Grunderna i Maskininlärning

När eleverna aktivt tränar en maskininlärningsmodell får de konkreta insikter i hur datorer lär sig av data, istället för att bara höra teorin. Genom att själva justera parametrar och se hur resultatet förbättras bygger de förståelse för processen på ett sätt som stannar kvar längre.

• Årskurs 8
• Digital Innovation och Systemförståelse
• 4 aktiviteter
• 25 min–45 min

Lärandemål

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

Utforskande cirkel

⏱ 35 min·Par

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.

Förberedelse & detaljer

Vad är skillnaden mellan traditionell programmering och maskininlärning?

Handledningstips: Under paraktiviteten Träna bildigenkänningsmodell, gå runt och lyssna på elevernas diskussioner om varför vissa bilder fungerar bättre än andra för träningen.

Setup: Grupper vid bord med tillgång till källmaterial

Materials: Samling med källmaterial, Arbetsblad för undersökningscykeln, Metod för att formulera frågor, Mall för redovisning av resultat

• Analysera
• Utvärdera
• Skapa
• Självreglering
• Självkännedom

Utforskande cirkel

⏱ 45 min·Smågrupper

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.

Förberedelse & detaljer

Hur tränar man en dator att känna igen en bild eller ett ljud?

Handledningstips: I Smågrupper Jämför programmering och ML, uppmana eleverna att rita en enkel bild för att visualisera skillnaderna mellan de två sätten att lösa uppgifter.

Setup: Grupper vid bord med tillgång till källmaterial

Materials: Samling med källmaterial, Arbetsblad för undersökningscykeln, Metod för att formulera frågor, Mall för redovisning av resultat

• Analysera
• Utvärdera
• Skapa
• Självreglering
• Självkännedom

Utforskande cirkel

⏱ 25 min·Hela klassen

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.

Förberedelse & detaljer

Vilka begränsningar har dagens AI-system?

Handledningstips: Vid Helklass Analysera AI-begränsningar, ställ följdfrågor som utmanar elevernas antaganden, till exempel 'Vad händer om vi matar in en bild av en ko när modellen tränats på katter och hundar?'

Setup: Grupper vid bord med tillgång till källmaterial

Materials: Samling med källmaterial, Arbetsblad för undersökningscykeln, Metod för att formulera frågor, Mall för redovisning av resultat

• Analysera
• Utvärdera
• Skapa
• Självreglering
• Självkännedom

Utforskande cirkel

⏱ 30 min·Individuellt

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.

Förberedelse & detaljer

Vad är skillnaden mellan traditionell programmering och maskininlärning?

Handledningstips: För Individuell Bygg ljudmodell, be eleverna att anteckna hur många gånger de fick justera inställningarna innan modellen fungerade som de ville.

Setup: Grupper vid bord med tillgång till källmaterial

Materials: Samling med källmaterial, Arbetsblad för undersökningscykeln, Metod för att formulera frågor, Mall för redovisning av resultat

• Analysera
• Utvärdera
• Skapa
• Självreglering
• Självkännedom

Att undervisa detta ämne

Börja med att använda konkreta exempel som eleverna känner igen, som att skilja på bilder av katter och hundar, för att visa hur maskininlärning fungerar i praktiken. Undvik att gå för djupt in på matematiken i början, fokusera istället på processen och logiken bakom. Låt eleverna uppleva både framgång och misslyckanden under träningen, eftersom det stärker deras förståelse för vikten av att anpassa modellen och data.

Vad du kan förvänta dig

Eleverna ska kunna förklara skillnaden mellan traditionell programmering och maskininlärning med egna ord, beskriva minst två steg i en maskininlärningsprocess och identifiera en risk med bristande datakvalitet. De ska också kunna ge exempel på hur en modell tränas och utvärderas.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

Under paraktiviteten Träna bildigenkänningsmodell, lyssna efter elever som säger att modellen 'lär sig själv' utan mänsklig inblandning. Rätta dem med att förklara att datan och inställningarna sätts av människor, och att modellen justeras utifrån de mönster den hittar i datan.

Vad man ska lära ut istället

Under paraktiviteten Träna bildigenkänningsmodell, be eleverna att peka ut vilka delar av processen som kräver mänskligt beslutsfattande, som att välja vilka bilder som ska ingå i träningssetet och hur man bedömer om modellen presterar bra.

Vanlig missuppfattning

Under Smågrupper Jämför programmering och ML, lyssna efter elever som tror att AI kan förstå känslor eller sammanhang. Fråga dem hur de skulle förklara för en dator vad 'glädje' eller 'ilska' betyder.

Vad man ska lära ut istället

Under Smågrupper Jämför programmering och ML, låt eleverna testa modellen med bilder som visar ansikten med olika känslouttryck och diskutera varför modellen ibland misslyckas med att tolka känslorna korrekt.

Vanlig missuppfattning

Under Helklass Analysera AI-begränsningar, lyssna efter elever som säger att mer data alltid är bättre. Visa ett exempel där en modell tränats på för mycket data av samma typ och har svårt att generalisera.

Vad man ska lära ut istället

Under Helklass Analysera AI-begränsningar, låt eleverna undersöka hur en modell presterar när den tränas på en liten mängd varierad data jämfört med en stor mängd liknande data, och diskutera varför det ena sättet kan vara bättre än det andra.

Bedömningsidéer

Utgångsbiljett

Efter paraktiviteten Träna bildigenkänningsmodell, ge eleverna ett kort med en bild av ett objekt. 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

Under Smågrupper Jämför programmering och ML, 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

Under Helklass Analysera AI-begränsningar, 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 grupperna och sedan dela sina tankar.

Fördjupning & stöd

• Utmana eleverna att träna en modell som kan skilja på tre olika objekt istället för två under paraktiviteten Träna bildigenkänningsmodell.
• För elever som har svårt att förstå processen, ge dem en färdiggjord modell och be dem att analysera hur den fungerar genom att testa den med olika bilder.
• Låt eleverna utforska hur en modell påverkas av att träna på för lite data genom att jämföra resultatet av en modell som tränats på fem bilder respektive femtio bilder under Individuell Bygg ljudmodell.

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.