Categories
Fysik Kemi Matematik

Det perfekte IT-værktøj

klasseværelset
Klasseværelset i Yourskills.dk

Det perfekte IT-værktøj

Som lærer manglede jeg det perfekte IT-værktøj, særligt når jeg løbende skal blive mere effektiv, undervise elever med en større faglig bredde og lave bedre resultater. Derfor blev mit behov for det perfekte IT-værktøj strørre og større. Min krav er helt simple og lige til, det perfekte IT-værktøj skal kunne følgende

  1. Rette mine eleveres besvarelser
  2. Give radomiserede opgaver
  3. Videndele forløb nemt mellem mig og mine
  4. Videndele opgaver nemt mellem mig og mine
  5. Give eleverne løbende feedback på deres progression
  6. Kombinere tekst, interaktive applikationer, video og opgaver
  7. Give mig et hurtigt overblik over mine elevers arbejde, lige nu, denne uge og deres totale progression, arbejdsindsats og faglige niveau.
  8. Være gratis
  9. Bruges lige nemt i og uden for klasseværelset
  10. Bruges til virtuel undervisning
  11. Bruges til at varierere undervisningen
  12. Motivere eleverne til at lave lidt mere
  13. Kontrolere om eleverne har lavet deres lektier
  14. Gamificere undervisningen
  15. Lave prøver og screeninger og rette dem
  16. Lave skriftlige afleveringsopgaver og rette dem
  17. Repetere med elever
  18. Differentier undervisningen
  19. Lave særlige forløb for elever, der lige kommer ind i klassen
  20. Sikre sig, at alle elever kan arbejde med netop det de helst ville
  21. Give elever feedback øjeblikkeligt
  22. Give karaktere

Jeg undersøgte markede og fandt ikke noget der havde alle elementer, nogle systmer opfyldte nogle af kravene, men aldrig dem alle.

Jeg har derfor lavet det perfekte IT-værktøj – https://yourskills.dk/

Categories
Dansk Feedback

Formativ feedback i Peergrade

Jeg vil gerne anbefale Peergrade som platform til formativ peer-review, altså elever, der evaluerer andre elevers arbejde.

Der er lavet nogle virkelig gode instruktionsvideoer både til lærere og elever. Det er meget simpelt at oprette et hold, som man inviterer elever til. Derefter opretter man en opgave til holdet (assignment) og nogle feedbackkriterier, som kaldes ‘rubrics’ i systemet. (Jeg kendte ikke ordet, men går ud fra at ‘rubrikker’ henviser til rubrikkerne i den feedbackformular, som man opretter til eleverne.)

Screenshot
Screenshot fra interfacet på opgaven “kronik om børndeopdragelse”. Her opretter man sin ‘rubric’.

 

 

Der er mulighed for at lave ja/nej-spørgsmål, gradueringer, og fritekst. Mit feedbackskema så sådan ud (opgaven var en kronik om børneopdragelse)

  • Præsenteres teksten korrekt med medie/afsender/dato? (ja/nej)
  • Er synspunkterne i teksten hierarkiseret, altså fremhæves der et hovedsynspunkt (ja/nej)
  • I hvor høj grad karakteriseres argumentationsformen med danskfaglige begreber (slet ikke, i nogen grad, i høj grad)
  • Hvad er godt ved karakteristikken og hvad kunne forbedres? (fritekst)
  • I hvilke passager diskuterer skribenten synspunkterne sagligt og godt? (fritekst)
  • Tager skribenten selvstændigt stilling til emnet henimod slutningen af diskussionen? (ja/nej)
  • Hvad kan skribenten ellers forbedre (fritekst)
  • Hvilken karakter ville du give (de 7 trin, minus den dårligste 🙂 )

Eleverne uploader deres besvarelser uden at skrive navn på. Så mixer Peergrade dem i salatskålen og spytter 3 opgaver ud til hver elev, som de skal give feedback på. Her anvendes det feedbackskema (rubric) som læreren har oprettet. Når eleven har givet feedback, så modtager han/hun herefter selv anonym feedback fra  3 klassekammerater.

