• Indhold

Bearbejdelse af data i et regneark

Biologi-IT

Pædagogisk tema

Bearbejdelse af data i regneark. Diskussion af regnearkets anvendelse i forbindelse med biologiformidling og modeller.

IT-værktøj

Anvendelse af regneark

Regnearket som talknuser

For at eleverne skal opleve, at fagets udgangspunkt er eksperimentelt, kan vi i undervisningen bestræbe os på en progression i eksperimenter, så disse bevæger sig fra små skifte-farve-forsøg (fx det klassiske BTB-forsøg) og over i forsøg, der giver eleverne en oplevelse af hele processen i forsøget (fx planlægning og udførsel af online datafangst af pH og/eller ilt i glas med planter). Det betyder også at eleverne skal overtage hele efterarbejdet frem til en færdig rapport. Heri indgår regnearket som talknuseren med de mange muligheder. Til bearbejdning af større datamængder og statistikker er regnearket et velegnet og næsten uundværligt IT-redskab til beregninger og analyse af data. Det kan dreje sig om resultater fra almindelige kvantitative forsøg og store datamængder fra online eksperimenter. Arbejdet med regneark indgår også i elevernes almene dannelse og er som udgangspunkt en del af deres introduktionskursus i IT.

At mange elever stadig foretrækker at tegne kurver og diagrammer i hånden, tyder på, at der stadig er en udbredt usikkerhed over brugen af regneark. Eksempler og rutine kan give dem den fornødne sikkerhed, der kan overbevise dem om, at de faktisk i mange tilfælde kan spare tid ved brug af regneark, som efterfølgende kunne benyttes til diskussionen af resultaterne. Målet må være, at eleverne er i stand til at indtaste tal og forklarende tekster, at behandle talmaterialet med enkle formler, at udføre grafisk analyse samt at udføre en sammenligning med en eventuel model.

Bearbejde dataserier

I starten af et undervisningsforløb er lærerens rolle at inspirere brugen af regneark med eksempler. Når man i et forsøg har indsamlet en større datamængde, fx kropsdimensioner af en klasse elever, kan læreren fremstille et regneark, som eleverne selv indsætter deres resultater i, hvorefter regnearket benyttes til en matematisk analyse ud fra en given model, måske i form af en regressionskurve og en grafisk fremstilling af resultater og analyse. I denne fase er det vigtigt at eleverne får lejlighed adgang til de indsatte formler og øves i selv at indsætte formler i regneark. Dette kan gøres ved instruktion i øvelsesjournaler. Senere kan eleverne opfordres til selv at opstille og anvende regneark ud i resultatbehandlingen af forsøg.

Fx kan regneark anvendes i forsøg med blodsukkerdata fra glukose-belastningsforsøg (model: Tidsvariation), fotosyntesens afhængig af lysintensiteten (model: Omvendt proportional mellem lysintensiteten og kvadratet på afstanden), vækstdata fra dyr og mikroorganismer som gær og bakterier (model: Eksponentiel vækst), beregning af kondital ud fra puls og arbejdsbelastning (model: Proportionalitet mellem puls og arbejde indtil maksimal puls), data fra forsøg med nyrernes saltudskillelse o.lign.

Desuden vil der normalt være mulighed for at eksportere måledata fra datafangst-programmerne til regnearket. I regnearket er der alle muligheder for databehandling (fx regressionsanalyse) og alle regnearkets muligheder for data-repræsentation (tabeller, grafer, diagrammer).

Regneark og formidling

Med regnearket som redskab er der gode muligheder for gennem eksemplets magt og processkrivning at arbejde med fagets formidlingsside, fx i form af diskussionsafsnittet af en rapport.

Når forsøgsresultaterne er indsat i regnearket, er der som bekendt rige mulighed for at give en grafisk fremstilling af resultaterne i form af kurver eller søjle- og lagkagediagrammer. Regnearket giver således gode muligheder for at eksperimentere med, hvordan man kan formidle data. Samtidig gives der også lejlighed til at diskutere hensigtsmæssighederne i de forskellige udtryksformer. Her har eleverne behov for støtte i spørgsmål som:

Hvornår bruger man cirkeldiagrammet og søjler?
Hvornår bruger man linje- og XY-graf?
Skal alt illustreres med de smukke bløde kurver?
Er kurver, der forbinder punkterne mere nøjagtige?
Er regressionslinier/kurver nu også "rigtige"?
Hvilke modeller ligger der bag?

