AI & PROGRAMMERING

COPILOT // DEBUGGING // KODFÖRSTÅELSE

Senast uppdaterad: 2026-05-24

KODFÖRSTÅELSE

Din kod måste vara din egen i tanken

Att be AI spotta ut koden till din inlämningsuppgift är extremt enkelt. Men fällan är inte nödvändigtvis inlämningen — fällan är tentamen och kodredovisningen. Om du inte exakt kan förklara varje rad AI skrev åt dig, kommer du att underkännas omedelbart vid en muntlig redovisning.

Bättre strategi: Använd AI som en extremt snabb mentor. Klistra in en kodsnutt du inte förstår och skriv: "Förklara vad som händer på rad 4-12 som om jag vore en nybörjare i Python."

ARBETSSÄTT

Från felmeddelande till förstådd lösning

AI är som mest värdefullt när det hjälper dig att se ett problem tydligare, inte när det ersätter arbetet. Börja med att själv formulera vad programmet ska göra, vilket resultat du får och vilket resultat du förväntade dig. Be sedan AI att ställa tre diagnostiska frågor innan den föreslår kod. Då tvingas du precisera problemet och får en felsökningsprocess som går att redovisa.

När du får ett kodförslag ska du aldrig klistra in det blint. Läs förändringen rad för rad, kör tester eller små exempel och be modellen förklara vilka antaganden lösningen gör. Ändra sedan själv minst en del: variabelnamn, felhantering, testfall eller struktur. Poängen är inte att maskera AI-användning utan att du ska kunna försvara varje beslut och upptäcka när ett snabbt svar faktiskt är fel.

  1. Skriv ett minimalt reproducerbart exempel utan personuppgifter eller hemliga nycklar.
  2. Be om en förklaring av orsaken före en färdig lösning.
  3. Testa med normalfall, kantfall och ett avsiktligt felaktigt indatafall.
  4. Dokumentera vad du ändrade och varför i commit- eller arbetsanteckningar.

EXAMINATION

Tre användningar med olika risk

Låg risk: förklaring och övning

Att be om en förklaring av rekursion, databastabeller eller ett felmeddelande kan fungera som privat handledning, om kursen tillåter verktyget. Be gärna om nya övningar utan lösning och lös dem själv. Då tränar du samma färdighet som ska bedömas.

Medelrisk: återkoppling på din kod

AI kan föreslå läsbarhet, testfall eller prestandaförbättringar i kod du själv har skrivit. Spara din ursprungliga version och notera vilka råd du använde. Om uppgiften bedömer optimering eller kodgranskning kan även denna hjälp behöva redovisas.

Hög risk: genererad inlämningskod

Att låta modellen skapa huvuddelen av en examinerande lösning kan bryta mot reglerna även om koden kör. Riskerna är dubbla: du lämnar in arbete som inte visar din egen förmåga och du kan få kod med osäkra bibliotek, dold logik eller plagierade mönster. Fråga examinatorn i förväg, inte efter inlämning.

SÄKERHET OCH KÄLLKRITIK

Kontrollera mer än att koden kör

En modell kan föreslå paket som inte finns, metoder från fel version eller kod som fungerar på ett exempel men brister på verkliga data. Kontrollera dokumentationen för språket och biblioteken, lås inte in nycklar i prompten och använd aldrig verkliga användaruppgifter som testdata i en extern tjänst. Byt i stället ut data mot små syntetiska exempel.

Ställ kontrollfrågor: Vilka indata kan krascha funktionen? Vilken tids- och minneskomplexitet har lösningen? Hur hanteras tomma värden, teckenkodning och fel från nätverk? Vilka tester skulle motbevisa lösningen? Svaren är inte facit, men de hjälper dig att utforma granskningen du själv måste göra.

Jag har skrivit följande kod för en övningsuppgift. Förklara först vad den gör. Lista sedan tre kantfall och föreslå tester, utan att skriva om hela lösningen. Peka ut osäker kod och hänvisa till vilken officiell dokumentation jag bör kontrollera.

REDOVISNING

En enkel AI-logg för laborationen

Om kursen tillåter AI-stöd kan du föra en liten logg bredvid koden. Skriv vilket problem du undersökte, vilken fråga du ställde, vilket förslag du prövade och vilka tester som fick dig att godta eller förkasta det. En sådan logg gör det lättare att skriva metodavsnitt, svara på frågor vid redovisning och återupptäcka varför en viss lösning valdes.

Loggen är också ett lärandeverktyg: efter några uppgifter ser du om du ofta ber om samma sorts hjälp, exempelvis loopar, testning eller datamodellering. Då vet du vilket område du bör öva på utan AI nästa gång.

AVSÄNDARE OCH GRANSKNING

Transparens före genvägar

Guiden är framtagen av redaktionen för AI på svenska och kontrollerad senast 2026-05-24. Kursens regler avgör om kodassistent, chattverktyg eller automatisk komplettering får användas i laborationer och examinationer. Spara versionshistorik och redovisa AI-stöd när instruktionen kräver det.

NÄSTA STEG

GÅ VIDARE I GUIDEN

Läs vanliga frågor

KÄLLOR OCH FÖRDJUPNING

Relevant regelverk och vägledning

  • Högskolelagen (SFS 1992:1434) — krav på högskoleutbildning, akademisk frihet och bildningsuppdrag.
  • Lag om etikprövning av forskning som avser människor (SFS 2003:460) — aktuell vid examensarbeten med känsliga uppgifter.
  • SUHF:s rekommendationer om generativ AI, suhf.se — vägledning för lärosäten om AI och akademisk integritet.
  • Dataskyddsförordningen (GDPR, förordning (EU) 2016/679) — aktuell vid insamling och behandling av uppgifter i uppsatser och projekt.

REGLERNA OM AI OCH AKADEMISK HEDERLIGHET VARIERAR MELLAN LÄROSÄTEN OCH KURSER. KONTROLLERA ALLTID DITT LÄROSÄTES EGNA RIKTLINJER INNAN DU ANVÄNDER AI I INLÄMNINGAR.