Scenariedidaktik
Forløbet er udviklet i en scenariedidaktisk ramme. Scenariedidaktik beskrives som “omverdenens praksisformer i undervisning” (Hanghøj m.fl. 2017). Tanken er blandt andet, at scenarier i undervisningen kan støtte eleverne i at koble praksisser i skolen med virkelige praksisser. Læringsteoretisk bygger scenariedidaktik blandt andet på Dewey, der beskriver, hvordan vi mennesker i vores bevidsthed gennemløber dramatiske gennemspilninger, når vi træffer komplekse beslutninger (Hanghøj m.fl. 2017 med reference til Dewey 1922; Hanghøj 2008). Dertil forsøger Deweys scenarietænkning at gøre op med dikotomien mellem skole og samfund, som er skabt historisk, hvilket også er nærliggende for dette forløb, hvor faglighed i et scenariedidaktisk perspektiv kendetegnes ved at ”eleverne samarbejder om at løse udfordringer i komplekse sammenhænge” (Hanghøj m.fl., 2017).
Scenariebegrebet tager teoretisk “afsæt i, at scenarier kan forstås som narrativer”, og at narrative virkemidler kan anvendes til at skabe meningsfulde sammenhænge, der kan inddrages i skolen. I udvikling af undervisning vil man fra et scenariedidaktisk perspektiv tage udgangspunkt i et eller flere dannelsesorienterede mål og derefter “undersøge, hvilke konkrete typiske situationer, eller scenarier, vi møder, hvor disse dannelsesmål er aktuelle” (Hanghøj m.fl. 2017). Begrebet anskues også i et kompetenceperspektiv, hvor kompetencen til at kunne ”forestille sig, agere og reflektere i relation til udfaldet af bestemte scenarier” bringes i spil. Denne kompetence indebærer også en evne til at ”konstruere, dekonstruere og rekonstruere viden i mødet med konkrete problemstillinger og deres mulige udfald” (Hanghøj m.fl., 2017). Dette gør sig i øvrigt gældende både for de lærende og for underviseren.
Kendetegnende for scenariedidaktikken er, at forskellige undervisningsmetoder såsom projektarbejde, rollespil m.fl. kan anvendes under en fælles faglig ramme. Selve ordet ”scenarie” kan anses som et ”produktivt begreb for didaktisk tænkning i praksis” (Fougt m.fl., 2022). Scenarier kan både foregå inde i vores hoveder, men er også noget, der kan realiseres i vores fælles sociale verden.
I undervisningssammenhæng forstås ”scenariebaseret undervisning”som et undervisningsforløb, hvor en praksis, der som oftest relaterer sig til et domæne, der ligger udenfor skolen, udfoldes. Derfor kan det være en god idé at bevæge sig væk fra det skolede og i stedet træde ind i andre roller som relaterer sig til domænet i scenariet. Roller er en del af scenariedidaktikken, lige så vel som det er en naturlig del af folkeskolens daglige gang, hvor to tydeligt definerede roller findes ved elever og lærere. I scenariedidaktikken vil elev- eller lærerrollen blande sig med en scenarierolle, hvilket bidrager til at skubbe til kompleksiteten i undervisningen, fordi deltagerne i scenariet ikke længere ”kun” er elever eller lærere (Fougt m.fl., 2022).
Den scenariedidaktiske ramme i nærværende forløb er simulering af en praksis som udviklingsafdeling, hvor der i forløbet gøres brug af narrative virkemidler. Herigennem forventes det, at eleverne i højere grad vil blive i stand til at forstå undervisningens sammenhæng med virkeligheden.
Tværfagligheden mellem teknologiforståelse og biologi
Emnet sundhed
Forløbet sætter fokus på teknologikritiske aspekter af teknologiforståelse i en biologifaglig kontekst. Den biologifaglige kontekst er emnet sundhed, og man kan som biologilærer trække tråde til emnet undervejs i forløbet. Det vil også være oplagt at arbejde mere dybdegående med sundhed i relation til emnet – enten før eller efter.
Når vi beder eleverne om at udvikle en (uetisk) app med fokus på sundhed er det vigtigt, som lærer, at være opmærksom på og tale med eleverne om, at formålet bestemt ikke er at opfordre eleverne til at registrere, overvåge eller vurdere deres egen madindtagelse. Dertil er det ikke selve casen omkring mad der skal være i fokus, men madvaner som et eksempel på data, der kan indsamles om en bruger.
