Att mäta och observera det man inte kan se

Transkript

1 Naturvetenskap - gymnasieskolan Modul: Modeller och representationer Del 7: Visualisering som verktyg Att mäta och observera det man inte kan se Andreas Göransson, Linköpings universitet, och Jesper Haglund, Uppsala universitet. Den tekniska utvecklingen av inte minst datorer och elektronik går allt snabbare. Tillgången på olika tekniska lösningar för att observera det som ligger utanför våra sinnen blir allt fler och mer tillgängliga. Frågan är vilken roll dessa verktyg kan komma att spela i undervisningen? Våra sinnen har stor kapacitet men är samtidigt begränsade. Vi kan till exempel inte uppfatta väldigt små eller väldigt stora avstånd i rum och tid (se tabell 1). En del forskare kallar den värld vi har tillgång till direkt via våra sinnen för mesocosm (Vollmer, 1984) eller mesokosmos på svenska, det vill säga det område som ligger mellan mikrokosmos och makrokosmos. Våra ögon begränsar dessutom vilka våglängder av elektromagnetisk strålning som vi kan uppfatta, liksom att våra öron sätter gränser för vilka ljudfrekvenser vi kan höra. Medan våra upplevelser och vår varseblivning ligger inom denna begränsade sfär så behandlar många vetenskapliga teorier och beläggen för desamma områden utanför det vi kan uppfatta (Niebert & Gropengiesser, 2015). Andra forskare menar att tids- och rumsskalor kan utgöra så kallade tröskelbegrepp (Ross m.fl., 2010). Tabell 1. Några begränsningar hos människans sinnen. Efter (Niebert & Gropengiesser, 2015) Nedre gräns Övre gräns Tid sekunder (t.ex. hjärtslag) decennier (livstid) Avstånd millimeter (hårstrå 0,1mm) kilometer (horisonten 20 km) Hastighet v = 0 (vila) v = 10 m/s (t.ex. springa, flygande fågel) Acceleration a = 0 (konstant hastighet) a = 10 m/s 2 (springa, fritt fall) Vikt gram ton Temperatur 0 C (fryspunkten) 100 C (kokande vatten) För att kringgå dessa begränsningar har man länge använt olika verktyg inom vetenskapen och många nya vetenskapliga upptäcker har handlat om nya sätt att se eller erfara det som tidigare varit oåtkomligt. Uppfinningar som mikroskopet (figur 1), teleskopet, katodstråleröret eller upptäckter som röntgenstrålning, infrarött ljus eller ultraljud har gett oss möjligheter till nya insikter. Det rör sig ofta om saker som snabbt fått betydelse inom flera olika forskningsfält. Antonie van Leeuwenhoek var en holländsk manufakturhandlare som handlade med tyg. För att studera tygets kvalitet utvecklade han en ny typ av bättre lupp eller mikroskop (se figur 1). Med detta verktyg kunde han sedan upptäcka bland annat mikroorganismer och blodkroppar (figur 1). 1 (10)

2 Figur 1. Till vänster: Antonie van Leeuwenhoeks ( ) mikroskop genom vilket han gjorde de första observationerna av bland annat celler, såsom spermier och röda blodkroppar, samt mikroorganismer ( animacules ). Mitten: hans teckningar av mikroorganismer och celler observerade genom mikroskopet. Till höger: ett tvärsnitt av en växt som visar celler. Bilder: Wikimedia. Upptäckten av eine neue Art von Strahlen (Röntgen, 1898), det vill säga röntgenstrålningen, av William Conrad Röntgen gav honom inte bara Nobelpriset och möjliggjorde nya medicinska upptäcker genom röntgenfotografering (figur 2). Dessutom utvecklades röntgenkristallografin där molekylers strukturer kunde kartläggas (figur 3). Detta i sin tur ledde också till upptäckten av DNA-molekylens struktur på 1950-talet, vilket i sin tur öppnade upp för den moderna gentekniken och molekylärbiologin. Våglängd 1 µm 100 nm 10 nm 1 nm 100 pm 10 pm 1 pm 100 fm syn ligt ljus ultraviolett ljus mjuk röntgen hård röntgen gammastrålning Fotonenergi 1 ev 10 ev 100 ev 1 kev 10 kev 100 kev 1 MeV 10 MeV Röntgenkristallografi Mammografi Datortomografi Bagageröntgen Figur 2. Olika våglängder och användningsområden för röntgenstrålning. Modifierad efter Wikimedia, CC licens. Den kanske mest betydelsefulla uppfinningen under 1900-talet är annars datorn. Genom datorn har nya möjligheter till datainsamling, bearbetning och visualisering möjliggjorts. Johnstone (2010) beskriver tre olika nivåer för representationer som vetenskapen använder: 2 (10)

