Materialer
Herunder findes materialer der er med til at støtte scenariet. Det inkluderer en velkomsterfolder der introducerer eleverne til deres “nye arbejde”, en skabelon til nøglekort og plakater til klasserummet om den fiktive virksomhed m.m.
Vejledning til de enkelte lektioner
Til udførelse af forløbet findes her en vejledning, der gennemgår forløbet i en trin-for-trin guide til de i alt ni lektioner.
Arbejdsdokumenter
I denne fil findes der fire arbejdsdokumenter, som skal printes og bruges undervejs i forløbet.
Undervisningsslides
Til forløbet er der udarbejdet undervisnings-slides, der kan bruges gennem hele forløbet. De understøtter forløbets indhold og fremgangsmåde.
CEO-videoer
Fra denne side kan du afspille de to CEO-videoer, der bruges undervejs i forløbet. Den første video afspilles som starten på Udviklingsfase 1 og den anden afspilles før Udviklingsfase 2.
Indsæt CEO-videoer i kolonner + fil med transkribering
Dashboard fra Healthy Hire
Her finder du dashboardet fra det fiktive rekrutteringsfirma Healthy Hire, som bruges til opgave 7 i forløbet. Dashboardet findes også i undervisningsslides og på BioNice intranet, hvor eleverne eventuelt kan finde det frem.
Begrebsoversigt
Forinden udfoldelse af forløbet findes her en begrebsoversigt, der kan være nyttig at gennemlæse, samt at vende tilbage til senere.
| BEGREB | FORKLARING |
| Kunstig intelligens (KL) / Artificial intelligence (AI) | ”Ideen om kunstigt at genskabe den menneskelige intelligens i form af kunstige mennesker eller maskiner” (Hansen, 2011). Overordnet kan begrebet referere til algoritmer der kan løse opgaver som eller forventes at kræve menneskelig intelligens at løse. |
| Maskinlæring (ML) / Machine learning (ML) | “Den type af kunstig intelligens, der driver størstedelen af de teknologier, vi til dagligt hører omtalt som kunstig intelligens” (Hansen, 2011). Maskinlæring handler om at lære ud fra data. Indenfor begrebet findes flere former for maskinlæring: superviseret læring, ikke-superviseret læring og reinforcement learning. I relation til dette forløb arbejder vi ud fra superviseret læring, hvor der anvendes data der indeholder eksempler på klassificering eller forudsigelser. |
| Data | Begreb der dækker over når oplysninger udtrykkes i målbar form, ofte så det kan behandles af teknologi. Data om sundhed, fx søvn og alkoholindtag, er ikke data i sig selv. Men hvis søvn beskrives som fx ”9 timers søvn” eller alkohol som fx ”1 genstand”, bliver datatyperne målbare. |
| Træningsdata | Den data der anvendes til at opbygge en maskinlæringsmodel. Det er vigtigt at være opmærksom på generaliserbarhed for at undgå bias i sin model. Der skal den træningsdata man bruger rumme alle aspekter at det emne man arbejder med, fx flere vinkler på det samme objekt anskuet i forskellige situtationer. |
| Neuralt netværk | ”Netværk af kunstige neuroner inspireret inspireret af den menneske hjerne, der også består af et netværk af neuroner. Sådanne kunstige neurale netværk er hierarkisk opdelt og består af flere lag, et inputlag, et outputlag og ofte et antal skjulte lag ind imellem” (Hansen, 2021). |
| Bias | Bias kan også betegnes som forudindtagethed af data. Det kan opstå når data (som fx billeder) ikke afspejler virkeligheden. Bias i data er en af de største udfordringer i maskinlæring og kunstig intelligens, men er også en forudsætning for, at programmerne virker godt. |
| BioNice | Den fiktive virksomhed som eleverne bliver ansat hos i virksomhedens udviklingsafdeling. BioNice udvikler apps til tracking af sundhed, dvs. apps der indsamler data om brugerens madvaner og dermed kan give indsigt i brugerens sundhed. |
| Healthy Hire | Det fiktive rekrutteringsfirma som BioNice indgår et samarbejde med. Healthy Hire vil gerne købe den data som BioNice indsamler gennem deres apps, så de kan hjælpe andre virksomheder til at ansætte sunde medarbejdere. Samarbejdet kan gavne BioNice fordi Healthy Hire tilbyder at betale for brugernes data og på den måde kan appen være gratis at bruge – hvis de altså er villige til at sælge dataene. |
| Dashboard | Værktøj som Healthy Hire bruger til at rangliste brugerne i sunde og usunde medarbejdere, ved at vurdere brugernes data om for eksempel køn, alder, etnicitet eller politisk overbevisning. |
| Wireframe | Visuelle repræsentationer af et app-designs brugergrænseflade. |
Brug af telefoner/tablets/computere
I forskningsprojektet har vi arbejdet ud fra nogle generelle retningslinjer omkring brugen af telefoner, tablets eller computere i undervisningen. Til afprøvning af forløbet medbragte vi telefoner. Formålet med medbragte telefoner var at undgå, at eleverne skulle benytte deres private telefoner i undervisningen, og af hensyn til GDPR-lovgivning kunne vi med telefonerne undgå at få oplyst personfølsomme informationer om eleverne.