Diskussion af data og modeller

Tendenskurver benytter vi ofte i 1.g på tidspunkter, hvor eleverne ikke forstår matematikken bag disse sammenhænge. Diskussionen kan senere, når eleverne har den relevante forståelsesmæssige baggrund, støttes af matematiske argumenter. Det kan give eleverne en mulighed for at erkende, at matematikken har en anvendelsesværdi i biologi, og de kan se sammenhængen mellem fagene. I biologis tilvalgsniveauer er der især i diskussionsafsnittene i rapporterne rige muligheder for at arbejde med matematisk analyse af forsøgsresultaterne. Måske er det en god ide at differentiere undervisningen på en sådan måde, at man ansporer de mest motiverede elever/grupper til at foretage en lidt mere grundlæggende statistisk behandling af deres data fra fx feltundersøgelser eller kemiske analyse og analyse af hvad der er den biologiske forklaring for den valgte model. I fortolkning af vækstmodeller kan man fx diskutere, hvorfor man antager, at væksten forløber efter det analyserede mønster. Ofte er der en biologisk forklaring på forløbets faser, som eleverne udmærket kan forstå.

Man kan også give eleverne kompetencer i selv at vurdere, hvilke modeller man skal anvende. I økologi og primærproduktion kunne det fx være en opgave at arbejde med at beskrive døgnsvingninger i lys som en matematisk funktion. På denne måde får eleverne et væsentligt indblik i vejen fra eksperiment til model/"sandhed".

Afkastet af disse "anstrengelser" er, at eleverne bliver bedre til at fortolke og forholde sig til kurver og modeller, som de møder overalt omkring sig i medierne (og til skriftlig eksamen!). At forholde sig til formidlede biologiske resultater er et af biologifagets ædleste formål.

Regneark og biologiprogrammer (ekstra)

Databearbejdning i regneark er altså et væsentligt element i undervisningen. Derfor er det vigtigt, at eleverne får lejlighed til at lære at forstå, hvilke beregninger der ligger bag de flotte resultater, de færdige programmer som fx kostanalyseprogrammer og gødningsplanlægning o.lign. der fås på cd-rom. Disse programmer er i sagens natur som regel lette at gå til, men som regel skjuler databearbejdning sig i et appendiks i vejledningen. Konklusionen må være, at eleverne går glip af nogle basale fagværktøjer, hvis man benytter disse programmer uden at arbejde med de beregninger og modeller, der ligger til grund for programmerne. I øvelserne gives eksempel på en pædagogisk indgang til kostanalyseprogrammer.

Simulation (ekstra)

Anvendelse af simple dynamiske simulationsmodeller har været brugt længe i biologi. Selv et simpelt kostanalyseprogram kan af eleverne benyttes til simulering. "Hvad nu hvis jeg lige prøvede at reducere mængden af spegepølse, hvordan bliver fedtprocenten så?" - simuleringen kender vi sikkert alle fra kostundervisningen. Modeller over kvælstofkredsløbet i landbruget og rovdyr/byttedyr er sikkert også kendt. Kræftens Bekæmpelse har også tidligere udgivet et computerspil om immunforsvaret (Cellekampen), hvor eleverne selv skal styre aktørerne i immunforsvaret og samtidigt lærer om de sammenhænge, der er i immunsystemet. Hvis man forhører sig på universiteterne har de somme tider også gode forslag til simulationsprogrammer, der kan anvendes på tilvalgshold. Fx programmet NeuroSim der simulerer nervepotentialer under forskellige situationer.

Bearbejdning af elektronisk indsamlede data (ekstra)

For at udnytte regnearkets muligheder for at bearbejde elektronisk indsamlede data, fx fra online-datafangst, kan man overføre større datamængder til regnearket ved at gemme dem som kommaseparerede filer og derefter hente dem ind i regnearket. Metoden til indhentning af datafiler til regneark varierer fra program til program. Man skal dog huske at indstille regnearket til at benytte punktum som komma, da der ellers vil opstå konflikt mellem de separerede kommaer og decimaltalskommaerne. I øvelserne gives et eksempel på avanceret videre bearbejdning af elektronisk indsamlede data.