Om undervisningsforløbet
BioNice: Din sundhed, vores data? er et tværfagligt forløb i teknologiforståelse og biologi, målrettet udskolingen. Det er udviklet som del af et 3,5-årigt forskningsprojekt i perioden 2023 til 2026. Projektet er støttet af Novo Nordisk Fonden, og undervisningsmaterialet er tilgængeligt her på siden til fri brug. Ressourcen er gjort tilgængelig på CFUmaker efter aftale med forfatterne.
Forløbet er tiltænkt som ni lektioners scenariedidaktisk forløb, hvor klassen agerer udviklingsafdeling i en fiktiv virksomhed, der udvikler apps til tracking af sundhed. Det er tænkt til at egne sig godt til eksempelvis fagdage eller projektuger uden mange afbrydelser.
MÅL FOR ELEVERNES LÆRING
Overordnet skal eleverne udvikle forståelse for kunstig intelligens i naturfaglige sammenhænge. De skal kunne undersøge, forstå og kritisk vurdere virkelig brug af maskinlæringsmodeller, særligt når modellerne anvendes i relation til krop, sundhed, data og beslutninger om mennesker.
Forløbet placerer sig i en biologifaglig ramme, men med et tydeligt teknologiforståelsesfagligt sigte: Eleverne arbejder med kunstig intelligens som et digitalt fænomen, der både bygger på menneskelige valg, data og modeller, og som samtidig kan påvirke menneskers liv, handlemuligheder og fællesskaber.
Med afsæt i Fagfornyelsens fagplan for teknologiforståelse lægger forløbet vægt på elevernes dømmekraft, ansvarsfølelse og praktiske forståelse af digitale teknologier. Eleverne skal ikke kun lære om teknologien, men også undersøge, hvordan den virker, hvilke antagelser den bygger på, og hvilke konsekvenser den kan få for brugere og samfund.
I biologifaget kobles forløbet især til arbejdet med krop og sundhed, data, modeller, undersøgelse og perspektivering. Eleverne skal arbejde med, hvordan sundhedsdata kan indsamles, fortolkes og anvendes i digitale modeller, og de skal forholde sig til, hvornår sådanne modeller kan være nyttige, misvisende eller problematiske.
Et centralt mål er derfor, at eleverne både kan deltage undersøgende og ansvarligt i udviklingen af en enkel maskinlæringsmodel og samtidig reflektere over modellens begrænsninger, datagrundlag, designvalg og mulige betydning for mennesker i konkrete sundhedssammenhænge.
Deltag i vores CFUmaker online fællesskab på Oase.app
Link til Oase.app – både QR kode til mobil app samt link til Oase.app
Undervisningsforløbet er udviklet med en scenariedidaktisk ramme, hvor klassen skal agere udviklingsafdeling i BioNice, en fiktiv virksomhed der udvikler apps til tracking af sundhed. Udviklingsafdelingen skal i teams arbejde på at udtænke en app, der gennem billeder af brugernes mad kan vurdere, om deres madvaner er sunde eller usunde. Ved at registrere deres madvaner kan brugerne bliver mere opmærksomme på, hvad de spiser i løbet af en dag, og hvordan de kan blive sundere. Forløbet er tænkt til at egne sig godt til eksempelvis fagdage eller projektuger uden mange afbrydelser. De tre første lektioner er forberedende og de næste seks lektioner er udviklende.
Først skal eleverne (den nystartede udviklingsafdeling) igennem en onboardingproces, hvor de lærer centrale begreber og værktøjer at kende. Eleverne skal dernæst arbejde på deres model i programmet Machine Learning for Kids. For hver ret skal de overveje og diskutere, om retten er sund, midt imellem eller usund. Da eleverne er færdige med deres model, meddeler chefen i virksomheden at BioNice har indgået et samarbejde med et rekrutteringsfirma kaldet Healthy Hire. De er meget interesserede i at købe brugernes madvaner via denne app, så de kan hjælpe andre virksomheder med at ansætte de sundeste medarbejdere. De vil også gerne have koblet andre data om brugernes sundhed på. På den måde kan appen desuden blive gratis for brugerne, fordi Healthy Hire betaler BioNice for brugernes data, og de gerne vil have så mange brugere som muligt til at downloade appen, så de kan få så mange data som muligt. Win-win?
