FORSTÅ

Pastaland

Hvordan forklare klassifisering med et beslutningstre — av ekte pasta?

60 min 5.–7. trinn Grupper Unplugged

Kjernepoeng

Elevene bygger et beslutningstre av ekte pasta — ett ja/nei-spørsmål om gangen, til hver pastatype ligger alene for seg selv. Så møter treet en pastatype det aldri har sett, og elevene oppdager hvorfor det går galt.

Tidsplan (60 min)

0–10 min Sett scenen og bygg felles begreper (dyre-eksempel i plenum)
10–30 min Bygg pastatreet i grupper
30–35 min Del og sammenlign trær
35–45 min Mystery-pasta — test treet på ukjent data
45–60 min Avslutning: bias-diskusjon og refleksjon

Du trenger

Sjekk det du har lært: 2 sider · skriv ut 1 ark per elev
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
Ingen datamaskin nødvendig for elevene — helt unplugged

Forberedelse: 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.

Pastaland · Gjennomføring Side 2

Les til klassen

«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.

1

0–10 min

Sett scenen og bygg felles begreper

Vis: DYRETRE

Hva elevene gjør: Lytter til «Les til klassen»-boksen over, og bygger så et felles ordforråd i plenum med et enkelt dyre-eksempel (grå? to bein? høy?) før gruppene får hver sin pastabunke.

Ditt ansvar i klasserommet:

Pek på treet på skjermen og navngi delene: node (der spørsmålet stilles) og gren (veien videre — ja eller nei).
Klikk gjennom dyre-eksemplet sammen med klassen: «grå?», «to bein?», «høy?» — la elevene rope svarene før du klikker videre.
Del ut pastapose og chartpapir til hver gruppe, men be dem vente med å åpne posen til du sier fra.

2

10–30 min

Bygg pastatreet i grupper

Vis: BYGG TREET

Hva elevene gjør: I grupper på 3–4 tegner de en node øverst på chartpapiret, stiller et ja/nei-spørsmål om pastaen («Er den liten?»), og flytter de fysiske pastabitene til riktig gren. De fortsetter å legge til nye noder til hver pastatype ligger alene igjen i sin egen gren.

Ditt ansvar i klasserommet:

Understrek at hvert spørsmål må ha et ja/nei-svar — ikke «hvilken farge?», men «er den gul?».
Gå rundt og still hjelpespørsmål der grupper står fast: «Hva skiller disse to typene fra hverandre?»
La gruppene bygge helt ulike trær — ikke rett dem inn mot «riktig» rekkefølge. Ulikheten er poenget i fase 5.

Lærertips

Vent med å dele ut mystery-pastaen til fase 4 — ligger den synlig på bordet fra start, gjetter elevene seg fram til «riktig» tre i stedet for å bygge sitt eget.

30–35 min

Del og sammenlign trær

Hva elevene gjør: Hver gruppe går bort til naboborde og ser på et annet ferdig tre. Turn & talk: «Hva er likt? Hva er annerledes?»

Ingen ny slide her — la elevene bevege seg fysisk mellom bordene mens du går rundt og lytter til samtalene. Noter et par gode observasjoner du hører, til bruk i fase 5.

Pastaland · Del B Side 3

4

35–45 min

Mystery-pasta — test treet på ukjent data

Vis: MYSTERY PASTA

Hva elevene gjør: Hver gruppe får utdelt mystery-pastaen (en type som ikke var med i det opprinnelige settet) og skal bruke sitt eget tre til å finne ut hvor den «hører hjemme».

Ditt ansvar i klasserommet:

Del ut mystery-pastaen samtidig til alle gruppene — gjerne med litt teatralsk «dronningen er tilbake fra en reise».
Spør underveis: «Passer den fint et sted, eller føles det som juks?»
Noen grupper vil oppdage at treet ikke har et spørsmål som fanger opp det som gjør mystery-pastaen unik — det er selve poenget, ikke en feil de skal rette opp.

45–60 min

Avslutning: bias-diskusjon og refleksjon

Vis: REFLEKSJON

Hva elevene gjør: Samler seg i plenum og deler hva de la merke til — først om hvorfor trærne ble forskjellige, så om hvorfor mystery-pastaen var vanskelig.

Spørsmål til diskusjon (vises også på skjerm)

Hvorfor ble trærne forskjellige, selv om alle sorterte den samme pastaen?
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?

Lærertips: Land gjerne på at treet feilet fordi det bare kan gjenkjenne det det er bygget for — akkurat som ekte KI-modeller. Ønsker du å gå dypere inn i historien bak beslutningstrær før timen (symbolsk KI, GOFAI, veien til nevrale nett), står den i sin helhet i Slik virker KI — ikke noe du trenger å bringe inn i klasserommet nå.

Avrunding: Klikk fram Vis: BEGREPER som felles oppsummering av dagens begreper.

Pastaland · Lærerens hjørne Side 4

Bakgrunnsstoff og faglig forankring

Dette hjørnet er kun for deg — bakgrunn, differensiering og begrepene du trenger å være trygg på før du går inn i klasserommet.

Hvorfor denne aktiviteten?

Elevene bygger, sammenligner og tester egne beslutningstrær med ekte pasta — og oppdager bias og overfitting på kroppen når treet møter en pastatype det aldri har sett. Vil du sette beslutningstrær i historisk sammenheng (symbolsk KI, GOFAI, veien til nevrale nett) før timen? Det står utfyllende i Slik virker KI, ikke her.

Differensiering

For 1.–4. trinn (eget opplegg): dropp gruppearbeidet og mystery-pastaen. Bruk kun plenums-eksempelet med dyr fra fase 1 (grå? to bein? høy?), og la klassen bygge ett felles tre sammen på tavlen. Bytt pasta ut med 5–6 store, lett gjenkjennelige gjenstander (frukt, leker, dyrekort) i stedet for små pastabiter, og dropp bias-diskusjonen til fordel for «klarte treet å sortere riktig?».
Færre pastatyper (5–6 i stedet for 8–10) for grupper som trenger et enklere utgangspunkt.
For 8.–10. trinn/VGS: dropp dyre-eksempelet i plenum og gå rett på pastatreet. Bruk hele siste fase til å koble bias-diskusjonen til konkrete norske eksempler (NAV, banklån, anbefalingsalgoritmer) og til forskjellen mellom håndbygde og maskinlærte trær.

Faglig kobling (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

Begrep	Enkel forklaring for klasserommet
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.

Lærerveiledning · Kiforskolen · 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.