Når KI lærer av skjeve data
Utforskende, skjermfri KI-ressurs for 8.–10. trinn. Elevene undersøker en sykkelmodell som lærer en misvisende sammenheng mellom kjøretøy og bakgrunn, analyserer testresultater (85 % totalt, men store forskjeller mellom grupper), foreslår forbedringer og overfører innsikten til KI-støttet vurdering av jobbsøkere.
- Trinn
- Ungdomstrinn (8–10)
- Fag
- Tverrfaglig
- Utviklingsområder
- KI-kompetanse, Kildekritisk kompetanse
- Pedagogisk arbeidsmåte
- Utforskende arbeid, Samarbeidslæring, Dilemma / refleksjon, Individuell refleksjon
Hvorfor denne ressursen?
Forstå hvordan ensidige treningsdata kan gi misvisende mønstre og systematiske feil, hvorfor modeller må testes på nye og varierte data, og hvordan slike skjevheter kan påvirke mennesker og rettferdighet.
Hva skal den føre til?
Eleven forklarer misvisende sammenhenger i treningsdata, bruker modellens regel på nye testeksempler, sammenligner samlet og gruppevis nøyaktighet, foreslår og begrunner forbedringer og drøfter konsekvenser for jobbsøkere.
Sentrale begreper
KI, maskinlæring, skjeve data, treningsdata, testdata, bias, rettferdighet, sykkelmodell, nøyaktighet, undergrupper, jobbsøknader, arbeidsliv, menneskelig kontroll.
Nødvendige forkunnskaper
8.–10. trinn. Arbeid i par og grupper med felles drøfting. Skill mellom treningsdata og nye testdata. Modellen er en eksplisitt forenkling av maskinlæring. Bruk fiktive søkere; ikke ekte søknader eller personopplysninger. Vurder både systematiske feil, rettferdighet og menneskelig kontroll.
Hva ser vi etter?
Vurder elevens begrunnelse for modellens feil, beregning og tolkning av 76/80 og 9/20, valg av nye trenings- og testdata, drøfting av jobbsøkerne Sara, Amir og Emma og anbefaling om forsvarlig bruk.
Hva kan vise at eleven lærer?
Elevene undersøker treningsdata og en forenklet modell, sammenligner resultater mellom grupper, identifiserer mulige skjevheter og foreslår forbedringer og nye tester. De begrunner hvordan datakvalitet kan påvirke rettferdighet.