Informatica · Klas 6 VWO · Artificial Intelligence en Machine Learning · Periode 4

AI in Games en Aanbevelingen

Leerlingen verkennen hoe AI wordt gebruikt in games om tegenstanders slimmer te maken en in aanbevelingssystemen (bijv. Netflix, YouTube).

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

Over dit onderwerp

In dit onderwerp maken leerlingen kennis met de toepassing van kunstmatige intelligentie (AI) in games en aanbevelingssystemen. Ze onderzoeken hoe AI tegenstanders in games slimmer maakt door patronen in spelersgedrag te herkennen en daarop te reageren, bijvoorbeeld met pathfinding-algoritmes of decision trees. Tegelijkertijd duiken ze in aanbevelingssystemen zoals die van Netflix en YouTube, die films of video's suggereren op basis van kijkgeschiedenis, ratings en collaboratieve filtering.

Dit past perfect bij de SLO-kerndoelen voor kunstmatige intelligentie en toepassingen in het voortgezet onderwijs. Leerlingen beantwoorden kernvragen als: hoe maakt AI games uitdagender en leuker, hoe voorspelt Netflix jouw voorkeuren, en wat zijn de voor- en nadelen van zulke systemen? Ze bespreken voordelen zoals personalisatie en efficiëntie, maar ook nadelen als filterbubbels, privacyrisico's en bias in data.

Actief leren is hier bijzonder waardevol omdat AI-concepten abstract zijn. Door zelf eenvoudige AI-modellen te bouwen of te testen, zoals een basis-aanbevelingssysteem met klasdata, krijgen leerlingen directe feedback op hoe algoritmes werken. Dit maakt patronen tastbaar, stimuleert kritisch denken over ethiek en versterkt begrip van machine learning in de praktijk.

Kernvragen

1. Hoe maakt AI games uitdagender en leuker?
2. Hoe weet Netflix welke films jij misschien leuk vindt?
3. Wat zijn de voor- en nadelen van aanbevelingssystemen?

Leerdoelen

• Vergelijk de werking van pathfinding-algoritmes en decision trees in game AI.
• Analyseer de data-input en output van een eenvoudig aanbevelingssysteem, zoals dat van een streamingdienst.
• Evalueer de ethische implicaties van aanbevelingssystemen, specifiek filterbubbels en privacy.
• Ontwerp een concept voor een aanbevelingssysteem voor een zelfgekozen product of dienst, inclusief de benodigde data.

Voordat je begint

Basisprincipes van Algoritmen

Waarom: Leerlingen moeten begrijpen wat een algoritme is en hoe het stapsgewijs problemen oplost om de werking van AI in games en aanbevelingen te kunnen volgen.

Data en Patronen Herkennen

Waarom: Het herkennen van patronen in data is essentieel voor zowel het begrijpen van hoe AI tegenstanders slimmer maakt als hoe aanbevelingssystemen werken.

Kernbegrippen

Pathfinding	Een algoritme dat de kortste of meest efficiënte route vindt voor een object, zoals een gamekarakter, om van punt A naar punt B te komen.
Decision Tree	Een boomstructuur die beslissingen en hun mogelijke uitkomsten weergeeft, vaak gebruikt om complexe keuzes te modelleren in games of AI.
Collaborative Filtering	Een methode voor aanbevelingssystemen die kijkt naar de voorkeuren van vergelijkbare gebruikers om items aan te bevelen aan een specifieke gebruiker.
Filter Bubble	Een toestand van intellectuele isolatie die kan ontstaan wanneer websites algoritmes gebruiken om informatie te voorspellen waarin een gebruiker het waarschijnlijk eens zal zijn.

Pas op voor deze misvattingen

Veelvoorkomende misvatting

AI in games is altijd perfect en onverslaanbaar.

Wat je in plaats daarvan kunt onderwijzen

AI reageert op patronen, maar faalt bij onverwachte acties; spelers winnen vaak door creativiteit. Actieve simulaties helpen leerlingen dit te zien door zelf AI te testen en zwaktes te ontdekken via trial-and-error.

Veelvoorkomende misvatting

Aanbevelingssystemen kennen je persoonlijk en begrijpen emoties.

Wat je in plaats daarvan kunt onderwijzen

Ze baseren zich op data-patronen, niet op ware voorkeuren, en kunnen biases versterken. Groepsactiviteiten met eigen data maken dit concreet, zodat leerlingen filterbubbels ervaren en discussiëren over privacy.

Veelvoorkomende misvatting

AI-aanbevelingen zijn neutraal en eerlijk.

