Informatica · Klas 6 VWO

Ideeën voor actief leren

Algoritmische Bias en Fair AI

Actieve leeractiviteiten zijn essentieel omdat algoritmische bias abstract blijft zonder concrete voorbeelden. Door leerlingen zelf te laten onderzoeken, debatteren en strategieën te ontwikkelen, wordt de impact van bias voelbaar en inzichtelijk. Dit maakt de lessen direct toepasbaar en relevant voor hun wereldbeeld.

• SLO Kerndoelen en Eindtermen
• SLO: Voortgezet onderwijs - Ethiek
• SLO: Voortgezet onderwijs - Bias

• 25–40 min
• Duo's → Hele klas
• 4 activiteiten

Activiteit 01

• Socratisch gesprek
• 35 min · Kleine groepjes

Groepsonderzoek: Bias in Datasets

Verdeel leerlingen in kleine groepen en geef een dataset met demografische onevenwichtigheden, zoals sollicitatieprofielen. Laat ze patronen analyseren met eenvoudige tools als spreadsheets en bespreken hoe bias AI-voorspellingen beïnvloedt. Sluit af met presentaties van bevindingen.

Analyseer hoe bias in trainingsdata kan leiden tot discriminerende AI-uitkomsten.

Facilitatietip

Geef bij de Groepsonderzoek-activiteit vooraf een korte uitleg over verschillende soorten bias (selectie, meetfouten, historische bias) en vraag groepen om elk een type te onderzoeken.

Waar je op moet letten

Presenteer de klas een casus: een AI die gezichtsherkenning gebruikt voor toegang tot gebouwen, maar slechter werkt voor mensen met een donkere huidskleur. Vraag: 'Welke data-bias ligt hier waarschijnlijk aan ten grondslag? Hoe kunnen we dit oplossen en welke ethische principes zijn hierbij belangrijk?'

• Analyseren
• Evalueren
• Creëren
• Sociaal Bewustzijn
• Relatievaardigheden

Activiteit 02

• Formeel debat
• 25 min · Duo's

Formeel debat: Fair AI vs. Efficiëntie

Formeer pairs voor een debat over prioriteit van fairness tegenover snelheid in AI. Bereid argumenten voor met voorbeelden als COMPAS-software. Laat pairs wisselen en reflecteren op transparantie.

Verklaar de concepten van 'fairness' en 'transparantie' in de context van AI.

Facilitatietip

Stimuleer tijdens het Debat door leerlingen verplichte bronnen te laten gebruiken, zoals wetenschappelijke artikelen over fairness-definities of voorbeelden uit de workshop Bias Mitigatie.

Waar je op moet letten

Laat leerlingen op een kaartje één voorbeeld noteren van hoe algoritmische bias kan leiden tot discriminatie, en één concrete stap die een ontwikkelaar kan nemen om dit te voorkomen. Beoordeel op specificiteit en correctheid van de concepten.

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Besluitvorming

Activiteit 03

• Socratisch gesprek
• 40 min · Kleine groepjes

Workshop: Bias Mitigatie Strategieën

In kleine groepen ontwerpen leerlingen stappenplannen om bias te detecteren, zoals fairness-metrics toepassen. Test op een sample-dataset en evalueer effectiviteit in plenair overleg.

Ontwerp strategieën om algoritmische bias te detecteren en te mitigeren.

Facilitatietip

Laat bij de Workshop Bias Mitigatie Strategieën leerlingen eerst individueel brainstormen over mogelijke oplossingen voordat ze in groepjes samenwerken aan een concreet ontwerp.

Waar je op moet letten

Geef leerlingen een korte beschrijving van een AI-systeem (bv. een aanbevelingsalgoritme voor films). Vraag hen om twee mogelijke bronnen van bias te identificeren en te beargumenteren waarom transparantie in dit specifieke geval belangrijk is.

• Analyseren
• Evalueren
• Creëren
• Sociaal Bewustzijn
• Relatievaardigheden

Activiteit 04

• Socratisch gesprek
• 30 min · Hele klas

Case Study Analyse: Real-World Voorbeelden

Whole class bekijkt video's over bias in AI, zoals Amazon's rekruterings-tool. Noteer oorzaken en oplossingen individueel, bespreek dan in kringvorm.

Analyseer hoe bias in trainingsdata kan leiden tot discriminerende AI-uitkomsten.

Waar je op moet letten

Presenteer de klas een casus: een AI die gezichtsherkenning gebruikt voor toegang tot gebouwen, maar slechter werkt voor mensen met een donkere huidskleur. Vraag: 'Welke data-bias ligt hier waarschijnlijk aan ten grondslag? Hoe kunnen we dit oplossen en welke ethische principes zijn hierbij belangrijk?'

• Analyseren
• Evalueren
• Creëren
• Sociaal Bewustzijn
• Relatievaardigheden

Enkele opmerkingen over deze eenheid onderwijzen

Begin met concrete voorbeelden voordat je theorie over fairness introduceert. Vermijd abstracte definities zonder context. Onderzoek toont aan dat leerlingen beter leren door actief tegenstrijdigheden te ontdekken in datasets dan door alleen uitleg te geven. Gebruik real-world cases om hun kritische blik te trainen, zoals de gezichtsherkenning bij toegangssystemen of sollicitatie-algoritmes.

Succesvolle leerlingen kunnen bias herkennen in datasets, debatteren over ethische afwegingen tussen fairness en efficiëntie en strategieën proposeren om AI-systemen eerlijker te maken. Ze tonen kritisch denken door historische data-onevenwichtigheden te koppelen aan moderne AI-toepassingen.

---

Pas op voor deze misvattingen

• Tijdens de Groepsonderzoek-activiteit Bias in Datasets horen leerlingen vaak zeggen dat AI objectief is omdat het op wiskunde en data gebaseerd is.

  Tijdens de Groepsonderzoek-activiteit laat je leerlingen actief zoeken naar voorbeelden van bias in datasets, zoals onbalans in geslacht of etniciteit. Wijs ze expliciet op hoe deze vooroordelen in de data zitten en hoe AI ze overneemt. Gebruik de gevonden voorbeelden om de misvatting te weerleggen met concrete bewijzen.

• Tijdens de Case Study Analyse real-world voorbeelden horen leerlingen vaak zeggen dat bias alleen komt door programmeerfouten.

  Tijdens de Case Study Analyse vergelijk je historische data met de huidige AI-uitkomsten. Laat leerlingen benoemen welke maatschappelijke of culturele factoren de data hebben beïnvloed, zoals ondervertegenwoordiging van bepaalde groepen in sollicitatiegegevens. Vraag hen om de oorzaak te koppelen aan de data zelf in plaats van aan code.

• Tijdens het Debat Fair AI vs. Efficiëntie zeggen leerlingen vaak dat fairness betekent dat alle groepen dezelfde uitkomsten moeten krijgen.

  Tijdens het Debat geef je leerlingen een voorbeeld waar gelijke kansen (fairness) niet tot identieke resultaten leiden, zoals een algoritme dat sollicitanten eerlijk beoordeelt op vaardigheden in plaats van op achtergrond. Gebruik dit om de definitie van fairness te verduidelijken en laat leerlingen argumenten zoeken die dit principe ondersteunen.

---

Methodes gebruikt in dit overzicht

• Socratisch gesprek
• Formeel debat