Hvorfor opplegget virker, og hva du gjør før timen. Selve timen minutt for minutt står i lærerveiledningen.
Hva elevene faktisk gjør — og hvorfor det virker
Elevene bygger selv et beslutningstre fra bunnen av, med ekte pasta som treningsdata. Ett spørsmål om gangen («Er den liten?», «Er den rund?») deler pastaen i to grener, til hver type ligger alene igjen i sin egen gren. Det fysiske — å faktisk flytte penne og fjærpasta mellom grener tegnet på et ark — gjør en abstrakt idé konkret: elevene er algoritmen mens de jobber, ikke bare tilskuere til den.
Den pedagogiske kjernen ligger i de to siste fasene. Når gruppene sammenligner trærne sine, oppdager de at forskjellige mennesker stiller forskjellige spørsmål til akkurat de samme dataene — noen tenker form, andre størrelse, andre bruksområde. Det er bias helt konkret, ikke som abstrakt begrep. Og når mystery-pastaen dukker opp — en type treet aldri har sett — feiler treet gjerne på akkurat den måten ekte KI-modeller feiler: det var bygget for én bestemt jobb, og møter det ukjente dårlig.
Lærerveiledningens differensieringsboks (side 4) skisserer hvordan aktiviteten kan tilpasses ned til 1.–4. trinn som et eget, enklere opplegg — og opp mot VGS med tyngre bias-diskusjon.
Hvorfor er beslutningstrær «god gammeldags KI», og hva har de blitt til siden? Les Slik virker KI — 5 minutter.
Kjøp eller finn 8–10 forskjellige tørre pastatyper — nok til at hver gruppe har et helt identisk sett (makaroni, fjærpasta, skjell, sløyfer, spaghetti, penne, fusilli, stjerner, ris/orzo, lasagne-biter er gode kandidater).
Sett til side én ekstra, annerledes pastatype som «mystery-pasta» (f.eks. rotelle/hjul-pasta) — én per gruppe, skjult i en pose eller eske til fase 4.
Test aktiviteten selv først: bygg et tre med ditt eget sett, så du kjenner fallgruvene — blir treet skjevt? Er noen typer vanskelige å skille fra hverandre?
Forbered presentasjonen på skjerm eller projektor.
8–10 ulike tørre pastatyper, ett identisk sett per gruppe
Én mystery-pastatype per gruppe, forskjellig fra settet, skjult til fase 4
Stort ark/chartpapir og tusjer, ett sett per gruppe
Tallerkener eller små skåler til å holde pastatypene atskilt før sortering
Projektor eller skjerm til presentasjonen
I timen
Lærerveiledningenpå papir foran deg — hva du sier, fasene, lærertips og differensiering
Presentasjonenpå skjerm for elevene — skal ikke skrives ut
Slå opp ved behov
Læringsmål og kompetansemål
Hva elevene skal lære
Elevene skal kunne forklare hva et beslutningstre er, og bygge et fungerende tre med ja/nei-spørsmål som sorterer et sett gjenstander slik at hver gjenstand ender alene i sin egen gren.
De skal teste treet sitt på en ny, ukjent pastatype og beskrive hva som skjer når data ikke passer inn i reglene treet ble bygget for.
De skal koble ulikhetene mellom klassekameratenes trær til bias: at menneskers erfaring og bakgrunn styrer hvilke spørsmål de velger å stille.
Forankring i LK20
Naturfag (5.–7. trinn) — Utforske og beskrive hvordan teknologi bygger på og endrer eksisterende teknologi, og bruke praktisk utstyr til å gjennomføre undersøkelser.
Matematikk (5.–7. trinn) — Sortere og klassifisere gjenstander etter egenskaper, og utforske logiske resonnementer og mønstre.
Samfunnsfag (5.–7. trinn) — Reflektere over hvordan teknologi kan påvirkes av og påvirke holdninger, verdier og hvem som har laget den.
