Skip to main content

2.2 Biologie: Vibe coding a simulace ve výuce

Dynamika dravec–kořist (model Lotka–Volterra)

Předmět: Biologie  ·  Ročník: 9. ročník (14–15 let)  ·  Délka: 1 dvouhodina (90 min)  ·  AI: Učení S AI

Kompetence v oblasti AI (rámec DUAL.AI.TEACHer) – úroveň učitele Předmětové vzdělávací cíle – úroveň žáka

AF-TL-2b
(Základy a aplikace AI × Výuka a učení, úroveň 2 – Reflektivní implementace):

„Pedagogové dokážou uspořádat prvky výuky, které zapojují používání AI s jasnými pedagogickými rolemi a strategiemi pro ověřování výstupů.“

AF-FC-2b
(Základy a aplikace AI × Podpora digitální kompetence žáků (v oblasti AI), úroveň 2 – Reflektivní implementace):

„Pedagogové dokážou realizovat vedení, které pomáhá žákům rozvíjet praktické dovednosti v oblasti AI, a přizpůsobit úkoly předchozím znalostem žáků a dostupným nástrojům AI.“

Na konci hodiny žáci dokážou:

  • popsat klíčové proměnné (populace kořisti,početnost populace dravců)kořisti a predátora) a parametry (mírarychlost růstu, míra predace, koeficientúčinnost konverze,přeměny mírapotravy úmrtnosti)na přírůstek biomasy a úmrtnost) modelu Lotka–Volterra;
  • formulovat a testovatověřovat hypotézy o populační dynamice populací pomocí interaktivní simulace;
  • rozšířit existující simulaci o další vrstvyúrovně ekologické komplexitysložitosti (např. nosnou kapacitu prostředí, druhý druh,druh nebo sezónní faktor) psanímvytvářením strukturovaných promptůzadání pro jazykový model AI;umělé inteligence;
  • kriticky zhodnotithodnotit předpoklady a omezení modelu (podstatav vědy)rámci tématu Povaha vědy – Nature of Science), včetně toho,vysvětlení, proč může zavedení náhodnosti nebo dalšího faktoru můževést narušitk jehodestabilizaci stabilitu.modelu.

Klíčové poselství: ŽáciStudenti nemusí programovat od úplného začátku. ČteníK opravdovému pochopení dynamického biologického modelu stačí analyzovat a testovánítestovat existující simulacesimulaci a následnépoté použitípomocí velkého jazykového modelu (LLM) kpostupně postupnémupřidávat přidávánívždy jednéjednu vrstvyvrstvu ekologickéhoekologické realismurealističnosti. stačí k vybudování skutečného porozumění dynamickému biologickému modelu — a dříveDříve či později i k tomu, abytak sami objevili,objeví, kde přesně tento model dosahujenaráží svýchna limitů.své limity.

Simulace predátor–kořist s AI pomocníkem.png

Obr. 1: „Dynamika dravec–kořist (model Lotka–Volterra)“ (obrázek vygenerovaný pomocí AI, ChatGPT GPT Image 2)

Obsah

Matematické modely a počítačové simulace jsou v ekologii obzvláště cenným nástrojem, protože dokážou vyjádřit vysoce komplexní systémy pomocí matematických rovnic. To umožňuje provádět experimenty in silico a testovat hypotézy na modelu v situacích, kdy by skutečný experiment byl příliš nákladný, příliš pomalý, eticky problematický nebo přímo nebezpečný. Manipulace se skutečnou populací dravců je například jen zřídka reálnou možností. Zároveň je každý model nutně zjednodušením reality, a právě v tom spočívají jeho slabiny: skutečné ekosystémy jsou mnohem komplexnější, než dokáže jakýkoli model plně zachytit.

