Karl Audun Kagnes Borgersen

• Grundetjern, Morten; Andersen, Per-Arne; Goodwin, Morten & Borgersen, Karl Audun (2024). NER Explainability Framework: Utilizing LIME to Enhance Clarity and Robustness in Named Entity Recognition. I Bramer, Max & Stahl, Frederic (Red.), Artificial Intelligence XLI: 44th SGAI International Conference on Artificial Intelligence, AI 2024. Springer. ISSN 9783031779145. s. 3–15. doi: 10.1007/978-3-031-77915-2_1. Fulltekst i vitenarkiv Vis sammendrag

  Abstract. Named Entity Recognition (NER) is crucial for many Nat- ural Language Processing (NLP) applications, yet current models of- ten lack explainability and robustness, particularly against lexical varia- tions. While methods like Local Interpretable Model-agnostic Explana- tions (LIME) have enhanced explainability in text classification, their application to sequence-based tasks like NER remains an open chal- lenge. This paper introduces the NER Explainability Framework (NEF), a novel approach that transforms the sequence-based NER task into a multi-classification problem. This transformation enables the application of LIME to any NER architecture. NEF provides precise, interpretable insights into model decisions by highlighting which parts of the input text most influence tagging decisions, significantly advancing explainability in NER. To address the critical gap in assessing model resilience, we also present the Misspelling Robustness Score (MRS), a new metric designed to quantify NER model resilience against lexical variations, particularly misspellings. MRS offers a comprehensive evaluation of model perfor- mance in the face of spelling variations and errors. We apply NEF to four widely used NER models (SpaCy, Flair, Stanza, and RoBERTa) using the CoNLL-2003 dataset, revealing critical patterns and weaknesses in model behavior. Our method enables targeted improvements, demonstrated by fine-tuning the SpaCy model to achieve a significant 17.5% increase in robustness against misspellings. These findings lay the groundwork for developing more robust, accurate, and interpretable NER systems, pro- viding practical strategies to address existing challenges in NLP. The universal applicability of NEF across NER architectures and the insights provided by MRS offers valuable tools for researchers and practitioners in advancing the field of NER.

• Borgersen, Karl Audun Kagnes; Goodwin, Morten; Sharma, Jivitesh; Aasmoe, Tobias; Leonhardsen, Mari & Rørvik, Gro Herredsvela (2023). CorrEmbed: Evaluating Pre-trained Model Image Similarity Efficacy with a Novel Metric. I Bramer, Max & Stahl, Frederic (Red.), Artificial Intelligence XL: 43rd SGAI International Conference on Artificial Intelligence, AI 2023. Springer. ISSN 9783031479939. s. 89–102. doi: 10.1007/978-3-031-47994-6_7. Fulltekst i vitenarkiv
• Borgersen, Karl Audun Kagnes; Goodwin, Morten & Sharma, Jivitesh (2023). A comparison between Tsetlin machines and deep neural networks in the context of recommendation systems. Proceedings of the Northern Lights Deep Learning Workshop. doi: 10.7557/18.6807. Fulltekst i vitenarkiv Vis sammendrag

  Recommendation Systems (RSs) are ubiquitous inmodern society and are one of the largest points ofinteraction between humans and AI. Modern RSsare often implemented using deep learning models,which are infamously difficult to interpret. Thisproblem is particularly exasperated in the contextof recommendation scenarios, as it erodes the user’strust in the RS. In contrast, the newly introducedTsetlin Machines (TM) possess some valuable prop-erties due to their inherent interpretability. TMsare still fairly young as a technology. As no RShas been developed for TMs before, it has becomenecessary to perform some preliminary research re-garding the practicality of such a system. In thispaper, we develop the first RS based on TMs toevaluate its practicality in this application domain.This paper compares the viability of TMs withother machine learning models prevalent in the fieldof RS. We train and investigate the performance ofthe TM compared with a vanilla feed-forward deeplearning model. These comparisons are based onmodel performance, interpretability/explainability,and scalability. Further, we provide some bench-mark performance comparisons to similar machinelearning solutions relevant to RSs.

Se alle arbeider i NVA

• Borgersen, Karl Audun Kagnes; Flåten, Bjørn-Tore & Pachgade, Anurag (2026). Trusting the Machine: Perceptions and Performance of AI in Scholarly Screening Processes. Fulltekst i vitenarkiv
• Goodwin, Morten; Borgersen, Karl Audun Kagnes & Omslandseter, Rebekka Olsson (2025). Forsket på KI og strømforbruk: – Skremselspropaganda vi må få bukt med – NRK Sørlandet – Lokale nyheter, TV og radio. Fulltekst i vitenarkiv Vis sammendrag

  Professor Morten Goodwin har undersøkt strømforbruket til vanlige KI-søk. Han mener teknologien feilaktig blir omtalt som miljøversting, men møter motstand.