Udviklingsafdelingen diskuterer og nedskriver i deres små teams, hvilke data man kunne indsamle, der fortæller noget om sundhed (f.eks. søvnmønster, nikotinvaner, væskeindtag, motionsvaner osv.). De laver derefter en pointstige og tester deres beslutninger, og de diskuterer og nedskriver, hvordan de i BioNice kan få adgang til brugernes data. Er der f.eks. apps på telefonen i forvejen, der kan hjælpe dem? Dernæst laver de en wireframe for, hvordan appen kan se ud for deres testbruger. Slutteligt viser læreren, hvordan et dashboard, som Healthy Hire rekrutterer medarbejdere på baggrund af, kan se ud. Ved et afdelingsmøde snakker de om kategorisering, og der faciliteres et oprør over bedraget over for brugerne, dvs. en diskussion om etik og ansvarlig udvikling. Teamene skal finde og nedskrive noter med argumenter henholdsvis for og imod profilering og salg af data. De diskuterer for og imod på afdelingsmødet, samt om BioNice skal gå videre ad den vej eller ej ved at udtænke virksomhedens etiske principper for ansvarlig udvikling.
Få støtte til hele BioNice-forløbet med detaljerede lærervejledninger til hver lektion. Vejledningen indeholder forslag til introduktioner, klasseaktiviteter, refleksionsspørgsmål, arbejdsdokumenter og didaktiske overvejelser, så du nemt kan gennemføre forløbet fra første briefing til den afsluttende etiske debat om kunstig intelligens, data og sundhed.
Download PDF’en og få adgang til den komplette trin-for-trin vejledning, der hjælper dig med planlægning, gennemførelse og evaluering af hele forløbet.
Forinden udfoldelse af forløbet findes her en begrebsoversigt, der kan være nyttig at gennemlæse, samt at vende tilbage til senere.
| EGREB | FORKLARING |
| Kunstig intelligens (KL) / Artificial intelligence (AI) | ”Ideen om kunstigt at genskabe den menneskelige intelligens i form af kunstige mennesker eller maskiner” (Hansen, 2011). Overordnet kan begrebet referere til algoritmer der kan løse opgaver som eller forventes at kræve menneskelig intelligens at løse. |
| Maskinlæring (ML) / Machine learning (ML) | “Den type af kunstig intelligens, der driver størstedelen af de teknologier, vi til dagligt hører omtalt som kunstig intelligens” (Hansen, 2011). Maskinlæring handler om at lære ud fra data. Indenfor begrebet findes flere former for maskinlæring: superviseret læring, ikke-superviseret læring og reinforcement learning. I relation til dette forløb arbejder vi ud fra superviseret læring, hvor der anvendes data der indeholder eksempler på klassificering eller forudsigelser. |
| Data | Begreb der dækker over når oplysninger udtrykkes i målbar form, ofte så det kan behandles af teknologi (Den danske ordbog, 2018). Data om sundhed, fx søvn og alkoholindtag, er ikke data i sig selv. Men hvis søvn beskrives som fx ”9 timers søvn” eller alkohol som fx ”1 genstand”, bliver datatyperne målbare. |
| Træningsdata | Den data der anvendes til at opbygge en maskinlæringsmodel. Det er vigtigt at være opmærksom på generaliserbarhed for at undgå bias i sin model. Der skal den træningsdata man bruger rumme alle aspekter at det emne man arbejder med, fx flere vinkler på det samme objekt anskuet i forskellige situtationer. |
| Neuralt netværk | ”Netværk af kunstige neuroner inspireret inspireret af den menneske hjerne, der også består af et netværk af neuroner. Sådanne kunstige neurale netværk er hierarkisk opdelt og består af flere lag, et inputlag, et outputlag og ofte et antal skjulte lag ind imellem” (Hansen, 2021). |
| Bias | Bias kan også betegnes som forudindtagethed af data. Det kan opstå når data (som fx billeder) ikke afspejler virkeligheden. Bias i data er en af de største udfordringer i maskinlæring og kunstig intelligens, men er også en forudsætning for, at programmerne virker godt. |
| BioNice | Den fiktive virksomhed som eleverne bliver ansat hos i virksomhedens udviklingsafdeling. BioNice udvikler apps til tracking af sundhed, dvs. apps der indsamler data om brugerens madvaner og dermed kan give indsigt i brugerens sundhed. |
| Healthy Hire | Det fiktive rekrutteringsfirma som BioNice indgår et samarbejde med. Healthy Hire vil gerne købe den data som BioNice indsamler gennem deres apps, så de kan hjælpe andre virksomheder til at ansætte sunde medarbejdere. Samarbejdet kan gavne BioNice fordi Healthy Hire tilbyder at betale for brugernes data og på den måde kan appen være gratis at bruge – hvis de altså er villige til at sælge dataene. |
| Dashboard | Værktøj som Healthy Hire bruger til at rangliste brugerne i sunde og usunde medarbejdere, ved at vurdere brugernes data om for eksempel køn, alder, etnicitet eller politisk overbevisning. |
| Wireframe | Visuelle repræsentationer af et app-designs brugergrænseflade. |
Referencer
Hansen, J. U. (2021). [CP1] En introduktion til kunstig intelligens og maskinlæring. I Yde, I., Nielsen T. G. & Dahlberg R. (Eds.), Smart Krig: ‘Militær anvendelse af kunstig intelligens’. Djøf Forlag.