Model Lotka–Volterra je klasickým příkladem takového zjednodušenízjednodušení, aplikovanéhokteré nase dynamikuuplatňuje dravec–kořist.při popisu dynamiky vztahu mezi predátorem a kořistí. Systém reprezentujepopisuje pomocí dvou stavových proměnných (velikostpočetnosti populace kořisti a dravců)predátora) a čtyř parametrů (vnitřní mírarychlosti růstu populace kořisti, koeficientkoeficientu míry predace, mírarychlosti reprodukcerozmnožování dravcepredátora na jednuzákladě ulovenouulovené kořistkořisti a míra úmrtnosti dravce)predátora). Za svých idealizovaných předpokladů model předpovídá trvalé,trvalé periodické oscilace,kolísání připočetnosti nichžobou populací, přičemž změny v populaci dravcůpredátora zpožďujínásledují zase změnamizpožděním po změnách v populaci kořisti. Toto chování vzniká v důsledku zpětnovazební smyčkou:smyčky: jakkdyž se populace kořisti roste,zvětšuje, dravcůmpredátoři jemají k dispozici více potravy, což jim umožňuje růstzvýšit populacesvou dravců.početnost. ZvýšenáIntenzivnější predace poténásledně způsobízpůsobuje pokles populace kořisti, cožčímž omezíse potravnísnižuje nabídkumnožství potravy pro dravcepredátory a vede k poklesu jejich populace.populace Szačíná klesat. Při menším počtempočtu dravcůpredátorů se populace kořisti může zotavitopět obnovit a celý cyklus začíná znovu.

Aby model vytvořil tento čistý cyklus, činí několik silných předpokladů. Je deterministický (stejné počáteční hodnoty vždy vedou přesně ke stejné křivce); jde o uzavřený dvoudruhový systém, který vylučuje veškeré abiotické faktory (teplota, srážky, roční období) i všechny ostatní biotické faktory (potravní rostliny pro kořist, třetí druh, nemoc); a růst každé populace závisí výhradně na velikosti té druhé.

Skutečné populace tyto předpoklady splňují jen zřídka splňují.zřídka. Narození, úmrtí ai vzájemná setkání podléhajíorganismů náhodějsou aovlivněny stochastickánáhodnými procesy. Stochastická (randomizovaná)náhodná) verze téhož modelu máse tendenciproto semůže odchýlit od čistéhopravidelných cyklucyklických výkyvů a může dokonce zkolabovatvést (např.ke vyhynutímkolapsu populacepopulace, dravců)například k vyhynutí predátorů, a to i v případech, kdy deterministická verze modelu předpovídá stabilní oscilaci.oscilace. Podobně může k narušení pravidelného cyklu mezi dvěma populacemi stačit přidání pouhého jediného chybějícíhodosud faktorunezohledněného (např.faktoru, například teplotně závislé míryrychlosti růstu nebo omezeníomezené vlastnídostupnosti potravnípotravy nabídkypro kořisti)kořist. častoNejde stačí k narušení čistého dvouproměnného cyklu. To nenío nedostatek, který by bylo třeba před žáky skrývatskrývat, —ale jeo tojedno ústředníz hlavních poselství této aktivity týkajícízaměřené sena podstatypovahu vědy. Model může být skutečněvelmi užitečný, a přitompřesto zůstatpředstavovat záměrně úzkouzjednodušený aproximacíobraz reality;reality. umětUmět jejmodel dobřesprávně používat znamená přesnětaké vědět, které faktory vynechává.nezahrnuje a jak tato omezení ovlivňují jeho předpovědi. V hlavní aktivitě této vyučovací hodiny žáci na totato žáciomezení přijdou samisami, tím, žekdyž se pokusí přesnědo modelu začlenit právě takové faktory přidat.faktory.

Plán hodiny

Fáze Čas Aktivita
Úvod 8 min Učitel ukáže neoznačený graf skutečné datové řady dravec–kořist (např. rys/zajíc); žáci popíší vzorec a formulují první hypotézy.
Vstup 12 min Učitel představí proměnné a parametry modelu pomocí jednoduchého diagramu (bez potřeby diferenciálních rovnic).
Zkoumání 15 min Žáci ve dvojicích testují své hypotézy na hotové HTML simulaci a zaznamenávají svá pozorování.
Adaptace 35 min Ve dvojicích žáci projdouabsolvují 2–3 kola cyklupostupu předpovězpředpovědět → napromptujformulovat zadání → otestujotestovat → diagnostikujanalyzovat (naváděcí otázky níže),příčiny, přičemž pokaždévyužívají níže uvedené návodné otázky. V každém kole požádají velký jazykový model o(LLM), přidání další vrstvy ekologického realismuaby do simulace přidal další prvek, který zvýší její ekologickou realističnost (omezenínapř. potravníomezenou nabídkydostupnost kořisti,potravy pro kořist, druhý druh,druh sezónní/nebo sezónní či jiný abiotický faktor), a pokračují tak dlouho, dokud se čistýpůvodní dvouproměnnýpravidelný cyklus dvou proměnných viditelně nenaruší.
Reflexe 20 min Diskuse celé třídy vedená otázkami typu: Ve kterém kole simulace přestala produkovat čistý, opakující se cyklus? Co původní model záměrně vynechává a proč? Co z něj dělá užitečné zjednodušení, a ne prostě chybný model?