Telefonernes opsætning blev gennemført med udgangspunkt i at gøre dem så anonyme som muligt. De blev opsat uden sim-kort, og telefonernes indstillinger blev sat til ikke at spore lokation og brug af data. Dermed minimerede vi indsamlingen af data om elevernes brug, og vi undgik at den enkelte elevs lokation kunne spores. Dertil slettede vi unødvendige apps på telefonerne, primært for at undgå at lede elevernes opmærksom hen på for eksempel sociale medier.
Som standard søgemaskine indstillede vi DuckDuckGo, som ikke indsamler og gemmer data om udførte søgninger – når eleverne eksempelvis skulle søge efter billeder eller viden.
Når vi udleverede enten telefoner, tablets eller computere til eleverne i undervisningen, fik de disse regler for brug:
- Telefon/tablet/computer var kun til brug i Machine Learning for Kids.
- Der måtte ikke tages personfølsomme billeder hvor en person kunne genkendes, for eksempel billeder med ansigter.
Privatlivspolitik for Machine Learning for Kids*
Om lærer-konti
Når en lærer opretter en konto, gemmes brugernavn og e-mailadresse, så platformen kan kommunikere med læreren.
Om elev-konti
For elevers konti gemmes kun brugernavne. Der indsamles ingen e-mailadresser eller andre personlige oplysninger. Det anbefales, at elever bruger generiske brugernavne (fx “elev1”), så de ikke kan identificeres uden for klassen.
Generelle tekniske oplysninger for alle konti
Brugerhåndteringen sker via tredjepartstjenesten Auth0, som registrerer den IP-adresse og browsertype, brugeren sidst loggede ind med. Hvis der sker fejl i browseren, registreres fejlens oplysninger af tjenesten Sentry, herunder brugernavn, IP-adresse, browsertype og en teknisk fejlbeskrivelse. Dette bruges kun til fejlfinding.
Hvad sker der med elevernes træningsdata?
Når elever laver maskinlæringsprojekter, opretter de træningseksempler (tekst, billeder, tal). Disse gemmes i en database på IBM Cloud i USA. Administratoren har teknisk adgang til dataene, men bruger dem kun til at understøtte, at eleverne kan arbejde på deres projekter. Data offentliggøres ikke og deles ikke med andre parter, bortset fra når de sendes til IBM Watson for at træne modeller (som nævnt nedenfor).
For tekstprojekter sendes træningsdata til IBM Watson, når selve modellen laves. Her er der slået “opt-out” til, hvilket betyder at IBM ikke bruger elevdata til at forbedre deres tjenester. IBM anbefaler generelt, at man ikke deler personhenførbare oplysninger i træningsdata. Derfor skal elever instrueres i ikke at skrive personlige oplysninger i de eksempler, de opretter.
*Oversat og omskrevet fra https://machinelearningforkids.co.uk/#!/help
Kilder
Hansen, J. U. (2021). [CP1] En introduktion til kunstig intelligens og maskinlæring. I Yde, I., Nielsen T. G. & Dahlberg R. (Eds.), Smart Krig: ‘Militær anvendelse af kunstig intelligens’. Djøf Forlag.
Den Danske Ordbog. (2018). Data. Lokaliseret på:
https://ordnet.dk/ddo/ordbog?query=data