3 makroskopisk, submikroskopisk och symbolisk nivå (se även artikeln Multipla representationer och organisationsnivåer i Del 5). Att kunna arbeta och tänka med dessa nivåer är en förmåga som behövs för att förstå förklaringarna inom naturvetenskapen. Att lära sig detta kan dock innebära utmaningar för eleverna. Visualiseringar är därför centrala verktyg för att överbrygga dessa klyftor. Figur 3. Till vänster: Den första röntgenbilden av Conrad Röntgens frus hand. Bild: NLM PD. Till höger: Från data till modell. Att ta fram en modell av en makromolekyl, till exempel ett protein, innebär tolkning och bearbetning av mätdata. Molekylmodellen är inte verkligheten utan en modell baserad på data. Idag accelererar tekniktillgången i skolan och samhället. Datorerna kan göras oerhört små och de kan fungera samtidigt som såväl mätinstrument, databearbetare som visualiseringsverktyg. Mobiltelefoner och surfplattor har förutom kameror och mikrofoner även sensorer som accelerometer, termometer, gyroskop, GPS, barometer listan blir bara längre och längre. Digitala kameror blir också allt mindre, billigare och bättre samtidigt som 360-graders fotografering och filmning börjar bli allmänt tillgänglig och möjlig att uppleva med VR-glasögon (se figur 4) för endast några hundralappar. All denna nya teknik möjliggör upplevelser av mätdata på helt nya sätt, till exempel genom visualisering med bilder av sådant som vi tidigare fick observera med mätdata och diagram. Avancerade modeller och stora datamängder kan allt effektivare visualiseras, till exempel komplexa molekylära processer (se figur 4). Vi kan genom time-lapse fotografi (figur 5) direkt se hur en växt söker sig mot ljuset när det växer, hur celler delar sig, eller hur något förmultnar. Förr krävde detta teknik och utrustning som av prisskäl inte var tillgänglig för skolor, medan det idag går att skapa time-lapse-sekvenser med vilken surfplatta som helst. Tekniken kan även bidra till att sudda ut gränsen mellan teknik och naturvetenskap i skolan å ena sidan, och det omgivande samhället å andra sidan. I och med att mobila avancerade 3 (10)

4 mätinstrument blivit billiga och tillgängliga kan skolor delta i verkliga datainsamlingar utanför skolan och bidra till forskningen, något som även kan ge autenticitet till skolarbetet. Figur 4. Experimentella miljöer är under utveckling för att visualisera stora mängder molekyldata. Dessa kan möjliggöra nya typer av lärande där virtuell verklighet gör att man kan upptäcka data i en omslutande miljö (immersivt) med exempelvis VR-glasögon. Bilden visar ett HIV-virus i genomskärning omgivet av blodplasma där enskilda proteinermolekyler visas. Bild från Viola et al Figur 5. Time-lapse fotografier från film över celler som genomgår delning. Tid i hh:mm. Från Edward H. Hinchcliffe Cell Biol Educ 2005;4: , licensierad under NC SA 3.0. Verktyg för mätning och dataloggning i undervisningen När det gäller datorbaserade och digitala verktyg finns det olika typer av mjukvaruverktyg. Man kan skilja på olika programvaror för undervisning enligt en grov indelning i 4 (10)

