Informatica · Klas 5 VWO

Ideeën voor actief leren

Machine Learning Basisprincipes

Actief leren werkt bij dit onderwerp omdat machine learning abstracte concepten zoals data, algoritmes en iteratief leren vereist om zichtbaar en voelbaar te worden. Door leerlingen zelf datasets te laten aanraken, modellen te laten trainen en resultaten te laten evalueren, doorgronden zij de kern van hoe AI werkt, in plaats van alleen definities te onthouden.

• SLO Kerndoelen en Eindtermen
• SLO: Voortgezet onderwijs - Kunstmatige Intelligentie
• SLO: Voortgezet onderwijs - Analyse

• 25–45 min
• Duo's → Hele klas
• 4 activiteiten

Activiteit 01

• Onderzoekskring
• 30 min · Duo's

Classificatiegame: Supervised vs Unsupervised

Deel kaarten met eigenschappen uit (bijv. dierensoorten). In paren labelen leerlingen data voor supervised learning, dan groeperen ze zonder labels voor unsupervised. Bespreek verschillen en nauwkeurigheid na 10 minuten.

Wat is het verschil tussen menselijk leren en algoritmisch leren?

Facilitatietip

Tijdens de Classificatiegame: geef leerlingen eerst een korte uitleg van wat gelabelde en ongelabelde data inhouden voordat ze de datasets sorteren.

Waar je op moet letten

Geef leerlingen een korte casus (bijvoorbeeld: 'Een app die gezichtsherkenning gebruikt om foto's te taggen'). Vraag hen om te bepalen welk type machine learning (supervised, unsupervised, reinforcement) hier waarschijnlijk voor wordt gebruikt en waarom, en benoem één mogelijke uitdaging bij de dataverzameling.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Activiteit 02

• Onderzoekskring
• 45 min · Kleine groepjes

Workflow Relay: ML Stappen

Verdeel de klas in kleine groepen. Elke groep krijgt een stap in de ML-workflow (data, trainen, etc.) en bereidt een demo voor. Groepen presenteren in volgorde en lossen elkaars fouten op.

Verklaar de basisprincipes van supervised, unsupervised en reinforcement learning.

Facilitatietip

Bij de Workflow Relay: druk het belang van iteratief testen uit door leerlingen hun stappen fysiek te laten herhalen tot het model voldoet aan een simpele eis.

Waar je op moet letten

Start een klassengesprek met de vraag: 'Stel, we willen een algoritme maken dat voorspelt of een student slaagt voor het VWO examen op basis van hun cijfers en huiswerk. Welke stappen zouden we moeten doorlopen in de machine learning workflow, en welke uitdagingen kunnen we tegenkomen bij elke stap?'

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Activiteit 03

• Onderzoekskring
• 40 min · Hele klas

Reinforcement Simulatie: Maze Runner

Gebruik een online maze-game of fysiek doolhof. Leerlingen sturen een 'agent' met regels voor beloningen/straffen. Pas regels aan en evalueer prestaties in hele klas.

Analyseer de typische stappen in een machine learning workflow.

Facilitatietip

Tijdens de Reinforcement Simulatie: moedig leerlingen aan om eerst een slecht pad te laten lopen voordat ze beloningen begrijpen, om het trial-and-error proces tastbaar te maken.

Waar je op moet letten

Presenteer drie korte beschrijvingen van machine learning taken (bv. 'het groeperen van nieuwsartikelen op onderwerp', 'het herkennen van handgeschreven cijfers', 'een robot leren lopen'). Vraag leerlingen om voor elke taak aan te geven welk type learning het meest geschikt is en waarom.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Activiteit 04

• Onderzoekskring
• 25 min · Individueel

Dataset Analyse: Eigen Voorbeelden

Individueel selecteren leerlingen een dataset (bijv. Iris). Identificeer supervised/unsupervised toepassingen en noteer workflow-stappen. Deel in kleine groepen.

Wat is het verschil tussen menselijk leren en algoritmisch leren?

Facilitatietip

Bij de Dataset Analyse: laat leerlingen hun eigen voorbeelden vergelijken met bestaande datasets om de kwaliteit en bruikbaarheid van data te beoordelen.

Waar je op moet letten

Geef leerlingen een korte casus (bijvoorbeeld: 'Een app die gezichtsherkenning gebruikt om foto's te taggen'). Vraag hen om te bepalen welk type machine learning (supervised, unsupervised, reinforcement) hier waarschijnlijk voor wordt gebruikt en waarom, en benoem één mogelijke uitdaging bij de dataverzameling.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Enkele opmerkingen over deze eenheid onderwijzen

Ervaren docenten benadrukken dat leerlingen eerst de workflow van data naar model moeten doorlopen voordat abstracte concepten worden behandeld. Vermijd te veel theorie vooraf; laat leerlingen ontdekken door te falen en opnieuw te proberen. Gebruik vergelijkingen met menselijke leerprocessen om verschillen duidelijk te maken, maar vermijd de valkuil om AI te antropomorfiseren.

Succesvolle leerlingen herkennen na deze activiteiten het verschil tussen supervised, unsupervised en reinforcement learning in praktische voorbeelden. Zij kunnen uitleggen waarom een bepaalde aanpak geschikt is voor een gegeven probleem en benoemen minstens één uitdaging in de workflow van data naar model.

---

Pas op voor deze misvattingen

• Tijdens de Workflow Relay kijken leerlingen soms alsof machine learning magie is zonder wiskunde.

  Gebruik deze activiteit om leerlingen de iteratieve aard van foutenminimalisatie te laten zien met behulp van eenvoudige berekeningen, zoals gemiddelden of foutenpercentages, op een whiteboard.

• Tijdens de Classificatiegame denken leerlingen dat supervised learning altijd beter is dan unsupervised.

  Laat leerlingen tijdens deze activiteit ervaren hoe unsupervised learning patronen ontdekt in ongelabelde data, zoals het groeperen van klanten zonder voorafgaande labels.

• Tijdens de Reinforcement Simulatie vergelijken leerlingen machine learning met menselijk leren.

  Gebruik deze activiteit om leerlingen te laten ervaren hoe algoritmisch leren afhankelijk is van beloningen en iteraties, zonder intuïtie of context, door hun eigen padkeuzes te vergelijken met die van het algoritme.

---

Methodes gebruikt in dit overzicht

• Onderzoekskring