Wat je in plaats daarvan kunt onderwijzen

Ze weerspiegelen trainingsdata, die vaak biased is. Door systemen na te bouwen met klasdata zien leerlingen direct hoe input uitkomsten stuurt, wat kritisch denken bevordert.

Ideeën voor actief leren

Paarwerk: Eenvoudige Game AI Bouwen

Laat paren in Scratch een basis-AI tegenstander programmeren die reageert op spelerbewegingen met if-then-regels. Test de AI tegen elkaar en pas aan op basis van speelrondes. Sluit af met een korte reflectie op slimmere keuzes.

45 min·Duo's

Groepswerk: Aanbevelingssysteem Simuleren

Verdeel de klas in kleine groepen en geef fictieve kijkdata. Bouw een eenvoudig systeem met spreadsheets of Python om suggesties te genereren via collaborative filtering. Presenteren en vergelijken met echte systemen zoals Netflix.

50 min·Kleine groepjes

Klasactiviteit: Voor- en Nadelen Debat

Verdeel de klas in teams voor en tegen aanbevelingssystemen. Gebruik key questions om argumenten te verzamelen uit eerdere activiteiten. Stem na afloop en bespreek AI-ethiek.

30 min·Hele klas

Individueel: Persoonlijke Filterbubbel Analyse

Laat leerlingen hun YouTube- of Netflix-geschiedenis analyseren en voorspellen wat het algoritme suggereert. Noteer biases en deel één inzicht in een klassikale ronde.

20 min·Individueel

Verbinding met de Echte Wereld

• Game-ontwikkelaars bij studio's zoals Guerrilla Games gebruiken geavanceerde AI-technieken, waaronder pathfinding en gedragsbomen, om realistische en uitdagende NPC's (Non-Player Characters) te creëren in spellen als Horizon Forbidden West.
• Netflix-ingenieurs in Los Gatos, Californië, ontwikkelen en verfijnen continu de aanbevelingsalgoritmes die miljoenen gebruikers dagelijks gepersonaliseerde film- en serie-suggesties bieden, gebaseerd op kijkgedrag en ratings.

Toetsideeën

Uitgangskaart

Geef leerlingen een scenario: 'Een game-AI moet een vijand sturen om de speler te achtervolgen in een doolhof.' Vraag hen om twee AI-technieken te noemen die hiervoor gebruikt kunnen worden en kort uit te leggen hoe ze werken. Vraag ook één voordeel en één nadeel van aanbevelingssystemen te benoemen.

Discussievraag

Start een klassengesprek met de vraag: 'Stel je voor dat je een aanbevelingssysteem bouwt voor schoolboeken. Welke data zou je verzamelen en hoe zou je ervoor zorgen dat leerlingen niet alleen boeken krijgen die ze al kennen?' Moedig discussie aan over bias en diversiteit in aanbevelingen.

Snelle Controle

Toon een korte video van een game met intelligente vijanden of een demonstratie van een aanbevelingssysteem. Vraag leerlingen om via een poll of korte notitie aan te geven welke AI-concepten ze herkennen en hoe deze de gebruikerservaring beïnvloeden.

Veelgestelde vragen

Hoe werkt AI in games om tegenstanders slimmer te maken?

AI gebruikt algoritmes zoals decision trees of neurale netwerken om spelersgedrag te voorspellen en te reageren, bijvoorbeeld door optimale paden te kiezen of strategieën aan te passen. In lessen kun je dit demonstreren met tools als Unity of Scratch, waar leerlingen zelf AI-logica bouwen en testen op uitdagingsniveau.

Wat zijn de voor- en nadelen van aanbevelingssystemen zoals Netflix?

Voordelen zijn personalisatie en gebruiksgemak door collaboratieve filtering op kijkdata. Nadelen omvatten filterbubbels die diversiteit beperken, privacy-inbreuk en bias. Activiteiten zoals data-analyse helpen leerlingen deze balans te begrijpen en ethische implicaties te bespreken.

Hoe kan actief leren helpen bij het begrijpen van AI in games en aanbevelingen?

Actief leren maakt abstracte AI tastbaar via hands-on bouwen van modellen, zoals game-AI in Scratch of eenvoudige recommenders met spreadsheets. Leerlingen ervaren patronen direct, testen biases en debatteren nadelen, wat diep begrip en kritisch denken versterkt in lijn met SLO-doelen.

Hoe integreer ik dit topic in de VWO-informatica les?

Koppel aan programmeerlessen met Python of Scratch voor AI-simulaties, gevolgd door ethiek-discussies. Gebruik key questions voor differentiatie en sluit af met reflectie op maatschappelijke impact, passend bij kerndoelen voor KI-toepassingen.