5 konstruktionsmässiga och informationsmässiga mjukvaror. Konstruktionsmässiga verktyg används som verktyg för databearbetning, modellering, simulering, dataloggning och videoinspelning (Rogers & Twidle, 2013). Tre olika förmågor föreslås vara viktiga för framgångsrik användning av mjukvara: operationell, procedurell och pedagogisk förmåga (Rogers & Twidle, 2013). De två första behöver både lärare och elev ha, medan den sista främst handlar om läraren. Även om elever generellt sett har god digital kompetens idag, kan det vara viktigt att inte förväxla detta med god kompetens att lära sig något via dessa verktyg. Här blir lärarens ledarskap viktigt för att guida eleverna rätt, genom den pedagogiska kompetens som lärare besitter. Det är genom interaktionen mellan lärare och elev i klassrummet och genom att läraren agerar rollmodell, som studenterna kan lära sig att använda tekniken framgångsrikt för lärande. Virtuella laborationer vs riktiga experiment Ett sätt att komma runt begränsningarna med laborationer där fenomenet eller dess orsaker är osynliga är att arbeta med datorer som komplement. Förutom att göra mätningar via datorn kan mätdata förstärkas och kompletteras med visuella modeller för det osynliga. Virtuella laborationer med simuleringar och visualiseringar kan hjälpa eleverna att utveckla en god begreppsförståelse, enligt forskningen (Rutten, van Joolingen, & van der Veen, 2012). Dessutom har de fördelen att eleverna lätt kan upprepa experimenten många gånger. Samtidigt har nyttan av riktiga laborationer och experiment i teknik och naturvetenskap ifrågasatts då virtuella laborationer gjort framsteg i takt med teknikutvecklingen (Blikstein, Fuhrmann, & Salehi, 2016). Kostnadsfördelar och smidigare logistik har framförts som fördelar med virtuella laborationer. Flera mål kan uppnås både genom virtuella och fysiska laborationer, såsom kunskaper i och om naturvetenskapens arbetssätt och metoder, teamarbete, intresse för vetenskap och förmåga att arbeta undersökande. Fördelar med virtuella laborationer är förutom praktiska och kostnadsmässiga fördelar är att de kan anpassas genom förenklingar eller genom att förtydliga förlopp, till exempel genom att snabba upp förloppet. Virtuella laborationer kan också länka mellan symboliska representationer (t.ex. ekvationer) och fenomenet, samt ge möjlighet att observera det man normalt inte kan se (t.ex. molekylers rörelser) (de Jong, Linn, & Zacharia, 2013). Däremot kan fysiska laborationer utveckla elevernas förmåga att hantera och felsöka utrustning samt uppleva de svårigheter forskare möter. Dessutom kan fysiska laborationer involvera kroppen, något som enligt teorin om förkroppsligat lärande (eng. embodied cognition ) kan stötta utvecklingen av förståelse (Niebert & Gropengiesser, 2015). I praktiken visar undersökningar liten skillnad i begreppsmässig kunskap och undersökande förmågor när man jämför virtuella och fysiska laborationer. Dock finns exempel som visar på att det krävs relevant fysisk förankring av erfarenheter av fenomenet eller begreppet, något som talar för att fysiska laborationer och demonstrationer fyller en viktig funktion. Flera undersökningar visar på fördelar av att kombinera fysiska och virtuella laborationer men det krävs mer forskning för att avgöra den ideala balansen mellan dem (de Jong m.fl., 2013). De fördelar man har sett är: Direkt länk mellan undersökning och resultat 5 (10)

