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.

• Årskurs 9
• Digital Innovation och Systemförståelse
• 4 aktiviteter
• 20 min–50 min

Lärandemål

1. Förklara hur en AI-modell kan identifiera mönster i data för att fatta beslut, med hänvisning till konceptet 'träningsdata'.
2. Jämföra och kontrastera hur en AI lär sig genom övervakad och oövervakad maskininlärning, med exempel.
3. Analysera hur felaktiga förutsägelser under träning kan leda till förbättringar i en AI-modell, med koppling till iterationer.
4. Klassificera olika typer av data (t.ex. bilder, text) som kan användas för att träna AI-system.

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.

Förberedelse & detaljer

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.

Setup: Flexibel möblering för gruppbyten

Materials: Texter eller material till expertgrupperna, Mall för anteckningar, Grafisk arrangör för sammanfattning

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

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.

Förberedelse & detaljer

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.

Setup: Flexibel möblering för gruppbyten

Materials: Texter eller material till expertgrupperna, Mall för anteckningar, Grafisk arrangör för sammanfattning

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

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.

Förberedelse & detaljer

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.

Setup: Flexibel möblering för gruppbyten

Materials: Texter eller material till expertgrupperna, Mall för anteckningar, Grafisk arrangör för sammanfattning

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

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.

Förberedelse & detaljer

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.

Setup: Flexibel möblering för gruppbyten

Materials: Texter eller material till expertgrupperna, Mall för anteckningar, Grafisk arrangör för sammanfattning

• Förstå
• Analysera
• Utvärdera
• Relationsförmåga
• Självreglering

Att undervisa detta ämne

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.

Vad du kan förvänta dig

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

Vanlig missuppfattning

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

Vad man ska lära ut istället

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.

Vanlig missuppfattning

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

Vad man ska lära ut istället

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.

Vanlig missuppfattning

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

Vad man ska lära ut istället

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.

Bedömningsidéer

Utgångsbiljett

After Parprogrammering: Enkel Bildigenkänning, ge eleverna en enkel bild och frågan: 'Beskriv hur en AI skulle lära sig att känna igen detta objekt med begreppen träningsdata, iteration och prediktion.' Samla in svaren för att bedöma förståelsen.

Diskussionsfråga

During Gruppsimulering: Felbaserad Lärning, ställ frågan: 'Hur kan ett misstag från AI:n hjälpa den att bli bättre i framtiden?' Låt grupperna diskutera och dela sina tankar med klassen för att bedöma förståelsen för hur fel leder till förbättring.

Snabbkontroll

After Helklassutmaning: Datasetbyggande, visa eleverna två olika typer av data och 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.

Fördjupning & stöd

• Utmana eleverna att träna en AI-modell på ett eget dataset, till exempel att känna igen olika sorters frukter, och jämföra resultatet med klasskamraternas.
• För elever som kämpar, ge dem ett färdigt dataset med tydliga exempel och låt dem träna modellen steg för steg för att förstå processen.
• För djupare utforskning, låt eleverna undersöka hur olika mängder data påverkar AI:ns förmåga att känna igen mönster, till exempel genom att träna modeller med 10, 100 och 1000 exempel.

Nyckelbegrepp

Maskininlärning	Ett område inom AI där system lär sig från data utan att explicit programmeras för varje uppgift. Systemet identifierar mönster och gör förutsägelser.
Träningsdata	Den stora mängd data som används för att 'lära' en AI. Genom att analysera denna data lär sig AI:n att känna igen mönster och samband.
Iteration	En upprepning av en process under träningen av en AI. Varje iteration kan innebära en justering av AI:ns interna parametrar för att minska fel.
Algoritm	En uppsättning regler eller instruktioner som en dator följer för att lösa ett problem eller utföra en uppgift, som till exempel att lära sig från data.
Prediktion	Ett resultat eller en gissning som en AI-modell gör baserat på den data den har tränats på. Exempelvis att förutsäga om en bild innehåller en katt.