Datainsamling och Representativitet
Eleverna undersöker hur data samlas in, olika metoder för datainsamling och vikten av representativitet.
Nyckelfrågor
- Hur påverkar metoden för datainsamling kvaliteten och tillförlitligheten hos datan?
- Analysera riskerna med att fatta beslut baserade på icke-representativ data.
- Designa en strategi för att samla in data om en specifik fråga i skolan.
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 Digital Innovation och Systemförståelse
Mer i Data, Analys och Integritet
Datavisualisering och Tolkning
Eleverna lär sig att presentera data på ett tydligt sätt med grafer och diagram samt att kritiskt tolka visualiserad information.
2 methodologies
Big Data och Mönsterigenkänning
Eleverna undersöker hur stora datamängder kan analyseras för att förutsäga trender och beteenden.
2 methodologies
Personlig Integritet och GDPR
Eleverna diskuterar vikten av personlig integritet online och hur lagar som GDPR skyddar individens rättigheter.
2 methodologies
Kryptering och Säkerhet
Eleverna utforskar metoder för att skydda information och vikten av cybersäkerhet i ett digitalt samhälle.
2 methodologies
Digital Etik och Ansvar
Eleverna diskuterar vem som bär ansvaret när algoritmer fattar felaktiga eller skadliga beslut.
2 methodologies