6 Kognitiva resurser och tid frigörs från dataregistrering till reflektion Kvalitativa upplevelser snarare än siffror Uppmuntrar till förutsägelser och test av dessa Vid University of Colorado Boulder har man utvecklat och samlat en stor samling datorsimuleringar, PhET simulations ( för undervisning i naturvetenskapliga ämnen och matematik, för motsvarande grundskola, gymnasium och universitetsnivån. Många av fenomenen är osynliga för blotta ögat och involverar avancerad experimentell utrustning som typiskt inte är tillgänglig i undervisningen. I anknytning till simuleringarna finns dokumentation, som beskrivningar av simuleringarna, elevinstruktioner och lärarhandledningar på olika språk. I länksamling till denna del finns även fler exempel på virtuella laborationer och simuleringar. Dataloggning, visualisering och simulering i klassrummet I kursplanerna för fysik, kemi, biologi och teknik tas insamling och analys av data vid experiment upp som exempel på ämnenas karaktär och arbetsmetoder. Man kan skilja på tre olika sätt att använda modeller och simuleringar med datainsamling i realtid vid laborationer: 1. Förstärkning av data 2. Förstärkning av modeller 3. Bifokal modellering d.v.s. modellering och mätning/simulering kombinerat (se nedan för vidare förklaring). Ett intressant sätt att koppla samman datormodeller med verkliga mätdata är så kallad bifokal modellering (Blikstein, 2014). Principen för arbetssättet visas i figur 6. Figur 6. Principen för bifokal modellering. 1. Ett fysiskt experiment ger upphov till mätdata som samlas in, företrädesvis via sensorer till en dator eller datalogger. 2. En datormodell byggs upp och förloppet simuleras. 3. Modellen och verkliga data jämförs. Felkällor i mätning såväl som i modelleringen kan diskuteras. Bild: Transformative Learning Technologies Lab Stanford/ Tamar Fuhrmann, med tillstånd. 6 (10)

7 Ett exempel är en spruta där tryck, temperatur och volym kan undersökas både makro- och submikroskopiskt (figur 7). Sensorer kopplade till sprutan styr en simulering av gaspartiklarna som visualiseras på datorn. Figur 7. Experimentuppställning för bifokal modellering. Sensorer i laborationsutrustningen känner av tryck, temperatur och volym. Data från sensorerna matas in i datorsimuleringen till höger. Datorskärmen visar en simulering av hur gasmolekylerna rör sig och packas beroende på input. Bild: Transformative Learning Tachnologies Lab Stanford/ Tamar Fuhrmann, med tillstånd. Detta sätt att arbeta menar Blikstein (2014), gör att nya sätt att representera kunskap uppstår. Verktygen ger oss nya sätt att förstå och interagera med världen runtomkring oss. Genom att vi får tillgång till verktyg som kopplar samman modellering och datainsamling kan vi dessutom närma oss ett mer vetenskapligt förhållningssätt i undervisningen (Blikstein, 2014). Sättet att arbeta innehåller olika aktiviteter: Innehåll eleverna utforskar grundläggande information om fenomenet. Konceptuell design och planering studenterna väljer variabler de vill utforska, ställer upp hypoteser, och planerar för fysisk och virtuell modellering. Implementering skapa en datormodell eller bygga en fysisk modell etc. Interaktion och datainsamling. Studenterna interagerar med fysiska modeller genom direkt observation och samlar in data via inbäddade sensorer. De interagerar även med den virtuella modellen under körning genom att ändra parametrar, observera resultat och samla in data. 7 (10)

8 Jämförelse. Eleverna jämför fysiska och virtuella data, söker avvikelser, reflekterar över anledning till dessa och ställer upp hypoteser om hur de kan ändra modellerna för att uppnå överensstämmelse. Om datormodellen utformas så att den har samma visuella språk som fenomenets representation kan tolkningsproblematiken minimeras, det blir lättare att jämföra verkliga data med modellen om utdata från båda har samma format. Värmekameror i undervisningen Värmekameror utgör en teknik för att kunna synliggöra värmerelaterade fenomen, som annars typiskt inte är tillgängliga för vår syn. Värmekamerorna detekterar värmestrålning från fasta och flytande ytor, beräknar ytornas temperatur utifrån uppskattning om deras emissivitet, och visar temperaturen längs en färgskala på en skärm (figur 8). Figur 8. Bilder från undervisning med värmekameror. Värmeledning från händer till metall (uppe till vänster); identifiering av så kallade köldbryggor från bjälklag i högskolekurs i energieffektivisering i byggnader (uppe till höger); temperaturökning då ett bouleklot har släppts på asfalt (nere). Många elever upplever det som förvirrande att metaller känns kallare än trä eller plast vid rumstemperatur. De tolkar gärna sitt känselsinne som en termometer, och förväntar sig att det som känns kallt också bör ha låg temperatur. Med hjälp av en värmekamera kan de dock se hur mer värme leds från deras händer till ett metallföremål än till ett träföremål, och kan därigenom hjälpas i sin förståelse av värmeledning som fenomen (se figur 8). Värmekameror kan även användas för att visa temperaturökningar till följd av friktion och kollisioner (t.ex. då ett bouleklot släpps på asfalt eller ett kollegieblock), i elektriska kretsar, eller exoterma kemiska reaktioner. Som exempel från teknikundervisningen på gymnasiet såg vi i Del 6 hur värmekameror har använts för att detektera värmeförluster och uppskatta 8 (10)