Feedback på feedback

Eleverne giver også feedback på feedbacken. Man skal svare på om den var konstruktiv og hjalp videre i processen og man har mulighed for at ‘flagge’ feedback, så læreren kan få besked, hvis nogen ikke opfører sig ordentligt.

Man kan vælge at lade aflevering og feedback foregå hjemme, men jeg prøvede det af på skolen i en skrivtime. Så skal man starte en ‘live-session’:

  1. Eleverne uploadede før timen
  2. Jeg tjekkede at alle var uploadet
  3. Jeg startede livesession. Her beregnede jeg 3×15 min til feedback
  4. Herefter var der ‘feedback på feedback’
  5. Eleverne fik 2 dage mere til opgaven, før den skulle afleveres i Lectio.

Der er nogle muligheder for at få statistik på feedbacken, som jeg ikke helt har overblik over, og måske gælder det ikke når man kører live sessions i stedet for at det er hjemmearbejde.

Fordelene kan være at eleverne får flere øjne på deres arbejde og at de selv lærer noget ved at give feedback.

Efter den 25. maj kræver det en databehandleraftale, hvis man vil overholde persondataloven.

 

Categories
Matematik Software

Lineær regression med maskinlæring

Kunstig intelligens bygger på metoden maskinlæring, hvorfor pædagogiske introduktioner til maskinlæring søges. Det tager lidt, at lave ansigts-genkendelses med maskinlæring, men et første skridt kan være lineær regression.

Der er bedre måder, at lave lineær regression end maskinlæring, fx. mindste kvadraters metode (jeg tør ikke sige, at MK-metode løser problemet eksakt). Så dette er en introduktion til at gradvist tilpasse sine parametre ud fra kendte data.

Her har jeg fremstillede nogle data i Excel, som næsten ligger på en ret linje, og gemt dem som en .csv fil:

Jeg har brugt sproget Python i miljøet Jupyter, men en simplere editor kan let findes: Elevernes Excel eller CAS-værktøj kan også gøre det.

Koden behøver ikke være længere end som vist herunder. genfromtxt omdanner to søjler i Excel til en liste af lister (matrice). Hver liste indeholder et datapar (x,y). Variablen “points [j][1]” henviser derfor til en y-værdi i datapar nr. j.

Det mest interessante sker nok i opdateringen af a og b, hvor d(error)/d(a)=x og d(error)/d(b)=1 anvendes.

Min maskinlærings-algoritme giver:

y=2,08x+3,72

Excel giver:

y=2,05x+3,8

Det er da ret godt gået, de få punkter taget i betragtning.

Jeg ville også lave nogle grafiske repræsentationer af processen. Så blev koden noget længere.

Summen af (error)^2 for hver gang datasættet løbes igennem (1 epoch), falder i løbet af de første ca. 10 iterationer (figur t.h.). Error kvadreres for at tage højde for positive og negative error-værdier.

Summen af errors^2 dækker over nogle udsving mellem positive og negative error-værdier, som jeg kan se når jeg printer alle error-værdierne. Det er måske forklaringen på, at jeg ikke kommer nærmere Excel’s løsning.

For 50 iterationer og startværdier på a=1 og b=0 (blå linje), ses herunder hvordan linjen drejes opad og b løfter sig med hver gentagelse. Mest i starten, derefter finjustering:

Hvis learning rate hæves for meget, herunder 0,1, fås nonsens. Algoritmen springer mellem over- og undershoot?

Vi vil gerne undgå: ”De [eleverne] taster noget ind på lommeregneren eller computeren, men har ikke forståelsen af, hvad de gør.” Leslie Christensen, CBS, Gymnasieskolen 29.april 2016.

Hvordan skal eleverne arbejde med forstå algoritmen?  Manuelt gennemregne et par iterationer? En bedre grafisk animation af linjerne, ville også være rart.

Perspektivet i metoden er også et par tanker værd..

Categories
Dansk Engelsk Flipped Classroom IPad Mundtlighed Screencast Software Tablets

Notability i undervisningen og forberedelsen

Jeg har lavet en intro-video til Notability til iPad Pro.