• Karlsen, James Tommy; Borgersen, Karl Audun Kagnes; Baharmand, Hossein & Örtenblad, Anders (2025). Det er på tide med en seriøs nytenkning rundt høyere utdanning. Fulltekst i vitenarkiv Vis sammendrag

  Hvis vi ikke fornyer undervisningsformene våre, risikerer vi at kvaliteten på utdanningen svekkes. Ikke fordi studentene har endret seg, men fordi vi fortsetter å undervise som om verden ikke har gjort det.

• Goodwin, Morten; Borgersen, Karl Audun Kagnes & Omslandseter, Rebekka Olsson (2025). Kunstig intelligens får skylden for et enormt strømforbruk den ikke har. doi: https:/www.aftenposten.no/meninger/debatt/i/B05a6G/kunstig-intelligens-faar-skylden-for-et-enormt-stroemforbruk-den-ikke-har. Fulltekst i vitenarkiv Vis sammendrag

  Språkmodeller er offer for grov overdrivelse når det gjelder strøm om ressursforbruk.

• Borgersen, Karl Audun Kagnes; Goodwin, Morten & Sharma, Jivitesh (2023). Automating Tagging for Fashion Items: A User Study. Fulltekst i vitenarkiv
• Grønås-Werring, Morten; Sand, Kari; Bjørlo, Lena Vatne; Khovrak, Inna; Rom, Iselin Bøge & Thaulow, Kristin [Vis alle 10 forfattere av denne artikkelen] (2025). Kompetanse og digital teknologi: Sluttrapport fra utredningen. Oxford Research. doi: https:/oxfordresearch.no/publications/3530/. Fulltekst i vitenarkiv Vis sammendrag

  Prosjektet har kartlagt hvordan fremvoksende digitale teknologier som kunstig intelligens, skytjenester, robotisering, smartoveråking og fjernstyring samt utvidet og virtuell virkelighet tas i bruk i arbeidslivet og hvordan bruken påvirker innholdet i arbeidsoppgaver og jobber. Formålet har vært å belyse hvordan disse endringene påvirker behovet for kompetanse og hvilke strategier arbeidsgivere og arbeidstakere benytter for å møte nye krav og forventninger. Vi har også undersøkt hva som hemmer og fremmer kompetanseutvikling i møte med ny digital teknologi. Rapporten bygger på spørreundersøkelser rettet mot både arbeidsgivere og ansatte, utført av Norstat, samt case-studier innenfor næringene helse- og omsorg, industri, varehandel og informasjon og kommunikasjon. I tillegg er flere enn 11 000 stillingsannonser fra Navs stillingsdatabase analysert ved hjelp av KI for å undersøke hva slags digital kompetanse arbeidsgivere etterspør i rekrutteringsprosesser. Rapportens hovedfunn er at jobber i hovedsak endrer innhold, snarere enn å forsvinne som følge av automatisering. De fleste, både blant arbeidsgivere og arbeidstakere, opplever også at virksomhetene henger med i utviklingen. Ansatte ser i hovedsak ut til å møte nye kompetansebehov som oppstår. Samtidig ser vi tendenser til at det blir økende «strekk i laget», særlig med hensyn til kompetanse innen kunstig intelligens. Det er en generell tendens til at ansatte med lav kompetanse er mindre tilbøyelige til å delta i opplæring og til å prøve seg fram. Virksomheter som ser ut til å lykkes best med kompetanseutvikling i møte med digital teknologi lager gode rammer og systemer rundt uformell læring: De bygger opp ansatte med interesse, lærevillighet og et godt kompetansemessig utgangspunkt og lar dem innta mer formaliserte roller, der de kan bidra til å spre læringen i organisasjonen. De kombinerer strategier for å sikre et grunnplan av felles forståelse og kunnskap med spesialiserte utviklingsmuligheter for dem som har behov for spisskompetanse. Vi peker til slutt på at økt digitalisering også innebærer økt sårbarhet. Trusselbildet i det digitale rom og den geopolitiske utviklingen skaper et mer akutt behov for grunnleggende digital kompetanse i det brede lag av befolkningen. Behovet for spesialistkompetanse kan også øke, for å bygge opp europeiske og nasjonale alternativer til amerikanske og kinesiske teknologiplattformer. Etter en lang periode med stabil, institusjonalisert internasjonal utveksling, som gjorde det enkelt for næringsliv og akademia å rekruttere, samarbeide og spesialisere seg på tvers av landegrenser, gir innføring av tollmurer og handelsbarrierer færre muligheter til å lene seg på internasjonal arbeidsdeling. Det gir behov for å definere hva som utgjør «kritisk nasjonal kompetanse», som et supplement til kritisk infrastruktur, og å sørge for at Norge har tilgang på slik kompetanse.

Se alle arbeider i NVA