Framtidens Teknik och AI · Vårtermin

Grunderna i Maskininlärning

Eleverna utforskar hur datorer kan lära sig från data utan att vara explicit programmerade för varje steg.

Om detta ämne

Grunderna i maskininlärning handlar om hur datorer lär sig mönster från data utan explicita instruktioner för varje steg. Elever i årskurs 8 utforskar skillnaden mellan traditionell programmering, där vi skriver precisa kommandon, och maskininlärning, där modeller tränas på exempel för att förutsäga resultat. De undersöker processer som datainsamling, träning och utvärdering, till exempel hur en dator lär sig känna igen bilder eller ljud genom iterativa justeringar baserat på fel.

Ämnet anknyter till Lgr22:s centrala innehåll i teknik för årskurs 7-9, särskilt att styra tekniska lösningar med programmering och förstå teknikutvecklingsarbetets faser. Nyckel-frågor som vad som skiljer traditionell programmering från maskininlärning, hur träning sker och vilka begränsningar dagens AI har, främjar systemförståelse. Eleverna använder verktyg som Teachable Machine eller Scratch för att bygga enkla modeller, vilket kopplar teori till praktik och belyser etiska aspekter som bias i data.

Aktivt lärande passar utmärkt här eftersom eleverna själva skapar och testar modeller med egna data. Hands-on-aktiviteter gör abstrakta begrepp greppbara, gruppexperiment visar varför modeller misslyckas och diskussioner stärker kritiskt tänkande kring AI:s gränser.

Lärandemål

• Jämför hur en maskininlärningsmodell skiljer sig från ett traditionellt program genom att identifiera input, process och output för båda.
• Identifierar de viktigaste stegen i en maskininlärningsprocess: datainsamling, träning, prediktion och utvärdering.
• Klassificerar olika typer av data (t.ex. bilder, text, ljud) som kan användas för att träna en maskininlärningsmodell.
• Skapar en enkel maskininlärningsmodell med hjälp av ett visuellt programmeringsverktyg för att lösa ett givet problem.
• Analyserar potentiella begränsningar och etiska överväganden, som bias, i maskininlärningssystem baserat på träningsdata.

Innan du börjar

Grundläggande programmering med block (t.ex. Scratch)

Varför: Eleverna behöver förstå konceptet med sekvenser, loopar och villkor för att kunna jämföra med hur maskininlärningsmodeller fungerar.

Datatyper och datastrukturer

Varför: Förståelse för att data kan ha olika former (text, siffror, bilder) är grundläggande för att kunna arbeta med maskininlärningsdata.

Nyckelbegrepp

Maskininlärning	Ett område inom artificiell intelligens där datorer lär sig att utföra uppgifter genom att analysera data istället för att följa explicita instruktioner.
Träning	Processen där en maskininlärningsmodell matas med data för att lära sig mönster och samband, vilket gör den kapabel att göra förutsägelser.
Prediktion	Resultatet som en tränad maskininlärningsmodell ger när den får ny, osedd data som input.
Dataset	En samling av data som används för att träna och testa en maskininlärningsmodell. Kan bestå av bilder, text, siffror eller annan information.
Bias	Systematiska fel eller orättvisor i en maskininlärningsmodell, ofta orsakade av skev eller ofullständig träningsdata.

Idéer för aktivt lärande

Paraktivitet: Träna bildigenkänningsmodell

Eleverna använder Teachable Machine för att samla in 50 bilder vardera på två klasser, som katter och hundar. De tränar modellen i par och testar med nya bilder, noterar träningstid och noggrannhet. Avsluta med diskussion om datakvalitetens inverkan.

⏱ 35 min·Par

Generera uppdrag

Smågrupper: Jämför programmering och ML

Grupperna bygger samma uppgift, en gång med blockprogrammering i Scratch och en gång med maskininlärning. De dokumenterar steg, tid och flexibilitet. Presentera skillnader för klassen.

⏱ 45 min·Smågrupper

Generera uppdrag

Helklass: Analysera AI-begränsningar

Visa exempelvideor på AI-fel, som bildigenkänning av mörka hudtoner. Hela klassen brainstormar begränsningar i en gemensam lista och röstar på lösningar som bättre data.