Naváděcí otázky: vrstvení komplexity

Dvojice projdou tolik z následujících kol, kolik jim dovolí 35 minut (většina zvládne dvě; třetí je rozšíření pro ty, kdo skončí dříve). Každé kolo se řídí stejným čtyřkrokovým cyklem:

  1. Kolo 1 — omezte potravní nabídkuzdroje kořisti (nosnázaveďte kapacitanosnou kapacitu prostředí):

    • Předpověz: Než začnete promptovat, zeptejte se sami sebe: co očekáváte, že se stane s cyklem, pokud se růst kořisti zpomalí, jakmile populace naroste, místo aby rostla neomezeně? Načrtněte křivku, kterou očekáváte.
    • Promptuj: Požádejte AI, aby do simulace přidala maximální udržitelnou populaci kořisti, a aby vlastními slovy vysvětlila, jak kvůli tomu upravila rovnici růstu.
    • Otestuj a porovnej: Spusťte novou simulaci se stejnými počátečními hodnotami jako předtím. Porovnejte předchozí simulaci s novou: jak se proměnné změnily? Proč tomu tak je?
    • Diagnostikuj: Který předpoklad původního modelu (neomezená potrava pro kořist) jste právě odstranili? Je tento faktor biotický, nebo abiotický?
  2. Kolo 2 — přidejte další (biotický nebo abiotický) faktor:

    • Předpověz: Pokud nyní s kořistí soutěží o potravu třetí druh, nebo ji rovněž loví, případně pokud růst kořisti nyní závisí na teplotě — co očekáváte, že to udělá s původním dvoudruhovým cyklem?
    • Promptuj: Zvolte další faktor a napište prompt, ve kterém požádáte AI, aby jej přidala jako novou proměnnou propojenou s těmi stávajícími — přesně specifikujte, jak má interagovat s populací kořisti nebo dravců.
    • Otestuj a porovnej: Sledujte simulaci po několik cyklů. Přežije původní dvoudruhový rytmus, zdeformuje se, nebo zmizí?
    • Diagnostikuj: Původní model předpokládal, že každá populace závisí pouze na té druhé. Platí to stále i po tomto kole? Jaký skutečný ekologický vztah váš nový faktor reprezentuje?
  3. Volitelné kolo 3 — zaveďte náhodnost:

    • Předpověz: Pokud jeden parametr (např. míra predace) již není pevně daný, ale je v každém časovém kroku náhodně vybírán z určitého rozsahu, co očekáváte pro dlouhodobou stabilitu populací?
    • Promptuj: Požádejte AI, aby nahradila jeden konstantní parametr náhodnou hodnotou a sledovala, zda některá z populací dosáhne nuly.
    • Otestuj a porovnej: Spusťte simulaci několikrát se stejným nastavením. Dostanete pokaždé stejný výsledek? Zkolabuje někdy některá z populací?
    • Diagnostikuj: Proč mohou stejné „průměrné“ hodnoty parametrů v tomto případě někdy vést k vyhynutí, když deterministický model to nikdy nepředpověděl?

Závěrečná otázka (pro fázi reflexe): Ve kterém kole simulace přestala produkovat čistý, opakující se cyklus — a co vám to říká o tom, kolik reálných faktorů musí původní model Lotka–Volterra vynechat, aby zůstal řešitelný a snadno interpretovatelný?

Materiály

  • Jeden notebook na dvojici žáků, s prohlížečem
  • Přístup k chatovacímu rozhraní jazykového modelu přes internet, nebo lokálně nainstalovaný model, pokud je na škole omezen přístup k internetu
  • Hotová HTML simulace dravec–kořist (jeden soubor, posuvníky pro vybrané parametry)
  • Krátká šablona promptování/pracovního listu pro kola „vrstvení komplexity“ (předpověz → promptuj → otestuj → diagnostikuj)
  • Naváděcí otázky pro fázi zkoumání a reflexi o podstatě vědy (účel modelu vs. limity modelu)