Big Data och Beslutsfattande

Aktivt lärande fungerar särskilt bra för Big Data och beslutsfattande eftersom eleverna behöver uppleva hur data blir till beslut genom konkreta exempel. Genom att arbeta praktiskt med verktyg och diskussioner får de syn på hur maskininlärning påverkar deras vardag, vilket skapar meningsfull förståelse snarare än passiv kunskap.

• Årskurs 9
• Digital Innovation och Systemförståelse
• 3 aktiviteter
• 25 min–50 min

Lärandemål

1. Analysera hur mönster i stora datamängder kan identifieras för att förutsäga konsumentbeteenden.
2. Utvärdera etiska risker kopplade till beslutsfattande baserat på historisk data i algoritmer.
3. Förklara vem som har äganderätt till data som genereras av smarta enheter och vilka konsekvenser det kan få.
4. Skapa en enkel modell som demonstrerar hur data kan användas för att identifiera trender.

Utforskande cirkel

⏱ 50 min·Smågrupper

Utforskande cirkel: Träna en AI

Använd verktyg som 'Teachable Machine'. Eleverna arbetar i grupper för att träna en modell att känna igen olika handrörelser eller föremål. De testar sedan vad som händer om de ger modellen för lite eller för ensidig data.

Förberedelse & detaljer

Hur kan mönster i stora datamängder hjälpa oss att lösa miljöproblem?

Handledningstips: Under 'Träna en AI' låt eleverna dokumentera sina steg i en gemensam loggbok för att skapa medvetenhet om hur deras val påverkar 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

EPA (Enskilt-Par-Alla)

⏱ 25 min·Par

EPA (Enskilt-Par-Alla): AI och framtidens jobb

Eleverna läser korta beskrivningar av olika yrken. De reflekterar över vilka delar av jobbet som kan automatiseras med maskininlärning och vilka mänskliga förmågor som blir kvar, följt av diskussion i par.

Förberedelse & detaljer

Vilka risker finns när algoritmer fattar beslut baserat på historisk data?

Handledningstips: Under 'AI och framtidens jobb' se till att alla elever får chansen att delta i diskussionen genom strukturerade turer, inte bara de som räcker upp handen.

Setup: Vanlig klassrumsmöblering; eleverna vänder sig mot sin granne

Materials: Diskussionsfråga (projicerad eller utdelad), Valfritt: anteckningsblad för paren

• Förstå
• Tillämpa
• Analysera
• Självkännedom
• Relationsförmåga

Formell debatt

⏱ 40 min·Hela klassen

Formell debatt: Algoritmisk bias

Klassen debatterar ansvarsfrågan när en AI fattar ett orättvist beslut, till exempel vid en anställningsintervju. Är det programmerarens, företagets eller datans fel?

Förberedelse & detaljer

Vem äger den data som genereras av våra smarta enheter?

Handledningstips: Under 'Algoritmisk bias' börja debatten med ett konkret exempel som eleverna kan relatera till, till exempel reklam som visas för dem.

Setup: Två lag vända mot varandra, publikplatser för resten av klassen

Materials: Debattämne/påstående, Bakgrundsfakta för respektive sida, Bedömningsmatris för publiken, Tidtagarur

• Analysera
• Utvärdera
• Skapa
• Självreglering
• Beslutsfattande

Att undervisa detta ämne

Undervisningen bör balansera teori och praktik för att undvika att ämnet känns för abstrakt. Använd konkreta dataset som eleverna kan relatera till, till exempel skoldata eller lokal information. Undvik att börja med komplexa matematiska formler. Fokusera istället på att bygga intuition genom exempel och diskussioner. Det är viktigt att eleverna förstår att AI är ett verktyg som kräver mänsklig granskning och ansvarstagande.

Vad du kan förvänta dig

När eleverna förstår hur maskininlärning skapar beslutsunderlag genom mönsterigenkänning i data kan de förklara skillnaden mellan korrelation och orsakssamband. Dessutom ska de kunna identifiera och diskutera algoritmisk bias och dess konsekvenser för samhället.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

Under 'Träna en AI' tror elever ofta att AI 'tänker' som människor.

Vad man ska lära ut istället

Under aktiviteten 'Träna en AI' kan du avmystifiera detta genom att jämföra träningen av AI med hur eleverna själva lär sig genom repetition och feedback, men betona att AI endast hanterar statistik och sannolikheter utan medvetande.

Vanlig missuppfattning

Under 'Algoritmisk bias' litar många elever blint på att AI alltid ger det 'rätta' svaret.

Vad man ska lära ut istället

Under debatten 'Algoritmisk bias' kan du visa konkreta exempel på AI-fel, till exempel felaktiga klassificeringar av ansikten, och be eleverna diskutera varför dessa fel uppstår och hur de kan undvikas.

Bedömningsidéer

Utgångsbiljett

Efter 'Träna en AI' ge eleverna en lapp där de ska svara på: 1. Ge ett exempel på hur Big Data kan användas för att lösa ett miljöproblem. 2. Nämn en risk med att en algoritm fattar beslut baserat på historisk data.

Diskussionsfråga

Under 'AI och framtidens jobb' ställ frågan: 'Vem äger egentligen den data som genereras av din smartphone eller smarta högtalare?' Låt eleverna diskutera i smågrupper och sedan dela sina tankar med klassen, med fokus på äganderätt och integritet.

Snabbkontroll

Under 'Algoritmisk bias' visa två enkla dataset (t.ex. antal sålda glassar vs. antal badande). Be eleverna identifiera ett mönster och förklara om det finns ett orsakssamband eller bara en korrelation. Detta testar deras förmåga att analysera data.

Fördjupning & stöd

• Utmaning: Be eleverna att skapa ett eget dataset med fem variabler och analysera mönster som kan leda till beslut, till exempel hur skolans cafeteria kan planera inköp av mat.
• Stöd: För elever som har svårt att se samband, ge dem färdiganalyserade dataset med tydliga frågeställningar att utgå ifrån.
• Fördjupning: Låt eleverna undersöka hur bias kan uppstå i en specifik algoritm genom att läsa en kort artikel och sedan diskutera hur den kan åtgärdas.

Nyckelbegrepp

Big Data	Extremt stora och komplexa datamängder som kräver avancerade verktyg för analys. Dessa data kan komma från många olika källor.
Algoritm	En steg-för-steg-instruktion eller regel som en dator följer för att lösa ett problem eller utföra en uppgift. Algoritmer används för att analysera data.
Maskininlärning	En gren inom artificiell intelligens där system lär sig från data utan att vara explicit programmerade. De identifierar mönster och gör förutsägelser.
Träningsdata	Den data som används för att lära upp en maskininlärningsmodell. Kvaliteten och representativiteten hos träningsdatan påverkar modellens resultat.
Bias (i data)	Systematiska fel eller orättvisor i data som kan leda till att algoritmer fattar partiska eller diskriminerande beslut.