Forskerforums faste gjesteskribenter skriver sant og subjektivt om forskning. De faste gjestene er John Peter Collett, Helga Eggebø, Oddveig Storstad og Lorenz Khazaleh.
For nokre år tilbake var det «velferdsteknologi» som skulle redda velferdsstaten ved å bidra til billigare helse- og omsorgstenester. No er det kunstig intelligens som skal redda sjappa, endra arbeidslivet og effektivisera høgt og lågt.
Eg tvilar ikkje på at KI løyser ein del oppgåver mykje raskare enn folk. Men i min arbeidskvardag – som sjølvsagt er partikulær og ikkje representativ – har eg til gode å erfara dei heilt store gevinstane.
Etter å ha testa KI-genererte illustrasjonar, KI-sortering av tekstdata, KI-bistand til tekstredigering og KI-generering av biografi til nettsidene våre står ikkje entusiasmen akkurat i taket.
Men då eg kom heim frå feltarbeid med fem intervjuopptak, var eg glad for at dei kunne fôrast inn i ein maskin for automatisk transkribering. Programvara Nettskjema garanterer at innhaldet ikkje blir delt, og at personopplysningar derfor blir handsama på ein sikker og lovleg måte. Det er ei teneste me kjøper i dyre domar frå Universitetet i Oslo, og fleire kollegaer hadde fortalt om relativt gode erfaringar med å bruka akkurat dette verktøyet.
Derfor vart eg overraska då eg lasta ned tekstfilene og byrja gå gjennom resultatet. Det tok ikkje mange sekund å konstatera at det var ugler i mosen. Minst 40 prosent framstod som tilfeldig samanrasking av ord; det var ein fullstendig meiningslaus tekst. Sjølv om det berre var fire dagar sidan eg sjølv hadde gjort intervjuet, forstod eg ikkje kva som skulle ha stått. Eg var nøydd til å høyra på lydfila medan eg gjekk gjennom, og då oppdaga eg også at store tekstbolkar – det vil seia fleire avsnitt i slengen – mangla.
Frustrert gjekk eg i gang med å transkribera sjølv. Eg fekk låna transkripsjonspedal frå kollega Iselin på nabokontoret, installerte drivaren og gjekk laus på jobben med å lytta og skriva det som faktisk vart sagt på opptaket.
Sjølv brukte eg ein halv arbeidsdag på å kvalitetssjekka ein times intervju. Det er om lag like lenge som eg brukar på å gjera det heile sjølv.
Eg har transkribert mykje tidlegare, både som forskar på doktorgrad, som lausarbeidar i studietida og som legesekretær i sommarjobb. Men det var over ti år sidan sist, og eg hadde gløymt kor monotont og tungt eg synest dette arbeidet er. Eg blir sliten i hovudet og får vondt i nakken og ryggen. Maria Hansen (2024) har sett ord på kor krevjande og utmattande transkriberingsarbeid kan vera. Det er ikkje berre belastninga på rygg og nakke; det kan også vera emosjonelt krevjande å transkribera forteljingar om traumatiske hendingar og erfaringar.
Eg vart både sliten, forbanna og overraska over alt arbeidet eg måtte gjera sjølv med lydfila og maskintranskripsjonen. Eg har nemleg høyrt kollegaer fortelja om ganske god kvalitet, og at maskinen blir stadig betre også til å transkribera norsk. Kvifor var transkripsjonen eg hadde lasta ned, så ubrukeleg?
Det kunne vera fordi folka eg hadde snakka med, prata nordlandsdialekt og nytta faguttrykk og lokale stadnamn i forteljingane om sin arbeidskvardag. Datagrunnlaget for automatisk gjenkjenning av slike ord og uttrykk var neppe særleg stort.
Det er mogleg automatisk transkribering fungerer superbra til middelklassens kaféprat på bokmål. Men dei fleste eg intervjuar, snakkar dialekt eller norsk med alle verdas aksentar, og kvardagane våre er ofte veldig spesifikke og lokale, og det er nettopp det spesifikke som er grunnen til at eg intervjuar folk.
Prosjektleiaren fekk same ubrukelege resultat for dei intervjua ho hadde gjort på norsk nokre veker før meg. Tysk og svensk, derimot, såg ut til å fungera betre, kommenterte ho. Sjølv brukte eg ein halv arbeidsdag på å kvalitetssjekka ein times intervju. Det er om lag like lenge som eg brukar på å gjera det heile sjølv. Som forskar 1 fakturerer eg prosjektet 1730 kroner i timen for transkriberingsarbeidet, og det er før ein har lagt inn tida som går med til frustrasjon over «effektivisering med KI» og kompenserande yoga for nakke og rygg.
Å retta opp småfeil her er fort gjort når ein les gjennom ein tekst, men det er verre med dei avsnitta som berre var borte vekk i transkripsjonen. Det er vanskeleg å oppdaga og ikkje minst retta opp i utan at eit menneske gjer jobben med å lytta gjennom det heile. Eg kan ikkje forklara kvifor automatisk transkripsjon var så ubrukeleg i dette konkrete tilfellet, men erfaringa har gjeve meg vatn på skepsis-mølla.