Det er en generel intro, så der er ikke noget specifikt for min engelsk- og danskundervisning i videoen.

Notetagning (med lyd)

Jeg bruger det til at tage noter til oplæg (hvor optagefunktionen er smart). Så kan jeg skrive om indholdet af oplægget, mens jeg optager deres udtale (i engelsk for mit vedkommende).

Annotér PDF’er

Jeg bruger det også til at tage noter i pdf-tekster, jeg underviser i. Så ligger de klar til næste gang. Jeg printer som regel teksten, når jeg har taget noterne, for jeg synes, det er rarere at gå rundt med et stykke papir, end med min iPad.

Flipped Learning

Man kan også bruge det til noget Flipped Learning, hvis man er med på den slags. Det er jeg ikke helt kommet til endnu. Jeg forestiller mig at lave noget grammatik (men der findes virkelig meget fint allerede) eller noget litteraturhistorie – fx intro til en periode.

Categories
Matematik Software Studiekompetencer

Maskinlæring i gymnasiet

Hvordan kommer “egernet” Scrat til sit agern?

Kilde: https://studio.code.org/hoc/17

 

Scrat kan styres til sit agern med en løkke og en forgrening:

Det er den traditionelle måde, som mennesker laver computerkode. Vi analyserer problemet, og udtænker en eksekverbar løsning. Men nogle gange er problemet større end vi kan overskue. En anden måde at løse det er maskinlæring (machine learning): computeren afprøver og lærer en generaliseret løsning ud fra data.

Data skal her forstås, som alt der kan omsættes til tal inkl. tekst, billeder m.m. På den måde kan vi få ny viden og nye anvendelser ud af vores data. Maskinlæring foregår ofte i kunstige neurale netværk og kan føre til kunstig intelligens (AI). Der er ingen magi i maskinlæring, men så mange data og beregninger, at vi mennesker ikke kan overskue systemet.

Maskinlæring anses for det mest lovende område inden for IT. Mange af de nye teknologier og værdiforøgelser, som vi kan forvente, involverer maskinlæring. Men maskinlæring og kunstig intelligens er også nogle af de mest hypede begreber, og analyseinstituttet Gartner har helt ekstraordinært opfordret til reflekteret brug af AI-begreber bl.a. for at undgå AI-wash -alle firmaer skal have en smart eller intelligent løsning, uden den er gennemtestet eller tilpasset brugerne.

Givet flere data og mere computerkraft, bruges maskinlæring allerede i mange tjenester, formentlig uden brugerne opdager det. De fem store (Google, Facebook osv.) bruger det i udbredt grad, først og fremmest til at skabe indkomst ud fra brugernes data og trafik gennem målrettede reklamer. Men også for at give bedre brugeroplevelser. Og sundhedssektoren er begyndt at anvende maskinlæring til at analysere resultater (fx genbanker), diagnosticere og styre operationsrobotter.

Skal maskinlæring ind i uddannelserne? Fx under den brede ‘computational thinking‘ paraply. Trods overvurdering, er maskinlæring og kunstig intelligens måske så lovende, at de bør indgå i enhver refleksion over hvordan computeren kan bidrage til løsninger. Og derfor skal vi overveje, om de unge skal introduceres til maskinlæring som kompetence, og så de kan deltage i debatten på et mere oplyst grundlag.

Underviser Du i maskinlæring, så lad os høre om det!

Arbejder man fx i matematik med lineær regression via mindste kvadraters metode, kan man overveje at udskifte den med regression via maskinlæring.

Perspektiverne i “tænkende” maskiner er mange, både gode og dårlige. Vil mennesket miste noget, hvis en del af tænkearbejdet overlades til algoritmer, eller kaster vi os blot over andre udfordringer.

Vi skal undervise i at undersøge problemer, og i hvordan man designer og udvikler løsninger fx gennem maskinlæring. Vi skal i mindre grad undervise i, hvordan man bruger en smart færdig løsning til at tænke for sig.