Når vi arbejder med begreber som “sund” og “usund” mad, er det vigtigt at understrege, at mange fødevarer kan have en plads i en balanceret kost, og at vores fokus er på at opdage eventuel bias i dataene m.m.
Modellering i naturfagene
Et af hovedformålene med forløbet er, at eleverne skal blive i stand til at forstå og tage kritisk stilling til virkelig brug af maskinlæringsmodeller samt deltage ansvarligt i udviklingen.
En model er en forenklet gengivelse af en udvalgt del af virkeligheden med det formål at støtte konstruktionen af mentale repræsentationer hos brugeren af modellen. Derfor er en models godhed ikke reduceret til, hvor trofast den repræsenterer et aspekt af virkeligheden, men hvor meget den understøtter formålet for brugeren. Som andre computermodeller er maskinlæring en del af videnskabelige bestræbelser, selvom de er modeller af “data og ideer, der understøtter slutninger” (Gilbert & Justi, 2016, s. 22).
I nærværende forløb skal eleverne bruge en maskinlæringsmodel om sundhed, selvom de ikke kan give mening ud af den som repræsentation. De ved ikke, hvor datatyper “Søvn” eller “Alkohol” ligger på modellen selv, og hvor vigtige de er deri. I stedet er modellen god, hvis den opfylder formålet til at vurdere korrekt, hvor sund man er.
Modellering er den dynamiske proces med at producere, bruge, revidere og opgive modeller i naturvidenskab (Gilbert & Justi, 2016, s. viii). Elever med modelleringskompetence vil (BUVM, 2019, s. 10) kunne udøve tre aspekter:
- At bruge naturfaglige modeller til at forstå, forklare eller forudsige fænomener og systemers opførsel. På grund af maskinlærings black-box-karakter kan det være et alternativ til paradigmet om at bruge modeller overvejende til at forstå og forklare fænomener (Nielsen & Nielsen, 2021). Her kan eleverne ikke forstå eller forklare, hvad det betyder at være sund baseret på modellen. Men de kan bruge modellen til at forudsige, hvor sund en person er, baseret på deres data.
- At diskutere og forholde sig kritisk til modeller. Maskinlæringsmodeller i naturfaglige kontekster kan diskuteres og kritiseres som en del af deres teknologikritiske kompetence. Det er beskrevet i forrige afsnit.
At revidere/konstruere modeller med afsæt i egne undersøgelser eller som en del af problemløsning. Selvom maskinlæringsmodeller er meget komplekse, kan nye visuelle værktøjer hjælpe eleverne til at konstruere og revidere dem (Gresse von Wangenheim m.fl., 2021). Her vil eleverne bruge Machine Learning for Kids og konstruere en model til at løse BioNice og Healthy Hires formål: at vurdere menneskers sundhed.
Teknologikritiske aspekter
Et gennemgående fokus i dette undervisningsforløb er teknologikritiske aspekter ved brug og udvikling af kunstig intelligens. Derfor ønsker vi både at introducere, hvad vi mener med begrebet teknologikritik, og at tydeliggøre, hvordan det kommer til udtryk i forløbet.
Teknologikritik kan forstås som en del af en bredere teknologiforståelse, hvor begrebet udfoldes ved en kompetence, der indebærer kritisk stillingtagen og refleksion. Konkret handler teknologikritiske kompetencer blandt andet om elevernes evne til at identificere og diskutere etiske dilemmaer ved brug af teknologi. I dette forløb ser vi teknologikritiske kompetencer i samspil med både tekniske og designfaglige kompetencer. Det betyder, at elevernes indsigt i teknologikritiske aspekter udvikles gennem arbejdet med design- og tekniske færdigheder. For eksempel skal eleverne designe en visuel prototype af en app, hvor de skal tage stilling til, hvilket indhold der vises for brugeren. Her kan der opstå diskussioner om adgang til brugerdata, eller om ’Terms & Conditions’ skal være synligt eller skjult for brugeren. På den måde bringes de kritisk-refleksive kompetencer i spil.
