Als begeleider van deze workshop…

Help je groepjes leerlingen (2 tot max. 4 per groepje) bij het doorlopen van twee interactieve simulaties:

1. Een aanbevelingssysteem nabootsen (zoals Spotify/Netflix)
2. Een beslissingsboom maken (zoals bij machine learning)

 

Deze workshop laat leerlingen kennismaken met hoe AI werkt in de praktijk — niet door te coderen, maar door slim na te denken over patronen, voorkeuren en beslisregels.

 

Werkvorm & organisatie

> Groepjes: bij voorkeur tweetallen (aanbevelingssysteem), en groepjes van 3-4 (beslissingsboom)

> Tijd: ongeveer 60-90 minuten voor de hele workshop

> Telefoongebruik: Toegestaan (voor YouTube/Spotify bij aanbevelingen)

> Materialen: pen & papier, uitgeprinte kaarten (voor beslissingsboom)

 

Activiteit 1: Aanbevelingssysteem simuleren

Stappen voor de leerlingen

1. Vorm duo’s: kies wie ‘gebruiker’ is en wie ‘AI’ speelt.
2. De gebruiker schrijft een favoriet muziekgenre op + 3 liedjes die hij/zij leuk vindt.
3. De AI doet 2 aanbevelingen op basis van die input (gebruik eventueel Spotify/YouTube).
4. De gebruiker geeft een score (1-10) voor de aanbevelingen.
5. De AI doet opnieuw 2 aanbevelingen op basis van de feedback.
6. Wissel van rol en herhaal.

 

Hier kun je op letten als begeleider

> Moedig de ‘AI’ aan om te onderbouwen waarom ze bepaalde liedjes aanbevelen (bijv. dezelfde artiest, sfeer, tempo).

> Help ze verbanden te zien zoals echte AI dat ook doet: patronen herkennen in genre, artiesten, stijlen.

> Laat leerlingen reflecteren: “Wat was hier AI aan?” → patroonherkenning, feedback verwerken, voorspellen.

 

Veelvoorkomende valkuilen

> Aanbevelingen puur op toeval → Help ze met zoeken naar verbanden.

> Gebruikers geven geen echte feedback → Moedig eerlijk en inhoudelijk commentaar aan.

> Onrealistisch beeld van AI → Leg uit dat AI géén magie is, maar draait om veel data en slimme berekeningen.

 

Activiteit 2: Beslissingsboom maken (machine learning simulatie)

Stappen voor de leerlingen

1. Werk in groepjes van 3-4.
2. Gebruik de dierenkaarten met kenmerken (zoals vacht, giftig, waterdier, etc.).
3. Stel ja/nee-vragen op en maak zo een beslissingsboom om de diersoorten te classificeren.
4. Test de boom met willekeurige kaarten.
5. Presenteer aan het eind hoe hun boom werkt en of hij goed presteerde.

 

Hier kun je op letten als begeleider

> Laat leerlingen beginnen met brede categorieën (waterdier vs. landdier, eieren vs. levendbarend).

> Check of elke vraag écht helpt om groepen te splitsen.

> Stimuleer om zo min mogelijk vragen te gebruiken (efficiëntie).

 

Veelvoorkomende valkuilen

> Te veel of onscherpe vragen → Help ze met het stellen van scherpe ja/nee-vragen.

> Verwarring over AI → Leg uit: dit is een simpele vorm van machine learning (decision tree classifier).

> Geen reflectie → Vraag: “Welke dieren werden lastig? Wat zegt dat over je model?”

 

Extra uitdaging (voor snelle groepjes)

> Kun je het aanbevelingssysteem verbeteren met méér data (bijv. stemming of tempo van nummers)?

> Kun je een betere beslissingsboom maken als je nieuwe kenmerken bedenkt?

> Wat zijn de ethische risico’s van AI (denk aan vooroordelen in aanbevelingen of classificatie)?