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
I mange deler av verden mangler befolkningen tilgang til øyehelsetjenester. Øyesykdommer som diabetisk retinopati og glaukom kan oppdages tidlig med bildediagnostikk — men det krever spesialister som ikke finnes overalt. KI-baserte diagnoseverktøy tilbyr et løfte: automatisk screening som kan nå flere.
Men KI-systemer er bare så gode som dataene de er trent på. Historisk sett har medisinske datasett vært dominert av bestemte demografiske grupper — noe som gjør at modeller ofte presterer dårlig for pasienter med annen hudtone, alder eller etnisitet. Dette skjules bak påstander om «92 % nøyaktighet»: gjennomsnittlige tall som kan dekke over systematisk svikt for spesifikke grupper.
Dusky Dunes lar elever erfare dette problemet fra innsiden. De oppdager selv at en modell som er «nøyaktig» i gjennomsnitt, kan svikte akkurat de pasientene den er ment å hjelpe. Dette er ikke abstrakt teori — det er en levende etisk utfordring i helsesystemer verden over.
Vil du forstå konseptet bak? Les Slik virker KI — 5 minutter.
Test at https://research.google/ai-quests fungerer i skolens nettverk og at Dusky Dunes-quest-en er tilgjengelig
Gjennomgå quest-en selv — vær særlig forberedt på diskusjonen om bias og rettferdighet i fase 4
Les bakgrunnen om datasett-bias i helsetjenester (relevant for tverrfaglige temaer i læreplanen)
Forbered diskusjonsspørsmålene — skriv dem på tavla eller vis på presentasjonen
Minn elevene på å ta med ørepropper — spillet har lyd og fortellerstemme
Laptop eller nettbrett med internett — ett per gruppe
Ørepropper/hodetelefoner — én per elev; spillet har lyd
Nettsted: https://research.google/ai-quests
Projeksjon for provokasjon og klassediskusjon
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
Elever forstår hvordan treningsdata former AI-systemers oppførsel
Elever identifiserer bias i maskinlæringsmodeller og forstår konsekvensene
Elever reflekterer over etisk ansvar ved utvikling av helsetjeneste-AI
Elever forstår viktigheten av diverse og representative datasett
Dette sier du til elevene
«En KI-modell som kan redde synet til tusenvis av mennesker er klar til å rulles ut. Den har 92 % nøyaktighet i testene — det er bedre enn mange menneskelige leger. Men så viser det seg: modellen fungerer godt for én pasientgruppe, men identifiserer bare halvparten av tilfellene hos en annen gruppe. Den ene gruppen er overrepresentert i treningsdataene. Den andre er ikke det.
💡 Etter å ha lest: Still spørsmålet til klassen: «Er det riktig å bruke en modell som fungerer bedre for noen grupper enn andre — hvis alternativet er ingen modell i det hele tatt?» La elevene diskutere 2–3 minutter i grupper, deretter start quest-en.
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 oppdaget dere om modellens nøyaktighet for ulike pasientgrupper? Beskriv konkrete tall og observasjoner fra quest-en.
Hvorfor presterte modellen ulikt? Forbind til fase 2 — hvem var representert i datasettet, og hvem var ikke det?
Hva er en «falsk negativ» i denne sammenhengen — og hva kan det bety for en pasient? Gjør det konkret: modellen sier «ikke synstap» når det faktisk er synstap → pasienten får ikke behandling → blindhet.
Hvem bør ha ansvar for at KI-modeller i helsevesenet er rettferdige? Tegn en ansvarskjede: datasamlere, modellbyggere, helsepersonell, politikere — hvem bærer hva?
Hva ville du gjort annerledes hvis du bygde dette systemet på nytt? La elevene foreslå: mer diverse data, testing på alle grupper, transparens, brukermedvirkning.
Slik ser det ut i klasserommet
Kilde, kreditering og videre lesning
Dusky Dunes: KI for helsedeteksjon AI Quests — Google Research / Stanford Accelerator for Learning research.google/ai-quests · Lisensiert under CC BY 4.0 Tilpasset til norsk av kiforskolen.no
