2.2. Biologia: symulacje vibe coding w klasie

Predator–PreyDynamika Dynamicsdrapieżnik–ofiara (Lotka–Volterramodel model)Lotki–Volterry)

Subject:Przedmiot: BiologyBiologia ·  Grade:Klasa: 9 (agewiek 14–15) · Czas Duration:trwania: 1 doublelekcja lessonpodwójna (90 min) · AI: Learning WITHSI: AIUczenie się Z SI

Kompetencje związane z SI (Ramy DUAL.AI.TEACHer) – poziom nauczyciela	Przedmiotowe cele kształcenia – poziom ucznia

AI-related competencies (DUAL.AI.TEACHer Framework) – teacher level Subject-specific learning objectives – student/learner level

AF-TL-2b

(AIPodstawy foundationsi andzastosowania applicationsSI × TeachingNauczanie &i Learning,uczenie Levelsię, poziom 2 – Reflectiverefleksyjne Implementation)wdrażanie):

„Nauczyciele

potrafią

“Teachersorganizować canelementy organiselekcji, lessonktóre elementsosadzają thatwykorzystanie embedSI AIw usejasnych withrolach clearpedagogicznych pedagogicaloraz rolesstrategiach andweryfikacji strategieselementów to verify the output elements.wyniku.”

 

AF-FC-2b

(AIPodstawy foundationsi andzastosowania applicationsSI × FacilitatingWspieranie Learners’kompetencji cyfrowych (AI)SI) Digitaluczniów, Competence, Levelpoziom 2 – Reflectiverefleksyjne Implementation)wdrażanie):

„Nauczyciele

potrafią

“Teacherswdrażać canwskazówki implementpomagające guidanceuczniom thatrozwijać helpspraktyczne learnersumiejętności developingSI, practicaldostosowując AIzadania skills,do adaptingwcześniejszej thewiedzy tasksuczniów toi learners’dostępnych priornarzędzi knowledge and the AI tools available.SI.”

Po

Byzakończeniu thelekcji enduczniowie of the lesson, students can:potrafią:

• describeopisać thekluczowe key variableszmienne (preypopulacja population,ofiar, predatorpopulacja population)drapieżników) andi parametersparametry (growthtempo rate,wzrostu, predationtempo rate,drapieżnictwa, conversionefektywność efficiency,konwersji, mortalitytempo rate)śmiertelności) ofmodelu the Lotka–Volterra model;Lotki–Volterry;
• formformułować andi testtestować hypotheseshipotezy aboutdotyczące populationdynamiki dynamicspopulacji usingza anpomocą interactiveinteraktywnej simulation;symulacji;
• extendrozszerzać anistniejącą existingsymulację simulationo withdodatkowe additionalwarstwy layerszłożoności of ecological complexityekologicznej (e.g.np. apojemność carryingśrodowiska, capacity,drugi agatunek, secondczynnik species,sezonowy), apisząc seasonalustrukturyzowane factor)polecenia bydla writingmodelu structuredjęzykowego prompts for an AI language model;SI;
• criticallykrytycznie evaluateoceniać thezałożenia model’si assumptionsograniczenia and limitationsmodelu (Naturenatura of Science)nauki), includingw whytym introducingdlaczego randomnesswprowadzenie orlosowości anlub additionaldodatkowego factorczynnika canmoże destabilisego it.destabilizować.

Take-homeNajważniejsze message:przesłanie: StudentsUczniowie don'tnie needmuszą toprogramować codeod fromzera. scratch.Przeczytanie Readingi andprzetestowanie testingistniejącej an existing simulation, then using an LLM to add one layer of ecological realism atsymulacji, a time,następnie iswykorzystanie enoughdużego tomodelu buildjęzykowego genuinedo understandingdodawania ofpo ajednej dynamicwarstwie biologicalekologicznego realizmu na raz, wystarczy, by zbudować prawdziwe zrozumienie dynamicznego modelu biologicznego – i, prędzej czy później, samodzielnie odkryć, gdzie dokładnie model —osiąga and,swoje sooner or later, to discover for themselves exactly where that model reaches its limits.granice.

FigRys. 1. ImageObraz generatedwygenerowany withza pomocą ChatGPT (GPT Image 2), August27 27,sierpnia 2026.2026 r.

