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

Introduktion till AI och Maskininlärning

Eleverna introduceras till hur datorer kan lära sig från exempel istället för explicita instruktioner.

• Skolverket Kursplaner
• Lgr22: Teknik - Åk 7-9 - Artificiell intelligens och dess påverkan
• Lgr22: Teknik - Åk 7-9 - Teknikens roll i framtidens arbetsliv

Om detta ämne

Introduktion till AI och maskininlärning handlar om hur datorer lär sig mönster från data istället för fasta instruktioner. Elever i årskurs 9 utforskar skillnaden mellan traditionell programmering, där regler skrivs explicit, och maskininlärning, där algoritmer tränas på exempel. De undersöker hur träningsdata formar AI:s beslut och varför bias i data kan leda till orättvisa system, som i rekryteringsverktyg som favoriserar vissa grupper. Detta knyter an till Lgr22:s mål om artificiell intelligens påverkan och teknikens roll i framtida arbetsliv.

Ämnet utvecklar systemförståelse genom att elever ser AI som del av större samhällssystem. De diskuterar hur yrken som läkare, förare och lärare förändras av AI, och reflekterar över etiska frågor. Praktiska exempel från vardagen, som bildigenkänning i appar, gör abstrakta begrepp konkreta och kopplar till elevernas digitala liv.

Aktivt lärande passar utmärkt här eftersom elever själva kan experimentera med enkla maskininlärningsverktyg. Genom att träna modeller på egna data upptäcker de bias och generalisering på ett lekfullt sätt, vilket stärker kritiskt tänkande och minne av begreppen.

Nyckelfrågor

1. Vad skiljer traditionell programmering från maskininlärning?
2. Hur kan bias i träningsdata leda till diskriminerande AI-system?
3. Vilka yrken kommer att förändras mest av AI-utvecklingen?

Lärandemål

• Jämföra hur traditionell programmering och maskininlärning skiljer sig åt i hur de löser problem.
• Analysera hur bias i träningsdata kan leda till diskriminerande resultat i AI-system.
• Förklara hur AI-utvecklingen kan påverka specifika yrkesroller i framtiden.
• Identifiera exempel på maskininlärning i vardagliga tekniska applikationer.
• Kritiskt granska etiska implikationer av AI-system baserat på givna scenarier.

Innan du börjar

Grundläggande programmering och algoritmer

Varför: Eleverna behöver förstå konceptet med instruktioner och stegvisa processer för att kunna jämföra med maskininlärningens datadrivna tillvägagångssätt.

Datainsamling och datatyper

Varför: För att förstå hur maskininlärning fungerar är det viktigt att eleverna har en grundläggande förståelse för vad data är och hur den kan organiseras.

Nyckelbegrepp

Maskininlärning	En gren inom AI där datorer lär sig mönster och fattar beslut baserat på data, istället för att följa explicita programmerade regler.
Träningsdata	Den data som används för att lära upp en maskininlärningsmodell. Kvaliteten och sammansättningen av denna data är avgörande för modellens prestanda och rättvisa.
Bias	Systematiska fel eller orättvisor i data eller algoritmer som kan leda till att AI-system diskriminerar vissa grupper.
Algoritm	En steg-för-steg-process eller regeluppsättning som en dator följer för att lösa ett problem eller utföra en uppgift.
Prediktion	Ett resultat eller en gissning som en maskininlärningsmodell gör baserat på den data den har tränats på.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

AI tänker och förstår som människor.

Vad man ska lära ut istället

AI baseras på mönsterigenkänning från data, inte verklig förståelse. Aktiva aktiviteter som modellträning visar elever att AI misslyckas utanför träningsdata, vilket korrigerar antropomorfa idéer genom direkta experiment.

Vanlig missuppfattning

Maskininlärning behöver inga data.

Vad man ska lära ut istället

Utan relevant data lär sig modellen inget. Gruppsimuleringar med bias-data hjälper elever se datans centrala roll och varför kvalitet matters, genom att observera egna misslyckade modeller.

Vanlig missuppfattning

Traditionell programmering och maskininlärning är samma sak.

