Assessing User Awareness of the Environmental Impact of GenAI : A Mixed-Methods Approach to Reinforce Sustainable Practices
Authors
Lee, Sehee ; Tomaic, Bruna
Term
4. term
Publication year
2024
Submitted on
2024-05-31
Abstract
Denne afhandling undersøger den digitale miljøpåvirkning fra Generative AI med særligt fokus på ChatGPT og adresserer, i hvilket omfang teknologien bidrager til CO2‑udledninger, hvor bevidste brugere er om dette, og hvordan mere bæredygtig brug kan fremmes. Med udgangspunkt i en problemformulering om miljøpåvirkning, brugerbevidsthed og adfærdsændringer formuleres syv forskningsspørgsmål, der spænder fra estimater af CO2‑aftryk til brugskontekster, mønstre, oplevelsesfaktorer, prompt‑strategier, bevidsthedsniveau og tiltag for at reducere udledninger. Studiet anvender et mixed‑methods design bestående af litteraturgennemgang, spørgeskema og kontekstuel undersøgelse, kombineret med kvantitativ analyse, tematisk analyse samt indholds‑, tekstminings‑ og sentimentsanalyser; inter‑coder pålidelighed vurderes med Cohens kappa. På den baggrund undersøges udbredte brugspraksisser, positive og negative oplevelser samt måder, hvorpå promptformulering kan optimeres, og der udvikles anbefalinger til interface‑design og adfærdsnudging, der kan understøtte mere energieffektiv brug. Afhandlingen fremhæver væsentlige begrænsninger, herunder begrænset transparens i emissionsdata (særligt for ChatGPT), fokus på primært gratis brugere og hurtig teknologisk udvikling, hvilket påvirker generaliserbarheden. De specifikke resultater beskrives ikke i dette uddrag, men studiet sigter mod at skabe et vidensgrundlag om brugerbevidsthed og at omsætte indsigter til praktiske, bæredygtige anbefalinger.
This thesis examines the digital environmental impact of Generative AI with a specific focus on ChatGPT, addressing how the technology contributes to CO2 emissions, how aware users are of this impact, and how more sustainable use can be encouraged. Guided by a problem statement on environmental impact, user awareness, and behavior change, the authors formulate seven research questions spanning emissions estimates, tool usage and contexts, usage patterns, drivers of positive and negative experiences, prompt strategies, awareness levels, and user‑oriented measures to reduce emissions. The study employs a mixed‑methods design combining a literature review, a questionnaire, and a contextual inquiry, analyzed through quantitative statistics, thematic analysis, and content analyses including text mining and sentiment analysis, with inter‑coder reliability assessed via Cohen’s kappa. Based on these methods, it investigates common practices, user experiences, and prompt optimization, and translates insights into interface design ideas and behavior‑nudging recommendations to support lower‑impact use. The thesis acknowledges key limitations—limited transparency in emissions data (especially for ChatGPT), a focus on primarily free users, and rapid technological change—that affect measurement precision and generalizability. While specific numerical findings are not presented in this excerpt, the work aims to build a baseline understanding of user awareness and to produce actionable, sustainability‑oriented guidance.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents