Informatica · Klas 5 VWO

Ideeën voor actief leren

AI en Beslissingen Nemen

Actief leren werkt bij dit onderwerp omdat leerlingen door ervaring begrijpen hoe AI werkt. Door zelf beslissingen te nemen via algoritmes en patronen te herkennen, ervaren ze de beperkingen en mogelijkheden van AI-systemen in plaats van alleen theorie te leren.

SLO Kerndoelen en EindtermenSLO: Onderbouw - Kunstmatige IntelligentieSLO: Onderbouw - Ethiek
30–50 minDuo's → Hele klas4 activiteiten

Activiteit 01

Socratisch gesprek45 min · Kleine groepjes

Debatcirkel: AI Voordelen vs Nadelen

Verdeel de klas in voor- en tegenstanders van AI-beslissingen in de zorg. Elke groep bereidt drie argumenten voor met voorbeelden. Wissel rollen na 10 minuten en debatteer plenair.

Hoe neemt een AI-systeem een beslissing?

FacilitatietipZorg bij het rollenspel dat de feiten van de casus duidelijk zijn en laat leerlingen eerst individueel nadenken voordat ze in discussie gaan.

Waar je op moet lettenPresenteer de klas een casus waarin een AI een beslissing neemt met negatieve gevolgen (bv. een ontslagbeslissing gebaseerd op algoritmes). Laat leerlingen in kleine groepen discussiëren: Wie is primair verantwoordelijk voor de fout? De programmeur, het bedrijf dat de AI implementeert, of de AI zelf? Waarom?

AnalyserenEvaluerenCreërenSociaal BewustzijnRelatievaardigheden
Volledige les genereren

Activiteit 02

Rollenspel50 min · Kleine groepjes

Rollenspel: AI Fout in de Rechtbank

Leerlingen spelen rollen als AI-ontwikkelaar, slachtoffer en rechter bij een foutieve AI-beslissing. Ze argumenteren over verantwoordelijkheid en noteren conclusies. Bespreken in kring.

Wat zijn de voordelen en nadelen van AI die beslissingen neemt?

FacilitatietipGeef bij de casestudie over zelfrijdende auto’s een realistische dataset mee, zoals verkeersstatistieken, zodat leerlingen kunnen zien hoe data tot beslissingen leidt.

Waar je op moet lettenGeef leerlingen een kaartje met de vraag: 'Noem één voordeel en één nadeel van AI die beslissingen neemt in een specifieke sector (bv. gezondheidszorg, onderwijs). Geef vervolgens een voorbeeld van hoe bias in data tot een oneerlijke uitkomst kan leiden.'

ToepassenAnalyserenEvaluerenSociaal BewustzijnZelfbewustzijn
Volledige les genereren

Activiteit 03

Socratisch gesprek40 min · Kleine groepjes

Casestudie Analyse: Zelfrijdende Auto

Geef groepjes een casus over een AI-auto-ongeluk. Ze identificeren data-invoer, beslissingsproces en gevolgen. Presenteren aan de klas met aanbevelingen voor verbetering.

Wie is verantwoordelijk als een AI-systeem een fout maakt?

FacilitatietipLaat bij het bouwen van de beslissingsboom leerlingen eerst een eenvoudig voorbeeld maken met pen en papier voordat ze overgaan op digitale tools.

Waar je op moet lettenStel leerlingen de vraag: 'Hoe verschilt de manier waarop een AI een beslissing neemt van hoe een mens een beslissing neemt in een vergelijkbare situatie?' Vraag hen om minimaal twee verschillen te noteren en kort toe te lichten.

AnalyserenEvaluerenCreërenSociaal BewustzijnRelatievaardigheden
Volledige les genereren

Activiteit 04

Socratisch gesprek30 min · Duo's

Beslissingsboom Bouwen: Eenvoudige AI

Individueel of in paren tekenen leerlingen een beslissingsboom voor een AI die leningen goedkeurt. Voeg bias-factoren toe en bespreek ethische implicaties.

