Teknik · Årskurs 4

Idéer för aktivt lärande

Beslutsfattande med data

Aktiva upplevelser hjälper eleverna att förstå abstrakta koncept som bias och GIGO, eftersom de själva får uppleva hur data formar beslut. När de bygger egna algoritmer och testar dem med olika data, får de konkreta bevis för hur beslutsfattande med data fungerar i praktiken.

• Skolverket Kursplaner
• Lgr22: Teknik 4-6, Centralt innehåll, Teknik och samhälle, Digitala system, Hur digitala system påverkar människans val
• Lgr22: Teknik 4-6, Centralt innehåll, Teknik och samhälle, Teknik och samhälle, Konsekvenser av teknikval

• 20–45 min
• Par → Hela klassen
• 4 aktiviteter

Aktivitet 01

• Beslutsmatris
• 45 min · Smågrupper

Stationsrotation: Rekommendationssimulering

Upplägg fyra stationer: lyssningshistorik (kort med låtar), rekommendation (matcha baserat på data), bias (partiska kortlekar), GIGO (felaktiga data ger tokiga förslag). Grupper roterar var 10:e minut och noterar observationer.

Hur vet en musiktjänst vilken låt du vill höra härnäst?

Handledningstips

I Rekommendationssimuleringen, låt eleverna skapa flera korta algoritmer för att se hur små förändringar i data ger olika utfall.

Vad att leta efter

Ge eleverna ett kort där de ska svara på: 1. Ge ett exempel på en rekommendation du fått från en digital tjänst. 2. Vilken typ av data tror du tjänsten använde för att ge dig den rekommendationen? 3. Vad kan hända om tjänsten bara använde data från en liten grupp människor?

• Analysera
• Utvärdera
• Skapa
• Beslutsfattande
• Självreglering

Aktivitet 02

• Beslutsmatris
• 30 min · Par

Pararbete: Data-bias jakt

Dela ut scenarier som jobbannonser eller spellistor med biased data. Paren identifierar orättvisor, föreslår bättre data och testar i rollspel. Avsluta med gemensam diskussion.

Kan data användas för att fatta orättvisa beslut?

Handledningstips

Under Data-bias jakt, ge eleverna specifika frågor att ställa till sin partner för att uppmuntra djupare reflektion, som 'Vem samlade denna data och varför?'

Vad att leta efter

Ställ frågan: Kan data användas för att fatta orättvisa beslut? Låt eleverna diskutera i smågrupper och sedan dela med sig av sina tankar till klassen. Fokusera på hur fördomar i data kan påverka resultatet, t.ex. i spelrekommendationer eller annonsering.

• Analysera
• Utvärdera
• Skapa
• Beslutsfattande
• Självreglering

Aktivitet 03

• Beslutsmatris
• 20 min · Hela klassen

Helklass: GIGO-experiment

Visa en enkel algoritm på tavla eller dator där klassen matar in data om favoritfärger. Ändra till felaktig data och observera förändrade rekommendationer tillsammans.

Vad händer om den data vi matar in i en dator är felaktig?

Handledningstips

I GIGO-experimentet, låt eleverna dokumentera sina hypoteser innan de testar för att synliggöra deras förväntningar och för att stärka lärandet av misslyckanden.

Vad att leta efter

Visa en enkel algoritm för att välja en frukt baserat på färg (t.ex. 'Om röd, välj äpple. Om gul, välj banan.'). Ge sedan eleverna en 'felaktig' input, som 'färgen är blå'. Fråga dem vad datorn kommer att göra enligt algoritmen och varför (GIGO-principen).

• Analysera
• Utvärdera
• Skapa
• Beslutsfattande
• Självreglering

Aktivitet 04

• Beslutsmatris
• 25 min · Individuellt

Individuellt: Min algoritm

Elever ritar sin egen rekommendationsalgoritm för godis baserat på tidigare val. Dela och jämför i plenum.

Hur vet en musiktjänst vilken låt du vill höra härnäst?

Handledningstips

För Min algoritm, ge eleverna tydliga exempel på algoritmer att utgå ifrån, som en spellistorgenerator baserat på genrer.

Vad att leta efter

Ge eleverna ett kort där de ska svara på: 1. Ge ett exempel på en rekommendation du fått från en digital tjänst. 2. Vilken typ av data tror du tjänsten använde för att ge dig den rekommendationen? 3. Vad kan hända om tjänsten bara använde data från en liten grupp människor?

• Analysera
• Utvärdera
• Skapa
• Beslutsfattande
• Självreglering

Några anteckningar om att undervisa detta avsnitt

Lärandet fungerar bäst när eleverna får arbeta praktiskt med autentiska problem, eftersom ämnet är abstrakt och kräver konkret erfarenhet för att förstås. Undvik att förklara algoritmer som 'magiska' svarta lådor, utan visa deras uppbyggnad och känslighet för data. Fokusera på diskussioner om rättvisa och ansvar, eftersom eleverna ofta har starka åsikter om vad som är rättvist.

Eleverna visar att de förstår hur data påverkar beslut genom att förklara sina egna algoritmer och diskutera riskerna med partisk eller felaktig data. De kan ge exempel på hur algoritmer kan leda till orättvisa beslut och motivera sina resonemang med konkreta erfarenheter från aktiviteterna.

---

Se upp för dessa missuppfattningar

• Under aktiviteten Rekommendationssimulering, observera om eleverna tror att deras algoritmer är objektiva bara för att de skapade dem själva. Korrigera genom att fråga: 'Vilken data använde du? Hur vet du att den inte är partisk?' och låt dem testa med annan data.

  Under aktiviteten Rekommendationssimulering, låt eleverna byta algoritmer med varandra och testa dem med sin egen data för att se hur snabbt bias uppstår i förslag.

• Under aktiviteten GIGO-experimentet, notera om eleverna tror att felaktig data bara ger lite felaktiga resultat. Korrigera genom att be dem beskriva hur en felaktig input, som 'färgen är blå', helt kan förstöra algoritmens funktion.

  Under aktiviteten GIGO-experimentet, be eleverna testa algoritmer med extremt felaktig data, som att alla inputvärden är noll, för att tydligt visa konsekvenserna av GIGO.

• Under aktiviteten Data-bias jakt, lyssna efter uttalanden som 'data är alltid korrekt om den är stor'. Korrigera genom att fråga: 'Vems data är den? Vem samlade den och varför?' och jämför olika datakällor.

  Under aktiviteten Data-bias jakt, låt eleverna analysera två olika datamängder för samma fråga och diskutera varför resultaten skiljer sig åt beroende på vem som samlade informationen.

---

Metoder som används i denna översikt

• Beslutsmatris