Nye krav, nye kompetencer?

Hvad skal eleverne kunne?

Det der kendetegner biologiske data i forhold til data fra kemi og fysik, er at de ofte har en stor spredning. Det er ikke en fejl eller en fejlkilde, men et vilkår når man arbejder med levende organismer, hvor forskelle mellem forsøgspersoner kan resultere i forskelle i data. Derfor bør man arbejde med statistiske deskriptorer i biologiundervisningen til at analysere datasæt. 

Desuden må det forventes, at eleverne kan udtale sig kvalificeret om regressionsmodeller og tilhørende værdier for R2. I matematikbøgerne findes vurderingskriterier for R2 (fx at hvis R2 > 0,95 er det en acceptabel sammenhæng og hvis R2 > 0,99 er der en god sammenhæng). Dette er meget sjældent gældende for biologiske data med stor variation. En R2 < 0,95 betyder derfor ikke, at sammenhængen er uacceptabel, men at det kan være svært at få meget simple matematiske sammenhænge/modeller til at gælde for levende organismer. I stedet kan man analysere om datapunkterne er tilfældigt fordelt omkring regressionslinjen. Dette kan gøres visuelt eller ved at fremstille et residualplot. 

I øvrigt kan andre beregningstyper komme i spil – også til eksamen. Det vigtige er, at man forsøger at integrere de matematiske arbejdsmetoder løbende i faget, så det ikke bliver fremmed for eleverne.

Hvordan kan man arbejde med det i undervisningen?

Som lærer kan man godt forvente, at eleverne kender de nævnte beregningsmetoder fra grundskolen eller fra gymnasial matematik B. På den måde er det ikke nyt stof. Det nye er måske at inkorporere det i biologiundervisningen i det daglige, hvis ikke man har haft et matematisk fokus i sin undervisning. Mange af de kvantitative eksperimenter i biologi giver data, som indbyder til matematisk efterbehandling. For at træne brugen af konfidensintervaller kan man overveje, om resultaterne for ens eksperiment kan deles op i kategorier og afbildes som boksplots, som derefter kan sammenlignes. Det kvalificerer elevernes måde at kunne vurdere data på. Kategorisering i to grupper er i øvrigt grundlaget for binomialfordelingen, som hører med til det, som  eleverne skal kunne efter 2017-reformen. 

På A-niveau kan man overveje, om de eksperimenter, eleverne udfører og skriver rapport over, ikke skal være kvantitative. De kvalitative kan man journalføre. Det giver mere rum til at træne beregningsmetoder. Når man arbejder med eksamensopgaver er det oplagt at bruge tiden på at analysere data i opgaverne. 

Materiale kan man finde flere steder: Eksamensopgavesæt fra 2014 og frem - og faktisk også før - indeholder mange gode opgaver, man kan arbejde med, og dermed styrke den kvantitative analyse. Artikler fra populærvidenskabelige tidsskrifter indeholder ofte afbillede data i form af grafer eller tabeller. Det er oplagt at bruge tiden på at analysere disse data grundigt for at træne det kvantitative overblik.

Udfordringer/muligheder

Mange elever har det svært med talforståelse, fordi beregninger foretages elektronisk, og det er sjældent, at man trænes i at forholde sig til talstørrelser. Det bliver en opgave, man som biologilærer skal være med til at løfte. Man skal være opmærksom på at beregninger og kvantitative betragtninger tager tid. Det er ikke nødvendigvis et onde, men en god mulighed for fordybelse og refleksion – noget, som alle elever har brug for.

Referencer 

EMU - Den skriftlig prøve i biologi: Overblik over den skriftlige prøve samt et udvalg af centralt stillede skriftlige opgaver, hvor man kan få et indblik i, hvilke konkrete matematiske kompetencer, det forventes eleverne har.

Kreditering

Jesper Ruggaard Mebus, lektor Sct. Knuds Gymnasium.