Teknik · Årskurs 8 · Data, Analys och Integritet · Hösttermin

Datainsamling och Representativitet

Eleverna undersöker hur data samlas in, olika metoder för datainsamling och vikten av representativitet.

• Skolverket Kursplaner
• Lgr22: Teknik 7-9 - Digitala verktyg för databehandling
• Lgr22: Teknik 7-9 - Konsekvenser av teknikval

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.

Nyckelfrågor

1. Hur påverkar metoden för datainsamling kvaliteten och tillförlitligheten hos datan?
2. Analysera riskerna med att fatta beslut baserade på icke-representativ data.
3. Designa en strategi för att samla in data om en specifik fråga i skolan.

Lärandemål

• Jämföra olika metoder för datainsamling och förklara hur metodvalet påverkar datans kvalitet och tillförlitlighet.
• Analysera konsekvenserna av att fatta beslut baserade på icke-representativ data, med konkreta exempel.
• Skapa en strategi för att samla in data om en specifik fråga inom skolmiljön, inklusive val av metod och urval.
• Identifiera och klassificera olika typer av bias som kan uppstå vid datainsamling.

Innan du börjar

Grundläggande om statistik och data

Varför: Eleverna behöver en grundläggande förståelse för vad data är och hur det kan användas för att kunna gå vidare till mer komplexa begrepp som representativitet och bias.

Digitala verktyg för informationssökning

Varför: Kunskap om hur man söker och hittar information digitalt är en förutsättning för att kunna undersöka olika metoder för datainsamling och analys.

Nyckelbegrepp

Datainsamling	Processen att samla in information eller observationer, antingen manuellt eller med hjälp av verktyg, för att analysera och dra slutsatser.
Representativitet	Egenskapen hos ett urval att på ett korrekt sätt återspegla egenskaperna hos den större population det kommer ifrån.
Urval	En mindre grupp individer eller objekt som väljs ut från en större population för att studeras, med syftet att generalisera resultaten till hela populationen.
Bias (urvalsfel)	Systematiska fel som uppstår när urvalet inte är representativt för populationen, vilket leder till snedvridna resultat.
Datakvalitet	Ett mått på hur fullständig, korrekt, konsekvent och tillförlitlig insamlad data är för sitt avsedda ändamål.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

Att 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 missuppfattning

Att 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.

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?

45 min·Smågrupper

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.

20 min·Par

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.

30 min·Smågrupper

Kopplingar till Verkligheten

• Marknadsundersökningsföretag som Ipsos eller Kantar använder olika urvalsmetoder, som slumpmässiga urval eller stratifierade urval, för att samla in åsikter om nya produkter eller politiska kampanjer. Felaktig representativitet kan leda till att företag missbedömer marknadens respons.
• Forskare inom folkhälsa använder enkäter och registerdata för att studera sjukdomsmönster. Om urvalet inte är representativt för hela befolkningen (t.ex. bara inkluderar personer från en viss region eller åldersgrupp) kan slutsatserna om folkhälsan bli missvisande.
• Kommuner samlar in data om trafikflöden för att planera nya vägar eller kollektivtrafik. Om datainsamlingen endast sker under rusningstid eller på specifika platser kan det leda till felaktiga beslut om infrastrukturinvesteringar.

Bedömningsidéer

Utgångsbiljett

Ge eleverna en kort beskrivning av ett fiktivt datainsamlingsprojekt (t.ex. 'Undersöka hur många elever som äter frukt i skolan'). Be dem skriva ner två potentiella problem med representativiteten och en konkret åtgärd för att förbättra den.

Diskussionsfråga

Ställ frågan: 'Tänk er att ni ska samla in data om hur nöjda eleverna är med skolmaten. Vilka metoder kan ni använda för att samla in data? Vilka risker finns det att datan inte blir representativ för alla elever, och hur kan ni minimera dessa risker?' Låt eleverna diskutera i smågrupper och sedan dela med sig av sina idéer.

Snabbkontroll

Visa eleverna två olika diagram som presenterar samma typ av data men med olika urval. Be eleverna identifiera vilket diagram som troligen är mest representativt och motivera sitt svar med hänvisning till urvalsmetoden.

Vanliga frågor

Vad är skillnaden mellan vanlig statistik och Big Data?

Big Data handlar om volym, hastighet och variation. Det handlar ofta om att analysera ostrukturerad data i realtid, snarare än att titta på färdiga tabeller.

Hur används Big Data i den svenska välfärden?

Det används till exempel för att optimera kollektivtrafik, förutse vårdbehov eller planera var nya skolor behöver byggas baserat på befolkningsprognoser.

Är Big Data farligt för demokratin?

Det kan vara det om det används för att manipulera väljare genom mikrotargeting. Därför är källkritik och förståelse för algoritmer en viktig del av undervisningen.

Hur kan aktivt lärande hjälpa elever att förstå datamängder?

Genom att låta eleverna fysiskt sortera och kategorisera stora mängder information (t.ex. hundratals post-it-lappar) får de en konkret känsla för hur svårt det är att hitta mönster manuellt och varför vi behöver digitala verktyg.