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 (početnost populace kořisti a predátora) a parametry (rychlost růstu, míra predace, účinnost přeměny potravy na přírůstek biomasy a úmrtnost) modelu Lotka–Volterra;
  • formulovat a ověřovat hypotézy o populační dynamice pomocí interaktivní simulace;
  • rozšířit existující simulaci o další úrovně ekologické složitosti (např. nosnou kapacitu prostředí, druhý druh nebo sezónní faktor) vytvářením strukturovaných zadání pro jazykový model umělé inteligence;
  • kriticky hodnotit předpoklady a omezení modelu (v rámci tématu Povaha vědy – Nature of Science), včetně vysvětlení, proč může zavedení náhodnosti nebo dalšího faktoru vést k destabilizaci modelu.

Klíčové poselství: Studenti nemusí programovat od úplného začátku. K opravdovému pochopení dynamického biologického modelu stačí analyzovat a testovat existující simulaci a poté pomocí velkého jazykového modelu (LLM) postupně přidávat vždy jednu vrstvu ekologické realističnosti. Dříve či později tak sami objeví, kde přesně model naráží na 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 zjednodušení, které se uplatňuje při popisu dynamiky vztahu mezi predátorem a kořistí. Systém popisuje pomocí dvou stavových proměnných (početnosti populace kořisti a predátora) a čtyř parametrů (vnitřní rychlosti růstu populace kořisti, koeficientu míry predace, rychlosti rozmnožování predátora na základě ulovené kořisti a úmrtnosti predátora). Za svých idealizovaných předpokladů model předpovídá trvalé periodické kolísání početnosti obou populací, přičemž změny v populaci predátora následují se zpožděním po změnách v populaci kořisti. Toto chování vzniká v důsledku zpětnovazební smyčky: když se populace kořisti zvětšuje, predátoři mají k dispozici více potravy, což jim umožňuje zvýšit svou početnost. Intenzivnější predace následně způsobuje pokles populace kořisti, čímž se snižuje množství potravy pro predátory a jejich populace začíná klesat. Při menším počtu predátorů se populace kořisti může opět 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. Narození, úmrtí i vzájemná setkání organismů jsou ovlivněny náhodnými procesy. Stochastická (náhodná) verze téhož modelu se proto může odchýlit od pravidelných cyklických výkyvů a může dokonce vést ke kolapsu populace, například k vyhynutí predátorů, a to i v případech, kdy deterministická verze modelu předpovídá stabilní oscilace. Podobně může k narušení pravidelného cyklu mezi dvěma populacemi stačit přidání jediného dosud nezohledněného faktoru, například teplotně závislé rychlosti růstu nebo omezené dostupnosti potravy pro kořist. Nejde o nedostatek, který by bylo třeba před žáky skrývat, ale o jedno z hlavních poselství této aktivity zaměřené na povahu vědy. Model může být velmi užitečný, a přesto představovat záměrně zjednodušený obraz reality. Umět model správně používat znamená také vědět, které faktory nezahrnuje a jak tato omezení ovlivňují jeho předpovědi. V hlavní aktivitě této vyučovací hodiny žáci na tato omezení přijdou sami, když se pokusí do modelu začlenit právě takové 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 absolvují 2–3 kola postupu předpovědět → formulovat zadání → otestovat → analyzovat příčiny, přičemž využívají níže uvedené návodné otázky. V každém kole požádají velký jazykový model (LLM), aby do simulace přidal další prvek, který zvýší její ekologickou realističnost (např. omezenou dostupnost potravy pro kořist, druhý druh nebo sezónní či jiný abiotický faktor), a pokračují tak dlouho, dokud se původní pravidelný 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 zdroje kořisti (zaveďte nosnou 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)