Hoe neemt een AI-systeem een beslissing?

FacilitatietipStel bij de debatcirkel eerst een duidelijke stelling op en geef leerlingen tijd om hun argumenten te ordenen voordat ze aan het debat beginnen.

Waar je op moet lettenPresenteer de klas een casus waarin een AI een beslissing neemt met negatieve gevolgen (bv. een ontslagbeslissing gebaseerd op algoritmes). Laat leerlingen in kleine groepen discussiëren: Wie is primair verantwoordelijk voor de fout? De programmeur, het bedrijf dat de AI implementeert, of de AI zelf? Waarom?

AnalyserenEvaluerenCreërenSociaal BewustzijnRelatievaardigheden
Volledige les genereren

Enkele opmerkingen over deze eenheid onderwijzen

Ervaren docenten benadrukken dat leerlingen eerst zelf moeten ervaren hoe AI werkt voordat ze ethische vraagstukken kunnen bediscussiëren. Gebruik concrete voorbeelden uit hun eigen leven, zoals aanbevelingen op sociale media of navigatiesystemen, om abstracte concepten tastbaar te maken. Vermijd het direct uitleggen van complexe algoritmes; focus op het proces van data naar beslissing. Onderzoek toont aan dat leerlingen beter leren door zelf te experimenteren dan door passief luisteren.

Succesvol leren ziet u wanneer leerlingen niet alleen de stappen van AI-besluitvorming kunnen uitleggen, maar ook de ethische en praktische gevolgen kunnen benoemen. Ze kunnen bias herkennen, verantwoordelijkheid toewijzen en hun eigen standpunt onderbouwen met voorbeelden.

Pas op voor deze misvattingen

  • Tijdens de debatcirkel ‘AI Voordelen vs Nadelen’ denken leerlingen vaak dat AI net als mensen redeneert.

    Tijdens het rollenspel ‘AI Fout in de Rechtbank’ laat u leerlingen expliciet een AI-beslissing naspelen en vergelijken met menselijke intuïtie, zodat ze het verschil tussen statistische patronen en menselijk begrip ervaren.

  • Tijdens de casestudie Analyse van zelfrijdende auto’s gaan leerlingen ervan uit dat AI-beslissingen altijd objectief en eerlijk zijn.

    Tijdens de groepsdiscussie over bias in trainingsdata gebruikt u de dataset van de casus om leerlingen zelf te laten ontdekken hoe historische data tot oneerlijke uitkomsten kan leiden, zoals bij gezichtsherkenning.

  • Tijdens het rollenspel ‘AI Fout in de Rechtbank’ denken leerlingen dat de AI zelf verantwoordelijk is voor een fout.

    Tijdens de debatcirkel laat u leerlingen discussiëren over de keten van verantwoordelijkheid door hen te vragen wie de aansprakelijkheid draagt bij een AI-fout en waarom, met voorbeelden uit hun rollenspel.

Methodes gebruikt in dit overzicht

Meer in Kunstmatige Intelligentie en Maatschappij

Inleiding tot Kunstmatige Intelligentie

Leerlingen maken kennis met de geschiedenis, definities en verschillende benaderingen van Kunstmatige Intelligentie (AI).

2 methodologies

Machine Learning Basisprincipes

Leerlingen begrijpen de kernconcepten van Machine Learning, inclusief supervised, unsupervised en reinforcement learning.

2 methodologies

AI in het Dagelijks Leven

Leerlingen herkennen voorbeelden van Kunstmatige Intelligentie (AI) in hun dagelijks leven en begrijpen de basisprincipes ervan.

2 methodologies

Data voor Machine Learning: Kwaliteit en Bias

Leerlingen onderzoeken het belang van datakwaliteit en de impact van bias in trainingsdata op de prestaties van ML-modellen.

2 methodologies

Algoritmische Bias en Eerlijkheid

Leerlingen onderzoeken de ethische implicaties van algoritmische bias en de zoektocht naar eerlijke AI-systemen.

2 methodologies