Den Danske Ordbog. (2018). Data. Lokaliseret på: https://ordnet.dk/ddo/ordbog?query=data
BRUG AF TELEFONER/TABLETS/COMPUTERE
I forskningsprojektet har vi arbejdet ud fra nogle generelle retningslinjer omkring brugen af telefoner, tablets eller computere i undervisningen. Til afprøvning af forløbet medbragte vi telefoner. Formålet med medbragte telefoner var at undgå, at eleverne skulle benytte deres private telefoner i undervisningen, og af hensyn til GDPR-lovgivning kunne vi med telefonerne undgå at få oplyst personfølsomme informationer om eleverne.
Telefonernes opsætning blev gennemført med udgangspunkt i at gøre dem så anonyme som muligt. De blev opsat uden sim-kort, og telefonernes indstillinger blev sat til ikke at spore lokation og brug af data. Dermed minimerede vi indsamlingen af data om elevernes brug, og vi undgik at den enkelte elevs lokation kunne spores. Dertil slettede vi unødvendige apps på telefonerne, primært for at undgå at lede elevernes opmærksom hen på for eksempel sociale medier.
Som standard søgemaskine indstillede vi DuckDuckGo, som ikke indsamler og gemmer data om udførte søgninger – når eleverne eksempelvis skulle søge efter billeder eller viden.
Når vi udleverede enten telefoner, tablets eller computere til eleverne i undervisningen, fik de disse regler for brug:
Der måtte ikke tages personfølsomme billeder hvor en person kunne genkendes, for eksempel billeder med ansigter.
Telefon/tablet/computer var kun til brug i Machine Learning for Kids.
PRIVATLIVSPOLITIK FOR MACHINE LEARNING FOR KIDS*
Om lærer-konti
Når en lærer opretter en konto, gemmes brugernavn og e-mailadresse, så platformen kan kommunikere med læreren.
Om elev-konti
For elevers konti gemmes kun brugernavne. Der indsamles ingen e-mailadresser eller andre personlige oplysninger. Det anbefales, at elever bruger generiske brugernavne (fx “elev1”), så de ikke kan identificeres uden for klassen.
Generelle tekniske oplysninger for alle konti
Brugerhåndteringen sker via tredjepartstjenesten Auth0, som registrerer den IP-adresse og browsertype, brugeren sidst loggede ind med. Hvis der sker fejl i browseren, registreres fejlens oplysninger af tjenesten Sentry, herunder brugernavn, IP-adresse, browsertype og en teknisk fejlbeskrivelse. Dette bruges kun til fejlfinding.
Hvad sker der med elevernes træningsdata?
Når elever laver maskinlæringsprojekter, opretter de træningseksempler (tekst, billeder, tal). Disse gemmes i en database på IBM Cloud i USA. Administratoren har teknisk adgang til dataene, men bruger dem kun til at understøtte, at eleverne kan arbejde på deres projekter. Data offentliggøres ikke og deles ikke med andre parter, bortset fra når de sendes til IBM Watson for at træne modeller (som nævnt nedenfor).
For tekstprojekter sendes træningsdata til IBM Watson, når selve modellen laves. Her er der slået “opt-out” til, hvilket betyder at IBM ikke bruger elevdata til at forbedre deres tjenester. IBM anbefaler generelt, at man ikke deler personhenførbare oplysninger i træningsdata. Derfor skal elever instrueres i ikke at skrive personlige oplysninger i de eksempler, de opretter.
