Det matematisk-naturvitenskapelige fakultet Programmering i naturfag ProFag Realfaglig programmering Naturfagkonferansen 2018

Transkript

1 Det matematisk-naturvitenskapelige fakultet Programmering i naturfag ProFag Realfaglig programmering Naturfagkonferansen 2018 Knut M. Mørken Cathrine W. Telllefsen

2 Situasjonsbeskrivelse Naturfaglæreren Faglig kunnskap i sentrum (disiplinfaglig) Stadig nye initiativ rundt teknologi

3 Fagfornyelsen 2020 Naturvitenskapelig programmering i naturfag Lærer Frykt for det ukjente Faglig stolthet

4 operasjoner pr. sekund

5 Mer enn operasjoner pr. sekund Ville vært blant verdens raskeste datamaskiner rundt år 2000

6 Datamaskinen endrer spillereglene! En ekstremt mye større matematisk verktøykasse Mulighet for å se på store datasett og mer realistiske data Fra miljøstatus.no

7 Programmering Programmering betyr å få datamaskinen til å gjøre det du ønsker Den største jobben er å finne ut hva du ønsker og formulere det på en presis måte Deretter må vi kommunisere det vi ønsker til maskinen i et språk som den forstår, for eksempel Python Algoritmisk tenkning Programmering Koding Etter en ide fra Liv Oddrun Voll, Naturfagsenteret

8 Programmering Programmering betyr å få datamaskinen til å gjøre det du ønsker Den største jobben er å finne ut hva du ønsker og formulere det på en presis måte Deretter må vi kommunisere det vi ønsker til maskinen i et språk som den forstår, for eksempel Python Computational thinking algoritmisk tenkning. Hvordan skal vi ta dette inn i skolen på en god måte?

9 Science is what we understand well enough to explain to a computer. Art is everything else we do. Donald Knuth

10 Programmering for fagets skyld På hvilke måter kan programmering styrke naturfaget? Programmering for alle! Lærerne skal ikke bare selv lære å programmere men de skal lære å undervise på en god måte slik at det styrker fagopplæringen Og når et mangfold av elevtyper

11 Tenk-par-del Innholdet i ditt fag i dag kontra 10, 20, 30 år siden Datamaskinen hvordan kan den endre innholdet i ditt fag?

12 Språk, plattformer sukk!

13 Eksempel: ENERGI OG LYS Formler E = hf c = λf Konstanter B = 2, J h = 6, Js c = 3, m/s

14 Reelle data Programmering og numeriske metoder gir muligheter til å studere reelle, diskrete data og ikke bare ideelle funksjoner.

15 Matematikk som premiss

16 Programmering endrer fagene F ma G L ma dv 2 mg kv ma m dt G=mg L=kv 2 dv dt kv g m 2 v = v 0 + at Men nå er ikke akselerasjonen konstant La oss anta at den er konstant i et lite tidsintervall dt: v i+1 = v i + a i dt

17 En taksonomi for algoritmisk tenkning Weintrop et al. 2016: Defining Computational Thinking for Mathematics and Science Classrooms Systemforståelse Computational problem solving Modellerings- og simuleringsferdigheter se sammenhenger, nivåtenkning, beherske komplekse problemstillinger herunder programmering, feilsøk og abstrahering Dataferdigheter (samle, produsere, manipulere, analysere og visualisere data)

18 Hva om vi bare lager en tunnel? Bilde av trollstigen med tunnel gjennom Det fordrer fornyelse av fagene, og åpner for nye utfordringer og muligheter.

19 Modellering Enkelt å endre til f.eks. å være på en annen planet Sammenlikne med eksperimenter datalogging. Hvilken k er best? Vurdere begrensninger Og alltid: skrive robuste og lesbare programmer

20

21 Programmering for fagets skyld HVILKE MULIGHETER SER DU NÅ FOR DITT FAG?

22 Lærerkompetanse Lærer i 2020? Hvordan blir det? Modell for kompetansespredning Didaktikk Foto: Simen Kjellin

23 Kompetansespredning Programmering i Python Algoritmisk tenkning Didaktiske utfordringer Programmering for fagets skyld Programmering endrer fagene

24

25 Stort behov for kompetanseutvikling Forarbeid Individuelt Aktiverer forkunnskap Samarbeid Gruppe med ProFagdeltakere Planlegging Utprøving Med kolleger Erfaringsgrunnlag Etterarbeid Gruppe med ProFagdeltakere Veien videre