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

Wat is Kunstmatige Intelligentie (AI)?

Leerlingen krijgen een basisintroductie tot AI en begrijpen dat het gaat om computers die taken kunnen uitvoeren die menselijke intelligentie vereisen.

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

Over dit onderwerp

Machine Learning (ML) is de drijvende kracht achter moderne innovaties, van aanbevelingsalgoritmen tot medische diagnoses. In deze module maken VWO 6-leerlingen kennis met de grondslagen van AI zonder te verdrinken in zware calculus. Ze verkennen het verschil tussen supervised learning (leren van gelabelde data), unsupervised learning (patronen zoeken) en reinforcement learning (leren door beloning). Dit sluit aan bij de nieuwe SLO-doelen voor Kunstmatige Intelligentie.

De nadruk ligt op het begrijpen van het proces: van data-verzameling en training tot evaluatie en bias. Leerlingen leren dat een model slechts zo goed is als de data die het krijgt. Dit onderwerp is essentieel voor hun digitale geletterdheid; het stelt hen in staat om kritisch te kijken naar de 'zwarte doos' van AI. Actieve werkvormen waarbij leerlingen zelf modellen trainen en testen, maken de abstracte concepten van neurale netwerken tastbaar.

Kernvragen

1. Wat is Kunstmatige Intelligentie en waar kom je het tegen in je dagelijks leven?
2. Kan een computer echt denken zoals een mens?
3. Wat zijn voorbeelden van dingen die AI heel goed kan?

Leerdoelen

• Classificeer verschillende AI-toepassingen op basis van hun primaire functie (bijvoorbeeld classificatie, regressie, clustering).
• Vergelijk de werking van supervised, unsupervised en reinforcement learning met concrete voorbeelden.
• Leg uit hoe bias in data kan leiden tot oneerlijke of onjuiste AI-uitkomsten.
• Demonstreer met een simpel voorbeeld hoe een AI-model getraind wordt met behulp van data.

Voordat je begint

Basiskennis van Algoritmen en Programmeren

Waarom: Leerlingen moeten begrijpen wat een algoritme is en hoe instructies worden uitgevoerd om de basis van AI-modellen te kunnen volgen.

Data-analyse en Visualisatie

Waarom: Een basisbegrip van hoe data wordt verzameld, georganiseerd en geïnterpreteerd is essentieel om het belang van data voor AI te snappen.

Kernbegrippen

Kunstmatige Intelligentie (AI)	Het vermogen van computersystemen om taken uit te voeren die normaal gesproken menselijke intelligentie vereisen, zoals leren, probleemoplossing en patroonherkenning.
Machine Learning (ML)	Een subset van AI die computersystemen in staat stelt te leren van data zonder expliciet geprogrammeerd te zijn, door patronen te herkennen en voorspellingen te doen.
Algoritme	Een reeks instructies of regels die een computer volgt om een specifieke taak uit te voeren of een probleem op te lossen.
Data	Informatie, vaak in numerieke of tekstuele vorm, die wordt gebruikt om AI-modellen te trainen en te evalueren.
Bias	Een systematische vertekening in data of algoritmen die kan leiden tot oneerlijke of discriminerende uitkomsten.

Pas op voor deze misvattingen

Veelvoorkomende misvatting

AI 'begrijpt' de wereld zoals mensen dat doen.

Wat je in plaats daarvan kunt onderwijzen

Leg uit dat ML-modellen wiskundige patronen en correlaties herkennen in getallen, zonder werkelijk begrip van context of oorzakelijkheid. Gebruik voorbeelden van grappige AI-fouten om dit te illustreren.

Veelvoorkomende misvatting

Meer data leidt altijd tot een beter model.

Wat je in plaats daarvan kunt onderwijzen

Verduidelijk dat slechte kwaliteit data (garbage in, garbage out) of niet-representatieve data het model juist slechter of bevooroordeeld maakt. Actieve discussie over dataset-selectie helpt dit inzicht te versterken.