*Oversat og omskrevet fra https://machinelearningforkids.co.uk/#!/help
Forløbet kræver både digitale og fysiske materialer. Eleverne arbejder i mindre teams og skal undervejs indsamle data, træne en machine learning-model, udvikle app-idéer og diskutere etiske problemstillinger. De skal derfor have adgang til computer, tablet eller telefon med internetadgang samt login til Machine Learning for Kids. Derudover anvendes velkomstfolder, nøglekort med loginoplysninger og fire arbejdsdokumenter, som understøtter de forskellige faser af udviklingsprocessen.
Til de praktiske aktiviteter skal hvert team have:
Materialerne bruges til at indsamle og kategorisere data, udvikle machine learning-modeller, designe brugergrænseflader og gennemføre diskussioner om dataetik og ansvarlig teknologiudvikling.
Undervejs i forløbet skal eleverne bruge BioNice’ fiktive intranet. På den oprindelige version af intranettet var indholdet beskyttet med adgangskode. I denne udgave er der desværre ikke mulighed for at anvende kodebeskyttelse, så indholdet er frit tilgængeligt på siden.
Vi beder derfor alle brugere om kun at benytte materialerne som en del af BioNice-projektet og respektere, at indholdet er udviklet til projektets deltagere.
Hvis du har spørgsmål eller oplever problemer med siden, er du velkommen til at kontakte projektgruppen.
Forløbet er tværfagligt mellem teknologiforståelse og biologi og er udviklet i en scenariedidaktisk ramme. Scenariedidaktik beskrives som “omverdenens praksisformer i undervisning” (Hanghøj m.fl. 2017). Tanken er blandt andet, at scenarier i undervisningen kan støtte eleverne i at koble praksisser i skolen med virkelige praksisser. Læringsteoretisk bygger scenariedidaktik blandt andet på Dewey, der beskriver, hvordan vi mennesker i vores bevidsthed gennemløber dramatiske gennemspilninger, når vi træffer komplekse beslutninger (Hanghøj m.fl. 2017 med reference til Dewey 1922).
Scenariebegrebet tager teoretisk “afsæt i, at scenarier kan forstås som narrativer”, og at narrative virkemidler kan anvendes til at skabe meningsfulde sammenhænge, der kan inddrages i skolen. I udvikling af undervisning vil man fra et scenariedidaktisk perspektiv tage udgangspunkt i et eller flere dannelsesorienterede mål og derefter “undersøge, hvilke konkrete typiske situationer, eller scenarier, vi møder, hvor disse dannelsesmål er aktuelle” (Hanghøj m.fl. 2017). Begrebet anskues også i et kompetenceperspektiv, hvor kompetencen til at kunne ”forestille sig, agere og reflektere i relation til udfaldet af bestemte scenarier” bringes i spil. Denne kompetence indebærer også en evne til at ”konstruere, dekonstruere og rekonstruere viden i mødet med konkrete problemstillinger og deres mulige udfald” (Hanghøj m.fl., 2017). Dette gør sig gældende både for de lærende og for underviseren.
Selve ordet ”scenarie” kan anses som et ”produktivt begreb for didaktisk tænkning i praksis” (Fougt m.fl., 2022). Scenarier kan både foregå inde i vores hoveder, men er også noget, der kan realiseres i vores fælles sociale verden.
I undervisningssammenhæng forstås ”scenariebaseret undervisning”som et undervisningsforløb, hvor en praksis, der som oftest relaterer sig til et domæne, der ligger udenfor skolen, udfoldes. Ideen er at bevæge sig væk fra det skolede og i stedet træde ind i andre roller som relaterer sig til domænet i scenariet. Roller er en del af scenariedidaktikken, lige så vel som det er en naturlig del af folkeskolens daglige gang, hvor to tydeligt definerede roller findes ved elever og lærere. I scenariedidaktikken vil elev- eller lærerrollen blande sig med en scenarierolle, hvilket bidrager til at skubbe til kompleksiteten i undervisningen, fordi deltagerne i scenariet ikke længere ”kun” er elever eller lærere (Fougt m.fl., 2022).
