forholde sig til forudsigelsen.

Jeg har eksperimenteret lidt med openAI’s agenter (GPT’er). Her kan jeg fodre en chat med specifikke tekster fx sider fra wikipedia, om det emne vi arbejder med, og med retningslinjer for bottens adfærd. Men man skal være logget ind på openAI for at tilgå agenterne, og det må jeg ikke bede eleverne om af gode GDPR-grunde.

Men nu har jeg lavet min egen applikation, som ikke kræver login fra brugeren. Ideen er, at bygge videre på ChatGPT. Når man køber adgang til ChatGPT, får man samtidig adgang til at skrive programmer, der kan kommunikere med ChatGPT (via et API). Så man kan skrive sit eget program, der kan sende input til en GPT-model og få svar retur.

Første version af systemet kan prøves her.

Det er et velkendt problem med ChatGPT, at systemer mister fokus, og glemmer dele, som ligger længere tilbage i chatten. Det er bl.a. en konsekvens af, at attention-mekanismen bruger sekvens-embeddings, så ord (tokens), der står senere i prompt (og kontekst), får større betydning for næste output-token.

Selvom man prompter ChatGPT med grundige instruktioner i, at systemet skal fokusere på læring og ikke må skrive elevernes opgaver, så glemmer den det hurtigt. Når man prompter for at blive quizzet, glemmer den reglerne efter nogle få spørgsmål.

Min løsning er, at jeg laver min egen side med en brugergrænseflade (herover), hvor brugeren kan skrive en prompt til ChatGPT. Før hver prompt sendes til ChatGPT (gpt-4o-mini), klistrer jeg en system-prompt sammen med brugerens prompt, uden at brugeren ser det fx:

“Rolle: Du er en biologi-lærer i dansk gymnasium stx gennem 15 år. Kontekst: Du skal være lærings-assistent for en elev. Du er interesseret i, at eleven lærer begreber, metoder og teorier i biologi. Du vil lave quizzer med eleven. Du er opmærksom på, at du ikke vil løse opgaver for eleven. Du vil ikke skrive elevens produkter. Du vil ikke skrive eksempler på svar eller afsnit fx til rapporter eller opgave-besvarelser. Du vil hjælpe med at forklare og formidle viden i biologi. Opgave: Hjælp elever med at lære biologi-faget. Du spørger ind til elevens læring, interesser og fremskridt. Format: korte svar. Tone: Venlig og tålmodig.”

Det er afgørende, at alle beskeder til og fra botten samles (fx i et array), og det hele sendes med til ChatGPT hver gang, for ellers mister systemet sammenhængen i samtalen.

En lidt mere generel pointe er, at jeg nu har en chatbot, som jeg kan customize og aligne, som jeg vil. Jeg kan manipulere med output og særligt med input.

Fx kan jeg lave en vejlednings-bot, der som input får de vejledningsspørgsmål, som vi som regel stiller til eleverne, den videnskabelige basismodel og måske læreplanen. Og så får den en instruktion om, at den skal optræde som vejleder og stille mange og bestemte spørgsmål. Alt det får eleven ikke at se, og hvis alt går vel, kan botten ikke bruges til andet end at vejlede.

Jeg kan lave en quiz-bot, som tager begreber og svar fra en liste, som ligger i en variabel. Dertil kan der være en liste over korrekt og ikke-korrekt besvarede begreber. På den måde støtter jeg systemets hukommelse. I modsætning til mange multiple-choice systemer, kan denne bot rette fritekst og kan forklare, når noget skal uddybes.

Nu mangler jeg bare at teste, om eleverne kan få chatbotten til at snyde.

Opdatering: ultimo november 2024

Nogle elever gider ikke bruge chatbotten, fordi den er tunet til ikke at besvare opgaver.

Mange elever kan ikke forstå, hvorfor de skal skrive med en chatbot, når den alligevel ikke kan give konkrete svar om kilder m.m.

Jeg har fået lavet en SRP-vejleder-chatbot. Jeg tænker på at prøve et chatrum til flere brugere, hvoraf chatbotten kun er een af stemmerne, for at øge samarbejdet mellem eleverne.