Teknik · Årskurs 9 · Data, Analys och Artificiell Intelligens · Hösttermin

Etik och Ansvar inom AI

Eleverna diskuterar etiska frågor kring AI, som bias, integritet och autonomi.

• Skolverket Kursplaner
• Lgr22: Teknik - Åk 7-9 - Etiska perspektiv på teknikutveckling
• Lgr22: Teknik - Åk 7-9 - Konsekvenser av teknikval för individ, samhälle och miljö

Om detta ämne

Etik och ansvar inom AI fokuserar på elevernas diskussioner kring bias, integritet och autonomi i artificiell intelligens. I årskurs 9 undersöker eleverna hur AI-system kan reproducera fördomar från träningsdata, hota personlig integritet genom datainsamling och fatta beslut som påverkar människors autonomi. Detta kopplar direkt till Lgr22:s krav på etiska perspektiv på teknikutveckling och konsekvenser för individ, samhälle och miljö.

Ämnet bygger systemförståelse genom att elever analyserar verkliga fall, som självkörande bilar i olyckssituationer eller rekryteringsalgoritmer med bias. De utvärderar etiska implikationer, föreslår metoder för att minska bias genom diversifierad data och definierar ansvar: utvecklare, användare eller systemet självt. Detta utvecklar kritiskt tänkande och demokratiska värden i digital innovation.

Aktivt lärande gynnar särskilt detta ämne eftersom abstrakta etiska dilemman blir konkreta genom rollspel och gruppdiskussioner. Eleverna utmanar varandras perspektiv, simulerar scenarier och skapar egna riktlinjer, vilket gör lärandet personligt och minnesvärt.

Nyckelfrågor

1. Utvärdera de etiska implikationerna av AI-beslut i kritiska situationer.
2. Analysera hur man kan minska bias i AI-system.
3. Förklara vem som bär ansvaret när en AI fattar ett felaktigt beslut.

Lärandemål

• Utvärdera etiska dilemman som uppstår när AI fattar beslut i autonoma system, till exempel i självkörande fordon.
• Analysera hur bias kan introduceras och förstärkas i AI-system genom träningsdata och algoritmutformning.
• Förklara ansvarsfördelningen mellan utvecklare, användare och själva AI-systemet vid felaktiga AI-beslut.
• Syntetisera principer för ansvarsfull AI-utveckling och användning i en policyutkast.

Innan du börjar

Grundläggande programmering och algoritmer

Varför: Förståelse för hur algoritmer fungerar är nödvändigt för att kunna analysera hur bias kan introduceras och hur system fattar beslut.

Digitala system och databehandling

Varför: Kunskap om hur data samlas in, lagras och bearbetas är grundläggande för att förstå integritetsaspekter och hur träningsdata påverkar AI.

Nyckelbegrepp

Algoritmisk bias	Systematiska och upprepbara fel i ett datorsystem som skapar orättvisa resultat, ofta genom att reproducera fördomar som finns i träningsdata.
Personlig integritet	Rätten för en individ att kontrollera insamling, användning och spridning av sina personuppgifter, vilket kan påverkas av AI-systemens datainsamling.
AI-autonomi	Förmågan hos ett AI-system att fatta beslut och utföra handlingar utan direkt mänsklig inblandning, vilket väcker frågor om kontroll och ansvar.
Förklarbar AI (XAI)	Metoder och tekniker som syftar till att göra AI-systemens beslut och processer mer transparenta och begripliga för människor.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

AI är alltid neutral och opartisk.

Vad man ska lära ut istället

AI speglar bias i träningsdata från människor. Aktiva aktiviteter som biasjakt i dataset hjälper elever att upptäcka detta genom egna analyser och jämförelser, vilket korrigerar missuppfattningen via konkret evidens.

Vanlig missuppfattning

Användaren bär aldrig ansvar för AI-beslut.

Vad man ska lära ut istället

Ansvar delas mellan utvecklare, användare och system. Rollspel i scenarier visar hur användarkontext påverkar, och gruppdiskussioner klargör delat ansvar genom peerutmaning.

Vanlig missuppfattning

Bias försvinner automatiskt med mer data.