Vad man ska lära ut istället

Traditionell kod är regelbaserad medan ML är datadriven. Parjämförelser gör skillnaden tydlig när elever ser ML hantera variationer bättre, men kräver datahantering.

Idéer för aktivt lärande

Parjämförelse: Programmering vs Maskininlärning

Dela in elever i par. Ett par skriver kod för att sortera frukter baserat på regler, det andra tränar en enkel modell med Teachable Machine på bilder av frukter. Jämför resultaten och diskutera skillnader i flexibilitet.

30 min·Par

Gruppsimulering: Bias i Data

Små grupper får träningsdata med bias, t.ex. ansiktsbilder mest från en hudton. De tränar en modell och testar på mångsidiga data. Diskutera varför modellen misslyckas och hur data kan förbättras.

45 min·Smågrupper

Helklassdiskussion: AI och Yrken

Visa videor om AI i yrken. Elever brainstormar i helklass hur jobb förändras, röstar på mest påverkade och skapar en gemensam mindmap med för- och nackdelar.

40 min·Hela klassen

Individuell Utforskning: Egen ML-modell

Elever använder Scratch eller Teachable Machine för att träna en modell på egna rörelser eller ljud. De dokumenterar träning, test och observationer om överanpassning.

25 min·Individuellt

Kopplingar till Verkligheten

• Rekryteringsverktyg som använder AI för att sortera CV:n kan, om de tränats på historisk data med könsbias, oavsiktligt favorisera manliga sökande till vissa tjänster.
• Självkörande bilar använder maskininlärning för att tolka sin omgivning, men systemets förmåga att känna igen fotgängare kan påverkas av bias i träningsdatan, till exempel om den innehåller färre bilder av personer med mörkare hudtoner.
• Medicinsk diagnostik kan förbättras med AI som analyserar röntgenbilder, men systemet måste tränas på en mångfald av patientdata för att undvika att missa sjukdomar hos underrepresenterade grupper.

Bedömningsidéer

Utgångsbiljett

Be eleverna svara på två frågor på en lapp: 1. Ge ett exempel på hur traditionell programmering skiljer sig från maskininlärning. 2. Beskriv en risk med bias i träningsdata för ett AI-system.

Diskussionsfråga

Ställ frågan: 'Vilka tre yrken tror ni kommer att förändras mest av AI inom de kommande tio åren, och varför?' Låt eleverna diskutera i smågrupper och sedan dela sina tankar med klassen.

Snabbkontroll

Visa en bild av ett vardagligt AI-exempel (t.ex. en rekommendationsmotor på en streamingtjänst). Fråga eleverna: 'Hur tror ni att detta system lär sig vad jag gillar?' Samla in svar muntligt eller via en digital plattform.

Vanliga frågor

Vad är skillnaden mellan traditionell programmering och maskininlärning?

Traditionell programmering bygger på explicita regler som programmeraren anger, t.ex. 'om äpple är rött, sortera hit'. Maskininlärning tränas på exempeldata för att hitta mönster själv, som i bildigenkänning. Detta gör AI flexibel för komplexa uppgifter men känslig för datakvalitet och bias, enligt Lgr22:s fokus på AI:s påverkan.

Hur kan bias i träningsdata påverka AI?

Bias leder till diskriminerande beslut, t.ex. ett rekryteringssystem som favoriserar män om data mest visar män i ledarroller. Elever lär sig detta genom att simulera egna dataset, vilket visar hur oren data skapar orättvisa modeller och vikten av mångsidig representation.

Vilka yrken förändras mest av AI?

Yrken med repetitiva uppgifter som förare, kundtjänst och diagnostik inom sjukvård påverkas starkt. Kreativa roller som design kan förstärkas av AI-verktyg. Diskussioner kring detta utvecklar elevernas framtidsperspektiv och kopplar till teknikens samhällsroll i Lgr22.

Hur kan aktivt lärande hjälpa elever förstå AI och maskininlärning?

Aktiva metoder som modellträning med verktyg som Teachable Machine låter elever uppleva processen själva: mata in data, träna och testa. Detta avslöjar bias och generalisering direkt, stärker systemtänkande och gör abstrakta begrepp minnesvärda jämfört med passiv läsning.