⏱ 25 min·Hela klassen

Generera uppdrag

Individuell: Bygg ljudmodell

Varje elev tränar en modell för att känna igen röster eller ljud med Teachable Machine. Testa på egna och klasskamraters inspelningar, reflektera över resultat i en logg.

⏱ 30 min·Individuellt

Generera uppdrag

Kopplingar till Verkligheten

Bildigenkänning i självkörande bilar: Företag som Waymo använder maskininlärning för att träna system att identifiera trafikskyltar, fotgängare och andra fordon baserat på stora mängder bilddata från kameror.

Rekommendationssystem på streamingtjänster: Netflix och Spotify använder maskininlärning för att analysera användares tittar- och lyssningshistorik för att föreslå nytt innehåll som användaren sannolikt kommer att gilla.

Taligenkänning i smarta assistenter: Teknikföretag som Apple (Siri) och Google (Google Assistant) tränar modeller på enorma mängder ljuddata för att förstå och svara på röstkommandon.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

Maskininlärning är ren magi utan logik.

Vad man ska lära ut istället

Modeller bygger på matematiska beräkningar och statistik från data, inte magi. Aktiva aktiviteter där elever tränar egna modeller och ser hur fel minskar med mer data gör processen transparent och bygger förtroende för vetenskaplig metod.

Vanlig missuppfattning

AI förstår som en människa.

Vad man ska lära ut istället

AI hanterar mönster men saknar verklig förståelse eller medvetande. Genom att elever testar modeller med oväntade input och diskuterar misslyckanden i grupper inser de skillnaden mellan simulering och mänsklig intelligens.

Vanlig missuppfattning

Mer data alltid bättre.

Vad man ska lära ut istället

Kvalitet och mångfald i data är viktigare än kvantitet, annars uppstår bias. Gruppexperiment med olika dataset visar detta konkret och leder till diskussioner om etik.

Bedömningsidéer

Utgångsbiljett

Ge eleverna ett kort med en bild av ett objekt (t.ex. en katt). Fråga dem: 1. Vilken typ av data skulle en AI behöva för att lära sig känna igen detta objekt? 2. Beskriv kortfattat hur en AI skulle 'träna' på denna data.

Snabbkontroll

Visa två korta kodsnuttar, en för traditionell programmering och en för maskininlärning (t.ex. med block i Scratch). Fråga eleverna: Vilken kodsnutt beskriver traditionell programmering och varför? Vilken beskriver maskininlärning och varför?

Diskussionsfråga

Ställ frågan: 'Tänk dig att du tränar en AI att känna igen glada och ledsna ansikten. Vilken typ av data skulle du samla in? Vad kan gå fel om din data inte är tillräckligt varierad?' Låt eleverna diskutera i smågrupper och sedan dela sina tankar.

Vanliga frågor

Hur förklarar man skillnaden mellan traditionell programmering och maskininlärning?

Traditionell programmering innebär att skriva exakta regler, som 'om pixel är röd, visa stopp'. Maskininlärning tränas på exempeldata för att hitta mönster själv. För årskurs 8: Jämför med att ge recept kontra att smaka sig fram till en smakkombination. Verktyg som Scratch ML gör det praktiskt.

Hur kan aktivt lärande hjälpa elever förstå maskininlärning?

Aktiva metoder som att elever själva tränar modeller med Teachable Machine gör abstrakta steg konkreta. De ser direkt hur data påverkar resultat, experimenterar med fel och diskuterar i grupper varför bias uppstår. Detta ökar engagemang, minskar rädsla för AI och utvecklar kritiskt tänkande kring teknikens gränser.

Vilka verktyg passar för maskininlärning i årskurs 8?

Teachable Machine och Scratch ML är gratis, webbläsarbaserade och kräver ingen kodning. Elever samlar data med kameran eller mikrofon, tränar modeller på minuter och exporterar till Scratch. De passar Lgr22 genom att koppla programmering till AI utan komplexitet.

Hur hanterar man AI:s begränsningar i undervisningen?

Fokusera på bias, överanpassning och brist på generalisering genom exempel som felaktig bildigenkänning. Låt elever testa modeller med varierad data och reflektera i par. Koppla till etik och samhällspåverkan för att uppfylla Lgr22:s mål om teknikutveckling.