Machine Learning Unplugged - Training Decision Trees and Artificial Neural Networks with Children

Abstract

Künstliche Intelligenz (KI) und insbesondere Systeme die auf maschinellem Lernen (ML) basieren beeinflussen das Leben vieler junger Menschen - oftmals ohne deren Wissen. Sie interagieren mit diesen Systemen und spüren deren Auswirkungen, sei es bei der Nutzung von sozialen Medien, Internetsuche oder beim Schreiben ihrer Hausaufgaben. Jedoch, wie diese Systeme genau funktionieren - und warum manchmal auch nicht - wird von denen, die diese Systeme anbieten nur selten auf eine Art und Weise erklärt, wie sie Kinder oder Nicht-Expert_innen verstehen würden. Eine Technologie, die unseren Alltag prägt, nicht zu verstehen kann zwar Neugierde auslösen, im schlimmsten Fall aber auch Unbehagen und Angst. Wege zu finden, wie man grundlegende Prinzipien einer komplexen Materie wie dem maschinellen Lernen auf ansprechende Weise vermitteln kann - insbesondere gegenüber Kindern und Nicht-Expert_innen -, kann dazu beitragen, Missverständnisse aufzulösen und KI-Kompetenz zu fördern. ”Unplugged”-Aktivitäten, also Lernaktivitäten, die nicht auf Computer angewiesen sind, sind zu diesem Zweck gut geeignet. Eine Vielfalt an Unplugged-Aktivitäten zu ML wurden in den letzten Jahren präsentiert. Viele davon gehen jedoch nicht darauf ein, wie ein ML-Modell ”aus Beispielen lernt”, also trainiert wird. Einige behandeln das Thema zwar, aber bieten dabei eine so vereinfachte Sichtweise auf das Konzept, dass Schüler_innen falsche Schlüsse darüber ziehen könnten, wie eine Maschine tatsächlich lernt. Zum Beispiel kann das Zuweisen einer speziellen und komplexen Aufgabe an ein einzelnes Neuron in einem künstlichen neuronalen Netzwerk dazu führen, dass Schüler_innen glauben, die Neuronen seien intelligenter als sie tatsächlich sind. Und, dass der Trainings-Prozess eines Netzwerks darin besteht, dass ein Mensch die Funktionsweise jedes Neurons von Hand verliest (z. B. ”ein Lächeln erkennen”). Diese Art des Vereinfachens mag hilfreich sein, um gewisse komplexe Konzepte zu vermitteln (z. B. was ein Generator und Discriminator in einem Generative Adversarial Network zu tun haben), aber sie schafft es nicht, Schüler_innen erkennen zu lassen, wie die Kombination aus einfachen Regeln und Rechenoperationen intelligent erscheinendes Verhalten hervorbringen kann. Diese Arbeit untersucht daher, wie der Trainings-Prozess eines ML-Modells mit Hilfe einer Unplugged-Aktivität verständlich gemacht werden kann, ohne dieses Konzept so stark zu vereinfachen, dass Schüler_innen einen falschen Eindruck davon bekommen, wie eine Maschine tatsächlich aus Beispielen lernt. Dazu wurden zwei Unplugged-Aktivitäten mit geringem Abstraktionsgrad zu den Trainingsaspekten von künstlichen neuronalen Netzwerken und Entscheidungsbäumen entworfen, entwickelt und erprobt und werden in dieser Arbeit vorgestellt. Diese sollen es Lehrpersonen ermöglichen jungen Menschen einen wichtigen Einblick in eine Technologie zu geben, die ihr tägliches Leben prägt.

Artificial intelligence (AI) and specifically machine learning (ML) based systems influence many modern young peoples' lifes, often without their knowledge. They interact with and experience the effects of these systems when using social media, web search or writing their homework.However, how these systems work - and what can make them fail - is rarely explained by the providers of these systems in a way a child or a non-expert may understand. Not understanding a technology that shapes our everyday lives may spark wonder and curiosity, in the worst case, however, may cause resentment and fear.Finding engaging ways to convey the basic principles of a complex subject matter such as machine learning - especially to children and non-experts - may help combat this lack of understanding and foster AI literacy. "Unplugged" activities, i.e. learning activities that do not rely on the use of a computer, are well suited to this task. Several such unplugged activities on ML have been proposed in recent years. Many of them, however, do not discuss how a ML model "learns from examples", i.e. is trained, at all. Some cover training but provide such a simplified view on the concept that students may draw wrong conclusions about how a model actually learns. For example, assigning specific and complex tasks to individual neurons in an artificial neural network may lead students to believe neurons are "smarter" than they actually are and that the process of training a network involves humans hand picking every neuron's job (e.g., "detect a smile"). This strategy of simplification may work to convey high level concepts (e.g., the roles of the generator and discriminator in a generative adversarial network), but does little to make student realise how a combination of simple rules and mathematical operations can produce intelligent seeming behaviour. Thus, this thesis investigates how the process of training a machine learning model can be taught using an unplugged activity, without oversimplifying the concept to a point of abstraction that may leave students under a false impression of how a machine learns from examples. To this end, two low-abstraction hands-on unplugged activities on the training aspects of artificial neural networks and decision trees have been designed, developed and piloted and are presented in this thesis. They are intended to be used by educators to give young people insight into a technology that shapes their everyday lives.