Ideeën voor actief leren

Simulatiespel: De Menselijke Classifier

Leerlingen krijgen een stapel foto's van 'vreemde objecten'. Een groepje fungeert als het algoritme en moet regels bedenken om ze te sorteren. Een andere groep voert de regels uit op nieuwe data om te zien of het model 'generaliseert' of 'overfit'.

45 min·Kleine groepjes

Onderzoekskring: Teachable Machine Experiment

Gebruik Google's Teachable Machine. Leerlingen trainen in duo's een model om handgebaren of objecten te herkennen. Ze onderzoeken vervolgens opzettelijk hoe ze het model kunnen laten falen door de achtergrond of belichting te veranderen.

40 min·Duo's

Denken-Delen-Uitwisselen: Bias in de Trainingsset

Presenteer een dataset voor een sollicitatie-AI die historisch bevooroordeeld is. Leerlingen analyseren individueel waar de bias zit, bespreken in paren hoe dit het algoritme beïnvloedt en stellen manieren voor om de dataset te balanceren.

30 min·Duo's

Verbinding met de Echte Wereld

• In de gezondheidszorg gebruiken radiologen AI-gestuurde systemen om medische beelden zoals röntgenfoto's en MRI-scans te analyseren, wat helpt bij het sneller detecteren van afwijkingen zoals tumoren.
• Streamingdiensten zoals Netflix en Spotify gebruiken AI-algoritmen om kijk- en luistergedrag te analyseren en gepersonaliseerde aanbevelingen te doen voor films, series en muziek.
• Zelfrijdende auto's, ontwikkeld door bedrijven als Waymo en Tesla, vertrouwen op AI om hun omgeving waar te nemen, beslissingen te nemen en veilig door het verkeer te navigeren.

Toetsideeën

Uitgangskaart

Geef leerlingen een kaartje met een alledaagse technologie (bijvoorbeeld een smartphone-assistent, een navigatie-app, een spamfilter). Vraag hen om één zin uit te leggen hoe AI hierin een rol speelt en één voorbeeld te geven van data die hiervoor gebruikt kan worden.

Discussievraag

Stel de vraag: 'Kan een computer echt denken zoals een mens?' Laat leerlingen in kleine groepen discussiëren en argumenten verzamelen voor en tegen. Vraag vervolgens een paar groepen om hun belangrijkste argumenten te delen met de klas.

Snelle Controle

Toon een korte video of afbeelding van een AI-toepassing (bijvoorbeeld gezichtsherkenning). Vraag leerlingen om in één zin te beschrijven welk type AI-taak hier wordt uitgevoerd (bijvoorbeeld classificatie van gezichten) en welk type data waarschijnlijk is gebruikt voor de training.

Veelgestelde vragen

Moeten leerlingen zelf neurale netwerken programmeren?

Nee, op VWO-niveau gaat het om het conceptuele begrip en het kunnen gebruiken van bestaande tools of bibliotheken. De focus ligt op de logica van het leerproces en de maatschappelijke implicaties.

Hoe kan actieve werkvormen helpen bij het begrijpen van AI?

Door zelf een model te trainen (bijv. met Teachable Machine), ervaren leerlingen direct hoe gevoelig AI is voor de inputdata. Het fysiek naspelen van een beslisboom of neuraal netwerk maakt de 'magie' achter de code inzichtelijk.

Wat is het verschil tussen AI en Machine Learning?

AI is het brede veld van computers die mensachtige taken uitvoeren. Machine Learning is een specifieke deelverzameling waarbij computers zelf patronen leren uit data in plaats van dat ze expliciet geprogrammeerd worden.

Hoe evalueer je de nauwkeurigheid van een model?

Leerlingen leren werken met concepten als een 'test set' en 'training set'. Ze ontdekken dat een model dat 100% scoort op de trainingsdata vaak 'overfit' is en slecht presteert in de echte wereld.