Teknologiforståelse i matematik: Elever kan gøre det samme som AI-forskerne 

AI-modellernes indbyggede bias er et brandvarmt emne for AI-forskere, der forsøger at gøre modellerne til pålidelige redskaber. Det er også en af de faldgruber, man som bruger skal have for øje, når man beder ChatGPT og Claude om alt fra skolehjælp til datingråd.  

Og netop derfor er det et godt emne at tage op i grundskolens matematiktime.  

“Vi vil gerne have, at elever lærer noget, der er relevant for dem nu og her, og at de bliver klædt på til at forstå teknologier, der præger deres hverdag,” forklarer Peter Stenkilde, der er kandidat i STEM-undervisning og videnskabelig assistent i forskningsprojektet Albatros.  

Teknologiforståelse er på vej ind i blandt andet matematikundervisningen. I råskitsen til fagfornyelsen af matematik fremgår det, at faget skal give børn mulighed for at arbejde med den skjulte matematik inde i teknologien. Og i Albatros-projektet har man en klar ide om, hvordan det kan gøres i praksis.  

“Vi tager den matematik, eleverne allerede skal lære ifølge Fælles Mål, og bruger den på nye problemstillinger. På den måde vil lærere føle sig klædt på, fordi det, de skal undervise i, er matematik. Men i stedet for at øvelserne handler om taxa-ture eller vand i et svømmebassin, så handler det om algoritmisk bias,” siger Peter Stenkilde.  

Præcis som datalogerne 

Helt konkret har Albatros-holdet taget fat i forskning fra DTU, hvor forskerne med forskellige prompts systematisk tester ChatGPTs bias med fokus på køn og jobs.  

“Vi ser deres arbejde som matematisk modellering. Forskerne tager en kompliceret situation og gør den simplere, fx ved at bruge et fast prompt, og så behandler de sprogmodellens output matematisk” siger Peter Stenkilde. 

“Der er nogle af de skridt, som forskerne tager, som er for komplicerede, som fx når de behandler tal i et Python-script. Men der er andre skridt, som eleverne kan udføre på præcis samme måde, som datalogerne gør.” 

Forskere skal genkende eget arbejde 

I undervisningsforløbet - der stadig er i beta - skal eleverne bede SkoleGPT om at digte små fortællinger om personer med forskellige jobs. Eleverne kan så optælle, hvor ofte lægen er en mænd, og hvor ofte kassemedarbejderen er en kvinde og så fremdeles. Ved at indsamle nok data og opstille dem i diagrammer kan eleverne få en klar indikation af de indlejrede kønsstereotyper, der måtte være i sprogmodellen.  

“Dette er kun en dimension af forskernes artikel, men det er nok til, at eleverne kan arbejde med en helt aktuel problemstilling,” siger Peter Stenkilde.  

“Vi fjerner entropiformlerne og Python-koden. Men vi ender stadig med et undervisningsforløb, som forskerne vil kunne genkende som deres eget arbejde.” 

Gennem matematik 

Forskergruppens arbejde med at undersøge, hvordan frontforskning i praksis kan oversættes til undervisning i praksis, blev i sidste måned udgivet i konferenceproceedings fra den internationale konference i matematikdidaktik CERME. 

For at finde ud af, hvilken del af forskerarbejdet, det giver mening af tage ind i matematiktimen, har Peter Stenkilde taget udgangspunkt i de dimensioner af modellerings-kompetence, som beskrevet af Mogens Niss og Tomas Højgaard. 

I stedet for at øvelserne handler om taxa-ture eller vand i et svømmebassin, så handler det om algoritmisk bias

I KOM-rapporten arbejder de med tre dimensioner i det at besidde en matematisk kompetence: teknisk niveau, aktionsradius og dækningsgrad. Ved at bruge de dimensioner som en linse til at se på forskernes arbejde, har Peter Stenkilde og kollegaer fået øje på de steder, hvor elever kan reproducere en del af datalogernes forskning – mens de opfylder kravene fra Fælles Mål. 

“De tidligere erfaringer viser, at matematikken tilsidesættes, når nyt indhold tilføjes. Derfor er der brug for at lære om teknologien gennem matematikken,” siger Peter Stenkilde.