Inden vi udviklede forløbet, dykkede vi ned i forskning om teknologikritiske aspekter i undervisning i udskolingen. Her fandt vi, at teknologikritiske kompetencer generelt beskrives som et vigtigt mål i undervisning om kunstig intelligens og maskinlæring. Vi fandt dog få eksempler, hvor forskningen konkret undersøger, hvordan disse kompetencer kan udvikles hos elever i udskolingen. Det blev derfor en del af vores begrundelse for at undersøge dette i en praksisnær kontekst, hvor også udvikling og evaluering af teknologikritiske kompetencer kunne indgå.
Forskning peger også på, at projekt- og problembaserede tilgange, samt mere eksperimentelle og aktive undervisningsformer, er særligt velegnede til undervisning om kunstig intelligens. I forlængelse heraf så vi et behov for at undersøge, hvordan scenarier kan opstilles så de opleves som relevante og virkelighedsnære for eleverne. Beslutningen om at anvende scenariedidaktik som ramme for forløbet bygger nemlig også på en hypotese om, at scenarier kan styrke elevernes muligheder for at diskutere konkrete problemstillinger i relation til teknologi og dermed understøtte teknologikritiske aspekter.
I dette forløb blev scenariet centreret omkring tracking og indsamling af data, som udgangspunkt for refleksion. Gennem forløbet arbejder eleverne med opgaver, der rejser etiske spørgsmål om databeskyttelse, bias og maskinlæringsmodeller, samt overvejelser om indsamling og anvendelse af data. Eleverne skal dermed indtage en kritisk position over for teknologiens muligheder og konsekvenser – altså udøve teknologikritisk refleksion. Det er i høj grad denne refleksive dimension, der er omdrejningspunktet for udviklingen af teknologikritiske kompetencer.
Samlet set er forløbet derfor designet til at give eleverne konkrete erfaringer med at diskutere og træffe valg om teknologi. Ved at arbejde både praktisk, undersøgende og refleksivt får eleverne mulighed for at udvikle reelle teknologikritiske kompetencer. Målet er nemlig, at de kan forholde sig nuanceret til kunstig intelligens, både som brugere og skabere af teknologi.
Kilder
Børne- og Undervisningsministeriet. (2019). Biologi/fysik/kemi læseplan.
Caeli, E. N. & Bundsgaard, J. (2020). Teknologikritik i skolen – et demokratisk perspektiv på teknologiforståelse. I Haas, C. & Matthiesen, C. (red.): Fagdidaktik og demokrati. Samfundslitteratur.
Caeli, E. N., Zambach, S., Pedersen, C. S., Bundsgaard, J., & Misfeldt, M. (2024). Maskinlæring i folkeskolen: Fra tekniske til teknologikritiske kompetencer. MONA – Matematik- Og Naturfagsdidaktik, 24(4), 16. https://doi.org/10.7146/mona.v24i4.151936
Elicer, R., Caeli, E.N., Pedersen, C.S., & Misfeldt, M. (Forthcoming). Technology-critical aspects of AI in K-12 STEM education: A scoping review.
Fougt, S. S., Bundsgaard, J., Hanghøj, T., & Misfeldt, M. (Eds.). (2022). Håndbog i scenariedidaktik (Vol. 8). Aarhus University Press. https://doi.org/10.2307/j.ctv33jb48k
Hanghøj, T., Misfeldt, M., Bundsgaard, J., Hetmar, V. og Fougt, S.S. (2017): Hvad er scenariedidaktik? Aarhus Universitetsforlag.
Gilbert, J. K., & Justi, R. (2016). Modelling-based teaching in science education. Springer International Publishing. https://doi.org/10.1007/978-3-319-29039-3
Gresse von Wangenheim, C., Hauck, J. C. R., Pacheco, F. S., & Bertonceli Bueno, M. F. (2021). Visual tools for teaching machine learning in K-12: A ten-year systematic mapping. Education and Information Technologies, 26(5), 5733–5778. https://doi.org/10.1007/s10639-021-10570-8
Nielsen, S. S., & Nielsen, J. A. (2021). Models and modelling: Science teachers’ perceived practice and rationales in lower secondary school in the context of a revised competence-oriented curriculum. Eurasia Journal of Mathematics, Science and Technology Education, 17(4), 1–18. https://doi.org/10.29333/ejmste/10790