Informatica · Klas 4 VWO

Ideeën voor actief leren

Machine Learning: Basisprincipes

Actief leren werkt goed voor machine learning omdat leerlingen abstracte concepten zoals patronenherkenning en bias het beste begrijpen door ze zelf te ervaren. Door data te manipuleren en modellen te testen, ontdekken ze direct hoe algoritmen werken zonder dat het abstract blijft.

• SLO Kerndoelen en Eindtermen
• SLO: Voortgezet - Kunstmatige Intelligentie
• SLO: Voortgezet - Machine Learning

• 20–45 min
• Duo's → Hele klas
• 4 activiteiten

Activiteit 01

• Onderzoekskring
• 30 min · Duo's

Paarwerk: Supervised vs Unsupervised

Deel eenvoudige datasets uit: gelabelde voor spamdetectie en ongelabelde voor fruitclustering. Laat paren patronen identificeren en classificeren zonder computer. Discussieer verschillen en noteer observaties.

Differentiëer tussen een geprogrammeerd algoritme en een zelflerend machine learning model.

Facilitatietip

Zorg dat de paren bij de eerste activiteit een duidelijke dataset krijgen met zowel gelabelde als ongelabelde voorbeelden om de verschillen tastbaar te maken.

Waar je op moet letten

Stel leerlingen de vraag: 'Geef een voorbeeld van een situatie waarin je supervised learning zou gebruiken en een situatie voor unsupervised learning. Leg kort uit waarom jouw keuze passend is.' Verzamel de antwoorden op kaartjes of via een digitaal formulier.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Activiteit 02

• Onderzoekskring
• 45 min · Kleine groepjes

Small Groups: Bias Simulatie

Geef groepen een trainingsdataset met genderbias in sollicitaties. Train een simpel model via Google Sheets of Scratch. Analyseer output en pas data aan om bias te verminderen, presenteer bevindingen.

Verklaar het verschil tussen supervised en unsupervised learning met concrete voorbeelden.

Facilitatietip

Geef tijdens de bias-simulatie groepen verschillende datasets met opvallende scheefheden, zodat de impact van bias direct zichtbaar wordt.

Waar je op moet letten

Presenteer de volgende casus: 'Een bedrijf gebruikt een algoritme om te beslissen welke nieuwsartikelen aan gebruikers worden getoond. De trainingsdata bevatten voornamelijk artikelen over sport en politiek uit traditionele media.' Vraag: 'Welke problemen kunnen hierdoor ontstaan met betrekking tot bias? Welke groepen gebruikers worden mogelijk benadeeld en waarom?' Leid een klassengesprek hierover.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Activiteit 03

• Onderzoekskring
• 40 min · Hele klas

Whole Class: ML Demo met Teachable Machine

Demonstreer live een model trainen op gebaren. Laat klas stemmen op voorspellingen. Bespreken hoe data het model beïnvloedt en experimenteer met eigen data-invoer.

Analyseer hoe vooroordelen in trainingsdata kunnen leiden tot discriminerende algoritmen.

Facilitatietip

Laat bij de Teachable Machine-demonstratie de hele klas meekijken terwijl je een model traint met een eenvoudige dataset, zodat iedereen het proces stap voor stap ziet.

Waar je op moet letten

Laat leerlingen op een briefje de volgende twee vragen beantwoorden: 1. Wat is het belangrijkste verschil tussen een geprogrammeerd algoritme en een machine learning model? 2. Noem één risico van het gebruik van bevooroordeelde data bij het trainen van een machine learning model.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Activiteit 04

• Onderzoekskring
• 20 min · Individueel

Individueel: Reflectie op Voorbeelden

Leerlingen kiezen een dagelijks voorbeeld (bv. Netflix-aanbevelingen) en schrijven of het supervised of unsupervised is, met uitleg van data-gebruik.

Differentiëer tussen een geprogrammeerd algoritme en een zelflerend machine learning model.

Waar je op moet letten

Stel leerlingen de vraag: 'Geef een voorbeeld van een situatie waarin je supervised learning zou gebruiken en een situatie voor unsupervised learning. Leg kort uit waarom jouw keuze passend is.' Verzamel de antwoorden op kaartjes of via een digitaal formulier.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Enkele opmerkingen over deze eenheid onderwijzen

Leer leerlingen niet alleen de theorie, maar laat ze ervaren hoe statistiek en data de basis vormen van machine learning. Vermijd technisch jargon in het begin en focus op herkenbare voorbeelden. Onderzoek toont aan dat leerlingen die zelf data verzamelen en modellen testen, deze concepten beter vasthouden dan wanneer ze alleen luisteren naar uitleg.

Succesvolle leerlingen kunnen supervised en unsupervised learning met concrete voorbeelden uitleggen en herkennen in dagelijkse toepassingen. Ze kunnen bias in data benoemen en uitleggen hoe dit de uitkomsten van een model beïnvloedt.

---

Pas op voor deze misvattingen

• Tijdens de activiteit Paarwerk: Supervised vs Unsupervised denken leerlingen dat machine learning pure magie is zonder wiskunde.

  Geef de paren een kleine dataset met herhalende patronen en laat ze handmatig tellen hoe vaak een patroon voorkomt. Vraag ze daarna om het model te trainen en te observeren hoe het algoritme zelf patronen ontdekt, waardoor ze zien dat het gebaseerd is op herkenning en telling, geen tovenarij.

• Tijdens de activiteit Paarwerk: Supervised vs Unsupervised denken leerlingen dat supervised learning altijd beter is dan unsupervised.

  Laat de paren na afloop van de activiteit een voorbeeld bedenken waarin unsupervised learning (zoals klantsegmentatie) beter werkt dan supervised. Bespreek klassikaal waarom context en beschikbare data bepalen welke methode geschikt is.

• Tijdens de activiteit Small Groups: Bias Simulatie denken leerlingen dat trainingsdata altijd neutraal is.

  Laat de groepen tijdens de activiteit een biased dataset aanpassen door bewust bepaalde groepen onder- of over te representeren. Vraag ze daarna om het model te evalueren op een testset en bespreek hoe de bias doorwerkt in de voorspellingen.

---

Methodes gebruikt in dit overzicht

• Onderzoekskring