Den scenariedidaktiske ramme i nærværende forløb er simulering af en praksis som udviklingsafdeling, hvor der i forløbet gøres brug af narrative virkemidler. Herigennem forventes det, at eleverne i højere grad vil blive i stand til at forstå undervisningens sammenhæng med virkeligheden.
Forløbet sætter fokus på teknologikritiske aspekter af teknologiforståelse i en biologifaglig kontekst. Den biologifaglige kontekst er emnet sundhed, og man kan som biologilærer trække tråde til emnet undervejs i forløbet.
Når vi beder eleverne om at udvikle en (uetisk) app med fokus på sundhed er det vigtigt, som lærer, at være opmærksom på og tale med eleverne om, at formålet bestemt ikke er at opfordre eleverne til at registrere, overvåge eller vurdere deres egen madindtagelse. Det er ikke selve casen omkring mad, der er i fokus i forløbet, men madvaner som et eksempel på data, der kan indsamles om en bruger. Når vi arbejder med begreber som “sund” og “usund” mad, er det sålede sogså vigtigt at understrege, at mange fødevarer kan have en plads i en balanceret kost, og at vores fokus er på at opdage eventuel bias i dataene m.m.
Det vil også være oplagt at arbejde mere dybdegående med sundhed i relation til emnet – enten før eller efter – i et mere biologifagligt perspektiv.
Et af hovedformålene med forløbet er, at eleverne skal blive i stand til at forstå og tage kritisk stilling til virkelig brug af maskinlæringsmodeller samt deltage ansvarligt i udviklingen.
En model er en forenklet gengivelse af en udvalgt del af virkeligheden med det formål at støtte konstruktionen af mentale repræsentationer hos brugeren af modellen. Derfor er en models godhed ikke reduceret til, hvor trofast den repræsenterer et aspekt af virkeligheden, men hvor meget den understøtter formålet for brugeren. Som andre computermodeller er maskinlæring en del af videnskabelige bestræbelser, selvom de er modeller af “data og ideer, der understøtter slutninger” (Gilbert & Justi, 2016, s. 22).
I nærværende forløb skal eleverne bruge en maskinlæringsmodel om sundhed, selvom de ikke kan give mening ud af den som repræsentation. De ved ikke, hvor datatyper ‘søvn’ eller ‘alkohol’ ligger på modellen selv, og hvor vigtige de er deri. I stedet er modellen god, hvis den opfylder formålet til at vurdere korrekt, hvor sund man er.
Modellering er den dynamiske proces med at producere, bruge, revidere og opgive modeller i naturvidenskab (Gilbert & Justi, 2016, s. viii). Elever med modelleringskompetence vil (BUVM, 2019, s. 10) kunne udøve tre aspekter:
c. Revidere/konstruere modeller med afsæt i egne undersøgelser eller som en del af problemløsning. Selvom maskinlæringsmodeller er meget komplekse, kan nye visuelle værktøjer hjælpe eleverne til at konstruere og revidere dem (Gresse von Wangenheim m.fl., 2021). Her vil eleverne bruge Machine Learning for Kids og konstruere en model til at løse BioNice og Healthy Hires formål: at vurdere menneskers sundhed.
Et gennemgående fokus i dette undervisningsforløb er teknologikritiske aspekter ved brug og udvikling af kunstig intelligens. Teknologikritik kan forstås som en del af en bred forståeles af teknologiforståelse, der indebærer kritisk stillingtagen og refleksion. Konkret handler teknologikritiske kompetencer blandt andet om elevernes evne til at identificere og diskutere etiske dilemmaer ved brug af teknologi. I dette forløb ser vi teknologikritiske kompetencer i samspil med tekniske kompetencer og designkompetencer. Elevernes udvikler teknologikritiske kompetencer gennem arbejdet med designkompetencer og tekniske kompetencer. For eksempel skal eleverne designe en visuel prototype af en app, hvor de skal tage stilling til, hvilket indhold der vises for brugeren. Her kan der opstå diskussioner om adgang til brugerdata, eller om ’Vilkår og betingelser’ skal være synligt eller skjult for brugeren. På den måde bringes de kritisk-refleksive kompetencer i spil.
Gennem forløbet arbejder eleverne med opgaver, der rejser etiske spørgsmål om databeskyttelse, bias og maskinlæringsmodeller, samt overvejelser om indsamling og anvendelse af data. Eleverne skal dermed indtage en kritisk position over for teknologiens muligheder og konsekvenser – altså reflektere teknologikritisk. Det er i høj grad denne refleksive dimension, der er omdrejningspunktet for udviklingen af teknologikritiske kompetencer i forløbet.
