Wat is Kunstmatige Intelligentie (AI)?

Actief leren werkt bij dit onderwerp omdat leerlingen door directe ervaring met AI-processen de abstracte concepten beter eigen maken. Door zelf een model te trainen of een simulatie uit te voeren, zien ze direct hoe data en algoritmen samenwerken, wat de theorie tastbaarder maakt.

• Klas 6 VWO
• Informatica Meesterschap: Van Algoritme tot Maatschappij
• 3 activiteiten
• 30 min–45 min

Leerdoelen

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

Simulatiespel

⏱ 45 min·Kleine groepjes

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'.

Voorbereiding & details

Wat is Kunstmatige Intelligentie en waar kom je het tegen in je dagelijks leven?

Facilitatietip: Laat bij 'De Menselijke Classifier' leerlingen eerst in kleine groepen klasseren voordat ze het proces met AI vergelijken, zodat ze het verschil tussen menselijk oordeel en algoritmische logica duidelijk zien.

Setup: Flexibele ruimte voor verschillende groepsposten

Materials: Rolkaarten met doelen en middelen, Spelmateriaal (zoals fiches of 'valuta'), Rondetracker

• Toepassen
• Analyseren
• Evalueren
• Creëren
• Sociaal Bewustzijn
• Besluitvorming

Onderzoekskring

⏱ 40 min·Duo's

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.

Voorbereiding & details

Kan een computer echt denken zoals een mens?

Facilitatietip: Geef bij het 'Teachable Machine Experiment' expliciet de opdracht om zowel goede als slechte voorbeelden te testen, zodat leerlingen direct ervaren hoe dataset-kwaliteit het resultaat beïnvloedt.

Setup: Groepjes aan tafels met toegang tot bronmateriaal

Materials: Verzameling bronmateriaal, Werkblad onderzoekscyclus, Protocol voor het formuleren van vragen, Format voor de presentatie van bevindingen

• Analyseren
• Evalueren
• Creëren
• Zelfmanagement
• Zelfbewustzijn

Denken-Delen-Uitwisselen

⏱ 30 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.

Voorbereiding & details

Wat zijn voorbeelden van dingen die AI heel goed kan?

Facilitatietip: Stel tijdens 'Bias in de Trainingsset' gerichte vragen om de discussie te sturen, zoals: 'Wat zou er gebeuren als onze trainingsdata alleen uit Nederlandse gezichten bestaat?'

Setup: Standaard lokaalopstelling; leerlingen draaien zich naar hun buurman of buurvrouw

Materials: Discussievraag (geprojecteerd of geprint), Optioneel: invulblad voor tweetallen

• Begrijpen
• Toepassen
• Analyseren
• Zelfbewustzijn
• Relatievaardigheden

Dit onderwerp onderwijzen

Ervaren docenten benadrukken dat leerlingen eerst zelf de stappen van een ML-proces moeten doorlopen voordat abstracte concepten worden uitgelegd. Vermijd daarom te veel uitleg vooraf, maar laat leerlingen ontdekken door te doen. Gebruik voorbeelden uit hun eigen leefwereld, zoals sociale media of navigatie-apps, om de relevantie te vergroten. Zorg voor een veilige omgeving waar fouten maken mag, want dat is essentieel voor het leerproces.

Wat je kunt verwachten

Succesvolle leerlingen kunnen na deze module uitleggen wat het verschil is tussen supervised, unsupervised en reinforcement learning. Ze herkennen tevens valkuilen zoals bias in data en begrijpen waarom contextbegrip niet hetzelfde is als patroonherkenning door een algoritme.

Pas op voor deze misvattingen

Veelvoorkomende misvatting

Tijdens 'De Menselijke Classifier' horen leerlingen soms zeggen dat de computer de afbeeldingen 'begrijpt' alsof hij er betekenis aan geeft.

Wat je in plaats daarvan kunt onderwijzen

Gebruik de vergelijking tussen hoe leerlingen de afbeeldingen klasseren en hoe een algoritme patronen herkent in pixels. Benadruk dat de computer geen context of betekenis begrijpt, maar alleen correlaties vindt, net zoals bij het sorteren van een stapel afbeeldingen op kleur of vorm.

Veelvoorkomende misvatting

Tijdens het 'Teachable Machine Experiment' denken leerlingen dat meer data altijd beter is, zelfs als de data niet representatief is.

Wat je in plaats daarvan kunt onderwijzen

Laat leerlingen experimenteren met een kleine, maar goed gekozen dataset (bijvoorbeeld 10 goede voorbeelden) versus een grote, maar slechte dataset (bijvoorbeeld 1000 vervormde of onduidelijke afbeeldingen). Bespreek daarna in de klas waarom kwaliteit boven kwantiteit gaat.

Toetsideeën

Uitgangskaart

Na 'De Menselijke Classifier' geef je leerlingen een kaartje met een alledaagse technologie, zoals een spamfilter. Ze schrijven op hoe AI hierin een rol speelt en noemen één voorbeeld van data die hiervoor gebruikt kan worden.

Discussievraag

Tijdens 'Bias in de Trainingsset' deel je de klas op in kleine groepen en geef je de opdracht om argumenten te verzamelen voor en tegen de stelling: 'Kan een computer echt denken zoals een mens?'. Laat enkele groepen hun belangrijkste argumenten delen met de hele klas.

Snelle Controle

Na het 'Teachable Machine Experiment' toon je een korte video van een AI-toepassing, zoals gezichtsherkenning. Leerlingen beschrijven in één zin welk type AI-taak hier wordt uitgevoerd en welk type data waarschijnlijk is gebruikt voor de training.

Uitbreidingen & ondersteuning

• Challenge: Laat leerlingen het 'Teachable Machine Experiment' uitbreiden door een eigen dataset te verzamelen en te trainen op een complexere taak, zoals het herkennen van verschillende soorten bladeren.
• Scaffolding: Geef leerlingen die moeite hebben met het concept van supervised learning een stappenplan met visuele hulpmiddelen, zoals een flowchart van het proces.
• Deeper: Onderzoek met de klas hoe reinforcement learning werkt in een simpele game, zoals het leren van een agent om een doolhof op te lossen zonder vooraf gegeven voorbeelden.

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.