9 effektiviteten hos soldrivna luftförvärmare som eleverna designade och byggde (Haglund, Jeppsson, Hedberg, & Schönborn, 2015). På universitetsnivån kan värmekameror användas för att studera emission och reflektion av lågemitterande fönsterglas, eller identifiera värmeläckage i byggnader (se figur 8). Sammanfattning En stor del av lärandet inom naturvetenskap och teknik innefattar användande av bilder och andra visualiseringar som visar förlopp som normalt inte går att observera direkt med våra sinnen. Historiskt sett har många vetenskapliga upptäckter gjorts genom att olika typer av instrument som utökar våra sinnen har använts. Exempelvis mikroskopet som möjliggjorde upptäckten av orsaken bakom sjukdomar eller att livets minsta enhet är cellen. Insamling och tolkning av mätdata och bilder via olika instrument är därför centrala delar av naturvetenskap och teknik. Ny teknik gör också att modeller och mätdata smälts samman till nya former för kunskap och lärande. Referenser Blikstein, P. (2014). Bifocal modeling: promoting authentic scientific inquiry through exploring and comparing real and ideal systems linked in real-time. I Playful user interfaces (s ). Springer. Blikstein, P., Fuhrmann, T., & Salehi, S. (2016). Using the Bifocal Modeling Framework to Resolve Discrepant Events Between Physical Experiments and Virtual Models in Biology. Journal of Science Education and Technology, 25(4), de Jong, T., Linn, M. C., & Zacharia, Z. C. (2013). Physical and Virtual Laboratories in Science and Engineering Education. Science, 340(6130), Haglund, J., Jeppsson, F., Hedberg, D., & Schönborn, K. J. (2015). Thermal cameras in school laboratory activities. Physics Education, 50(4), 424. Johnstone, A. H. (2010). You Can t Get There from Here1. Journal of Chemical Education, 87(1), Niebert, K., & Gropengiesser, H. (2015). Understanding Starts in the Mesocosm: Conceptual metaphor as a framework for external representations in science teaching. International Journal of Science Education, 37(5-6), Rogers, L., & Twidle, J. (2013). A pedagogical framework for developing innovative science teachers with ICT. Research in Science & Technological Education, 31(3), Ross, P. M., Taylor, C. E., Hughes, C., Kofod, M., Whitaker, N., Lutze-Mann, L., & Tzioumis, V. (2010). Threshold Concepts: Challenging the Way we Think, Teach and Learn in Biology. I J. Meyer, R. Land, & C. Baillie (Red.) (Vol. 42, s ). Presenterad vid EDUCATIONAL FUTURES, Rotterdam, Sense Publishers. 9 (10)

10 Rutten, N., van Joolingen, W. R., & van der Veen, J. T. (2012). The learning effects of computer simulations in science education. Computers & Education, 58(1), Röntgen, W. C. (1898). Über eine neue Art von Strahlen. Annalen der Physik, 300(1), Vollmer, G. (1984). Mesocosm and Objective Knowledge. I F. M. Wuketits (Red.), Concepts and Approaches in Evolutionary Epistemology (s ). Springer Netherlands (10)