Vad man ska lära ut istället

Mer data kan förstärka bias om den är ensidig. Elever lär sig detta genom att testa dataset i par, vilket gör abstrakt kunskap greppbar och främjar kritisk evaluering.

Idéer för aktivt lärande

Rollspel: AI i Krislägen

Dela in eleverna i grupper som representerar aktörer i ett scenario, som en självkörande bil som måste välja mellan två offer. Grupperna argumenterar för sina beslut baserat på etikprinciper. Avsluta med helklassdiskussion om konsekvenser.

45 min·Smågrupper

Biasjakt: Analysera Dataset

Ge elever autentiska dataset från ansiktsigenkänning. I par identifierar de bias, som ojämn representation av kön eller etnicitet, och föreslår korrigeringar. Presentera fynd för klassen.

30 min·Par

Debattcirkel: Ansvar för AI-fel

Fördela roller: för- och emot att AI ska ha juridiskt ansvar. Elever förbereder argument individuellt, debatterar i cirkel och röstar på bästa resonemang. Sammanfatta med gemensamma riktlinjer.

50 min·Hela klassen

Etikportfolio: Personliga Reflektioner

Elever väljer tre AI-appar de använder dagligen, analyserar integritetsrisker och skapar en portfolio med rekommendationer. Dela i par för feedback.

40 min·Individuellt

Kopplingar till Verkligheten

• Inom rekrytering används AI-verktyg för att granska CV:n, men dessa kan oavsiktligt diskriminera kandidater om de tränats på historisk data som speglar ojämlikhet på arbetsmarknaden.
• Självkörande bilar måste programmeras för att hantera olyckssituationer, vilket kräver etiska avvägningar om vem eller vad bilen ska prioritera i en oundviklig kollision.
• Sociala medieplattformar använder AI för att rekommendera innehåll, vilket kan skapa filterbubblor och påverka användarnas uppfattning om verkligheten baserat på deras tidigare interaktioner.

Bedömningsidéer

Diskussionsfråga

Presentera scenariot: En AI som används för att bevilja lån nekar konsekvent ansökningar från personer i ett visst postnummerområde. Ställ frågorna: Vilken typ av bias kan ligga bakom detta? Vem bär ansvaret för den orättvisa behandlingen? Hur skulle ni som utvecklare arbeta för att åtgärda problemet?

Utgångsbiljett

Be eleverna skriva ner en etisk utmaning kopplad till AI-autonomi och en konkret åtgärd som kan minska risken för oönskade konsekvenser av denna autonomi. De ska också ange vem som primärt bär ansvaret för att implementera åtgärden.

Snabbkontroll

Ställ en fråga som 'Vad menas med algoritmisk bias och ge ett exempel på hur det kan uppstå i ett system som rekommenderar filmer?' Låt eleverna svara skriftligt eller muntligt för att snabbt bedöma förståelsen.

Vanliga frågor

Hur minskar man bias i AI-system?

Bias minskas genom diversifierad träningsdata som representerar alla grupper, regelbundna audits och inkludering av etiska team i utvecklingen. Elever kan öva genom att revidera dataset och testa algoritmer, vilket kopplar teori till praktik i enlighet med Lgr22.

Vem bär ansvaret när AI fattar felaktiga beslut?

Ansvar ligger hos utvecklare för design, användare för tillämpning och ibland regulatorer. I kritiska situationer, som medicinska diagnoser, krävs transparens. Diskussioner kring fall som självkörande bilar hjälper elever att navigera dessa gråzoner.

Hur undervisar man etik i AI för årskurs 9?

Använd verkliga case, rollspel och debatter för att aktivera elevernas etiska resonemang. Koppla till vardagliga appar för relevans, och låt elever skapa egna etikriktlinjer. Detta bygger på Lgr22:s fokus på samhällskonsekvenser.

Hur främjar aktivt lärande förståelse för AI-etik?

Aktiva metoder som rollspel och gruppdiskussioner gör etiska dilemman personliga och utmanande. Elever simulerar beslut, argumenterar mot peers och reflekterar över konsekvenser, vilket fördjupar empati och kritiskt tänkande mer än passiv läsning. Hands-on aktiviteter skapar ägandeskap över lärandet.