Børne- og Undervisningsministeriet. (2019). Biologi/fysik/kemi læseplan.
Caeli, E. N. & Bundsgaard, J. (2020). Teknologikritik i skolen – et demokratisk perspektiv på teknologiforståelse. I Haas, C. & Matthiesen, C. (red.): Fagdidaktik og demokrati. Samfundslitteratur.
Caeli, E. N., Zambach, S., Pedersen, C. S., Bundsgaard, J., & Misfeldt, M. (2024). Maskinlæring i folkeskolen: Fra tekniske til teknologikritiske kompetencer. MONA – Matematik- Og Naturfagsdidaktik, 24(4), 16. https://doi.org/10.7146/mona.v24i4.151936
Dewey, J. (1922). “Human Nature and Conduct”, i J.A. Boydston (red.). An Introduction to Social Psychology. John Dewey. The Middle Works bind 14. Carbondale, IL: Southern Illinois University Press.
Elicer, R., Caeli, E.N., Pedersen, C.S., & Misfeldt, M. (Forthcoming). Technology-critical aspects of AI in K-12 STEM education: A scoping review.
Fougt, S. S., Bundsgaard, J., Hanghøj, T., & Misfeldt, M. (Eds.). (2022). Håndbog i scenariedidaktik (Vol. 8). Aarhus University Press. https://doi.org/10.2307/j.ctv33jb48k
Hanghøj, T., Misfeldt, M., Bundsgaard, J., Hetmar, V. og Fougt, S.S. (2017): Hvad er scenariedidaktik? Aarhus Universitetsforlag.
Gilbert, J. K., & Justi, R. (2016). Modelling-based teaching in science education. Springer International Publishing. https://doi.org/10.1007/978-3-319-29039-3
Gresse von Wangenheim, C., Hauck, J. C. R., Pacheco, F. S., & Bertonceli Bueno, M. F. (2021). Visual tools for teaching machine learning in K-12: A ten-year systematic mapping. Education and Information Technologies, 26(5), 5733–5778. https://doi.org/10.1007/s10639-021-10570-8
Nielsen, S. S., & Nielsen, J. A. (2021). Models and modelling: Science teachers’ perceived practice and rationales in lower secondary school in the context of a revised competence-oriented curriculum. Eurasia Journal of Mathematics, Science and Technology Education, 17(4), 1–18. https://doi.org/10.29333/ejmste/10790
BioNice bygger på aktuel forskning inden for kunstig intelligens, maskinlæring, dataanalyse, naturvidenskabelig almendannelse og teknologiforståelse.
Undervisningsforløbet er udviklet gennem et 3,5-årigt forskningsprojekt fra januar 2023 til juli 2026 og er støttet af Novo Nordisk Fonden. Det er udviklet i et forskningssamarbejde mellem DPU ved Aarhus Universitet, Copenhagen Business School (CBS) og Københavns Universitet.
Forløbet er udviklet og afprøvet af projektgruppen bestående af projektleder og postdoc Elisa Nadire Caeli, adjunkt Sine Zambach, professor Jeppe Bundsgaard, professor Morten Misfeldt og videnskabelig assistent Cecilie Svane Pedersen samt de to aktive lærere Rikke Rask og Abdiaziz Yusuf Farah. Derudover har postdoc Raimundo José Elicer Coopman bidraget.
Undervisningsforløbet er udviklet gennem en iterativ og dynamisk proces og er blevet afprøvet i praksis og redesignet tre gange i løbet af 2023 og 2024. Metodisk er der arbejdet med udgangspunkt i aktionsforskning og designbaseret forskning. Det betyder blandt andet, at forskergruppen har arbejdet tæt sammen med lærere i udviklingen og kvalificeringen af forløbet.
Forskningsprojektets titel er ”Naturvidenskabelig almendannelse og teknologiforståelse i udskolingen: Et fagdidaktisk bidrag i krydsfeltet mellem teori og praksis”.
Du kan finde mere information og links til øvrige udgivelser på projektsiden:
https://projekter.au.dk/naturvidenskabelig-almendannelse-og-teknologiforstaaelse-i-udskolingen
Creative Commons - CC/BY/NC/SA