Begreper i dette opplegget
Beslutningstre: En modell som stiller ja/nei-spørsmål i noder for å sortere data i kategorier gjennom grener.
Node: Punktet i treet der et ja/nei-spørsmål stilles.
Gren: Veien videre fra en node, avhengig av svaret — ja eller nei.
Klassifisering: Å sortere data i kategorier basert på egenskaper — «denne pastaen er liten», «denne er rund».
Treningsdata: Eksemplene (pastaen) treet ble bygget for å sortere.
Bias: Når skaperens egne erfaringer og forutsetninger farger hvilke spørsmål og regler som velges.
Symbolsk KI (GOFAI): En tidlig tilnærming til kunstig intelligens der mennesker skriver reglene direkte inn i systemet, i stedet for at systemet lærer reglene selv fra eksempler.
«Dere jobber for Dronningen av Pastaland — en katt som bare svarer ja og nei. Hun vil ha all pastaen i kongeriket sortert i bokser, slik at hun raskt finner akkurat den typen hun trenger til middagen. Bygg et system som sorterer pastaen for henne: ett ja/nei-spørsmål om gangen.»
Vis gjerne det enkle dyre-eksempelet i plenum først (grå? to bein? høy?) — det gir hele klassen felles språk for node, gren og klassifiserende egenskap før gruppene setter i gang med pastaen.
Står også i lærerveiledningen som «Les til klassen», og på presentasjonens andre slide.
Refleksjonsspørsmål til klassen
Spørsmålene står også i lærerveiledningen og på presentasjonens refleksjonsslide.
Hva la dere merke til når dere sammenlignet treet deres med en annen gruppes?
Hvorfor ble trærne forskjellige, selv om alle sorterte den samme pastaen?
Hva skjedde da dere testet treet på mystery-pastaen? Passet den inn et sted, eller falt den mellom to stoler?
Hvem sin erfaring med pasta styrte hvilke spørsmål dere valgte å stille?
Er beslutningstrær fortsatt «ekte» KI, eller bare et spill med ja/nei-spørsmål?
I virkeligheten — og videre arbeid
I virkeligheten
Kredittvurdering — Banker bruker beslutningstrær — og «skoger» av mange trær sammen — til å vurdere om noen får lån.
Medisinsk diagnose — Leger og kliniske systemer bruker beslutningstre-logikk: «Feber? Hoste? Sår hals?»
E-postfiltre — Spam-filteret ditt stiller lignende ja/nei-spørsmål før det sorterer en e-post.
Anbefalingssystemer — Nettbutikker bruker lignende regler til å avgjøre hvilke varer som vises til deg.
Bygg videre på opplegget
«Er det vinterklær?» — DAiLy sin oppfølgingsaktivitet der elevene bygger et nytt beslutningstre for klær — først fritt, så begrenset til bare det en strekkode kan lese (vekt, materiale, størrelse, farge). God overgang til hvordan ekte anbefalingssystemer må klare seg med begrenset data.
Bygg et eget tre — La elevene velge en kategori fra hverdagen (godteri, blyanter, sko) og bygge et helt nytt tre selv, fra bunnen av.
Undersøk en KI-modell i Norge i dag — Finn et eksempel fra bank, helse eller offentlig forvaltning som bygger på beslutningstre-logikk, og diskuter hvem som er ansvarlig når den tar feil.
Slik ser det ut i klasserommet
Kilde, kreditering og videre lesning
Tilpasset fra «PastaLand» — opprinnelig utviklet i 2018 for CSTA-verkstedet «Investigating Fairness in Machine Learning» av Irene Lee og Fred Martin (MIT STEP Lab), videreutviklet som del av «Decision Trees»-opplegget i Data Privacy-pensumet fra MIT Media Lab Personal Robots Group (Stephanie Nguyen og Daniella DiPaola, ledet av Cynthia Breazeal). Brukt under CC BY-NC 4.0. Norsk bearbeiding: Sigrun Lindaas Norhagen, kiforskolen.no — NLA Høgskolen.
