Naturresurser: Förnybara och icke-förnybara
Eleverna klassificerar olika naturresurser och diskuterar deras tillgänglighet och användning.
Nyckelfrågor
- Differentiara mellan förnybara och icke-förnybara naturresurser med exempel.
- Analysera hur en ökad global befolkning påverkar efterfrågan på naturresurser.
- Bedöm konsekvenserna av överutnyttjande av icke-förnybara resurser.
Skolverket Kursplaner
Om detta ämne
Big Data handlar om de enorma mängder information som genereras varje sekund och hur vi kan använda mönsterigenkänning för att förstå den. I årskurs 8 kopplas detta till kursplanens mål om digitala verktyg för databehandling och hur teknikval får konsekvenser för samhället. Eleverna får lära sig att data i sig är neutral, men att analysen av den kan användas för allt från att förutsäga epidemier till att rikta politisk reklam.
Genom att arbeta med mönsterigenkänning tränar eleverna sin förmåga att se samband i komplex information. Detta är en nyckelkompetens i en tid där algoritmer fattar allt fler beslut åt oss. Ämnet blir särskilt engagerande när eleverna får prova på att vara 'mänskliga algoritmer' och försöka hitta dolda trender i stora pappershögar med anonymiserad data.
Idéer för aktivt lärande
Utforskande cirkel: Data-detektiverna
Eleverna får stora mängder 'skräpdata' (t.ex. kvitton eller fiktiva loggar). De ska i grupper försöka hitta mönster: Vilken tid handlar folk mest? Finns det samband mellan väder och inköp?
EPA (Enskilt-Par-Alla): Algoritmernas filterbubblor
Eleverna reflekterar över sina egna flöden i sociala medier. De diskuterar i par hur mönsterigenkänning avgör vad de ser och vilka röster som eventuellt sorteras bort.
Simuleringsövning: Träna en analog algoritm
Eleverna ska 'träna' en klasskamrat att känna igen en specifik typ av teckning genom att bara visa exempel och ge feedback (ja/nej), för att förstå hur mönsterigenkänning fungerar utan programmering.
Se upp för dessa missuppfattningar
Vanlig missuppfattningAtt mer data alltid leder till bättre beslut.
Vad man ska lära ut istället
Om datan är vinklad eller av dålig kvalitet blir besluten felaktiga (garbage in, garbage out). Genom att ge eleverna ofullständig data kan de själva se hur felaktiga slutsatser dras.
Vanlig missuppfattningAtt mönsterigenkänning är samma sak som sanning.
Vad man ska lära ut istället
Korrelation innebär inte alltid kausalitet. Bara för att två saker händer samtidigt betyder det inte att den ena orsakar den andra, vilket bäst belyses genom absurda exempel på statistiska samband.
Föreslagen metodik
Redo att undervisa i detta ämne?
Skapa ett komplett uppdrag för aktivt lärande, redo för klassrummet, på bara några sekunder.
Vanliga frågor
Vad är skillnaden mellan vanlig statistik och Big Data?
Hur används Big Data i den svenska välfärden?
Är Big Data farligt för demokratin?
Hur kan aktivt lärande hjälpa elever att förstå datamängder?
Planeringsmallar för Vår föränderliga värld: Geografi
Mer i Resurser och hållbar utveckling
Vatten som livsnödvändig resurs
Eleverna undersöker den globala tillgången på sötvatten, dess användning och utmaningar med vattenbrist.
3 methodologies
Vattenkonflikter och internationellt samarbete
Eleverna analyserar hur kampen om vatten kan leda till konflikter och behovet av internationellt samarbete.
3 methodologies
Energikällor: Fossila bränslen och kärnkraft
Eleverna studerar icke-förnybara energikällor, deras utvinning, användning och miljöpåverkan.
3 methodologies
Förnybara energikällor
Eleverna undersöker olika förnybara energikällor som sol, vind, vatten och biobränslen, samt deras potential och utmaningar.
3 methodologies
Livsmedelsproduktion och globala utmaningar
Eleverna studerar hur mat produceras globalt, utmaningar med livsmedelsförsörjning och miljöpåverkan från jordbruket.
3 methodologies