Teknik · Årskurs 9

Idéer för aktivt lärande

Hur AI Lär Sig

Aktivt lärande fungerar särskilt bra för detta tema eftersom eleverna får uppleva hur AI verkligen lär sig. Genom praktiska övningar och simuleringar kan de se hur viktiga begrepp som träningsdata, iteration och felanalys hänger ihop. Det konkreta arbetet gör abstrakta idéer mer greppbara och engagerar eleverna direkt i processen.

• Skolverket Kursplaner
• Lgr22: Teknik - Åk 7-9 - Artificiell intelligens och dess påverkan

• 20–50 min
• Par → Hela klassen
• 4 aktiviteter

Aktivitet 01

• Expertpussel
• 45 min · Par

Parprogrammering: Enkel Bildigenkänning

Elever arbetar i par med Scratch eller Teachable Machine för att träna en modell att känna igen objekt. De laddar upp 20-30 bilder per kategori, testar modellen och justerar data vid fel. Diskutera varför fler exempel förbättrar noggrannheten.

Hur kan en AI lära sig att känna igen en katt på en bild?

Handledningstips

Under parprogrammeringen, uppmuntra eleverna att dokumentera sina tankar om varför vissa bilder klassificeras korrekt medan andra inte gör det.

Vad att leta efter

Ge eleverna ett kort med en enkel bild (t.ex. en hund) och frågan: 'Hur skulle en AI lära sig att känna igen detta objekt? Beskriv processen med minst två av de nya begreppen (träningsdata, iteration, prediktion).' Samla in svaren för att bedöma förståelsen.

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

Aktivitet 02

• Expertpussel
• 30 min · Smågrupper

Gruppsimulering: Felbaserad Lärning

Dela in i små grupper som simulerar AI-träning med kortlek: dra kort, förutsäg färg, justera 'vikter' vid fel. Grupper loggar förbättringar över 10 rundor. Avsluta med gemensam reflektion om iterationers betydelse.

Vad betyder det att en AI 'tränas' med data?

Handledningstips

I gruppsimuleringen, se till att alla elever får vara med i att justera vikterna och observera hur det påverkar resultatet.

Vad att leta efter

Ställ frågan: 'Tänk på en AI som har gjort ett misstag, till exempel felklassificerat en bild. Hur kan detta misstag hjälpa AI:n att bli bättre i framtiden? Diskutera i smågrupper och dela era tankar med klassen.' Fokusera på hur feedback leder till förbättring.

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

Aktivitet 03

• Expertpussel
• 50 min · Hela klassen

Helklassutmaning: Datasetbyggande

Som helklass bygger elever ett gemensamt dataset med vardagsbilder kategoriserade i Google Sheets. Testa en gratis AI-verktyg på datan och analysera resultat. Jämför med personliga dataset.

Ge exempel på när en AI kan lära sig av att göra fel och sedan förbättra sig.

Handledningstips

Vid datasetbyggandet, påminn eleverna att reflektera över kvaliteten på deras data och hur det kan påverka AI:ns prestanda.

Vad att leta efter

Visa eleverna två olika typer av data (t.ex. en textfil och en bildfil). Fråga: 'Vilken typ av data är lättast för en AI att lära sig mönster från, och varför? Använd begreppet 'struktur' i ditt svar.' Bedöm svaren snabbt för att identifiera eventuella missförstånd.

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

Aktivitet 04

• Expertpussel
• 20 min · Individuellt

Individuell Reflektion: AI-Dagbok

Elever testar en app som Duolingo eller Google Lens, noterar hur den förbättras över tid. Skriv en dagbok om observerade lärandemönster och koppla till dagens lektion.

Hur kan en AI lära sig att känna igen en katt på en bild?

Handledningstips

Under individuell reflektion, ge eleverna konkreta frågor om sina egna lärandeprocesser för att koppla till AI:ns.

Vad att leta efter

Ge eleverna ett kort med en enkel bild (t.ex. en hund) och frågan: 'Hur skulle en AI lära sig att känna igen detta objekt? Beskriv processen med minst två av de nya begreppen (träningsdata, iteration, prediktion).' Samla in svaren för att bedöma förståelsen.

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

Några anteckningar om att undervisa detta avsnitt

Börja med att visa ett konkret exempel på hur en AI tränas, till exempel med Teachable Machine, för att skapa en gemensam utgångspunkt. Undvik att förklara allt teoretiskt först; låt eleverna utforska och ställ frågor längs vägen. Forskningsmässigt är det viktigt att eleverna får misslyckas och lära sig av sina misstag, precis som AI:n gör.

En lyckad inlärning syns när eleverna kan förklara hur en AI justerar sina vikter baserat på data och fel. De ska kunna beskriva skillnaden mellan träningsdata och valideringsdata och förstå varför iterationer är nödvändiga. Dessutom ska de kunna identifiera och rätta vanliga missuppfattningar om AI-lärande.

---

Se upp för dessa missuppfattningar

• During Parprogrammering: Enkel Bildigenkänning, lyssna efter elever som säger att AI:n förstår bilden som en människa.

  Under aktiviteten, be eleverna att beskriva hur AI:n enbart letar efter mönster i pixelvärden, och jämför det med hur människor använder tidigare kunskap och intuition. Använd verktygets synliga viktnätverk för att visa att AI:n inte har någon förståelse för bilden som helhet.

• During Gruppsimulering: Felbaserad Lärning, observera om elever tror att AI:n lär sig perfekt efter en session.

  Under simuleringen, be eleverna att räkna antalet iterationer och diskutera hur felprocenten sjunker gradvis. Använd ett tydligt diagram eller en tabell för att visa förbättringen över tid och påminn dem om att AI kräver många försök.

• During Helklassutmaning: Datasetbyggande, lyssna efter elever som tror att AI kan lära sig utan data.

  Under aktiviteten, låt eleverna experimentera med ett tomt eller mycket litet dataset och observera att modellen inte kan göra några korrekta förutsägelser. Använd detta för att tydligt visa att alla AI-modeller kräver data för att träna på.

---

Metoder som används i denna översikt

• Expertpussel