Content

Treść

MathematicalModele modelsmatematyczne andi computersymulacje simulationskomputerowe aresą especiallyszczególnie valuablecennymi toolsnarzędziami w ekologii, ponieważ pozwalają wyrazić bardzo złożone systemy za pomocą równań matematycznych. Umożliwia to przeprowadzanie eksperymentów in ecology,silico becausei theytestowanie canhipotez expressna highlymodelu complexw systemssytuacjach, throughw mathematicalktórych equations.prawdziwy Thiseksperyment makesbyłby itzbyt possiblekosztowny, zbyt powolny, etycznie trudny lub wręcz niebezpieczny. Manipulowanie prawdziwą populacją drapieżników, na przykład, rzadko wchodzi w grę. Jednocześnie każdy model jest z konieczności uproszczeniem rzeczywistości i właśnie tu leżą jego słabości: prawdziwe ekosystemy są znacznie bardziej złożone, niż jakikolwiek model może w pełni uchwycić.

Model Lotki–Volterry to runklasyczny experimentsprzykład intakiego silicouproszczenia andzastosowanego testdo hypothesesdynamiki ondrapieżnik–ofiara. thePrzedstawia system za pomocą dwóch zmiennych stanu (liczebności populacji ofiar i drapieżników) oraz czterech parametrów (wewnętrznego tempa wzrostu populacji ofiar, współczynnika tempa drapieżnictwa, tempa rozrodu drapieżników na jedną zjedzoną ofiarę oraz tempa śmiertelności drapieżników). Przy swoich wyidealizowanych założeniach model inprzewiduje situationstrwałe, whereokresowe oscylacje, w których zmiany populacji drapieżników następują z opóźnieniem względem zmian populacji ofiar. Zachowanie to wynika z pętli sprzężenia zwrotnego: gdy populacja ofiar rośnie, drapieżnikom dostępne jest więcej pożywienia, co pozwala rosnąć populacji drapieżników. Zwiększone drapieżnictwo powoduje następnie spadek populacji ofiar, co zmniejsza zasoby pokarmowe drapieżników i prowadzi do spadku ich populacji. Przy mniejszej liczbie drapieżników populacja ofiar może się odbudować i cykl zaczyna się od nowa.

Aby uzyskać ten czysty cykl, model przyjmuje kilka mocnych założeń. Jest deterministyczny (te same wartości początkowe zawsze dają dokładnie tę samą krzywą); jest zamkniętym systemem dwóch gatunków, który wyklucza każdy czynnik abiotyczny (temperaturę, opady, porę roku) i każdy inny czynnik biotyczny (rośliny pokarmowe dla ofiar, trzeci gatunek, choroby); oraz sprawia, że wzrost każdej populacji zależy wyłącznie od liczebności drugiej populacji.

Prawdziwe populacje rzadko spełniają te założenia. Narodziny, zgony i spotkania podlegają przypadkowi, a realstochastyczna experiment(losowa) wouldwersja betego toosamego costly,modelu tooma slow,tendencję ethicallydo difficult,odchodzenia orod outrightczystego dangerous. Manipulatingcyklu, a realnawet predatormoże population,się forzałamać instance,(np. iswymarcie rarelypopulacji andrapieżników) option.w Atprzypadkach, thew samektórych time,wersja everydeterministyczna modelprzewiduje isstabilne necessarilyoscylacje. Podobnie, dodanie zaledwie jednego brakującego czynnika (np. zależnego od temperatury tempa wzrostu lub ograniczenia zasobów pokarmowych ofiar) często wystarcza, by zaburzyć czysty dwuzmienny cykl. Nie jest to wada, którą należy ukrywać przed uczniami – to centralna lekcja o naturze nauki płynąca z tego ćwiczenia. Model może być naprawdę użyteczny, pozostając jednocześnie celowo wąskim przybliżeniem rzeczywistości, a simplificationdobre ofkorzystanie reality,z andniego thisoznacza isdokładną exactlyznajomość wheretego, itsjakie weaknessesczynniki lie:pomija. realW ecosystemsgłównym arezadaniu fartej morelekcji complexuczniowie than any model can fully capture.

The Lotka–Volterra model is a classic example of such a simplification appliedodkrywają to predator–preysamodzielnie, dynamics.próbując Itdodać representswłaśnie thetego systemrodzaju using two state variables (the prey and predator population sizes) and four parameters (the prey’s intrinsic growth rate, the predation-rate coefficient, the predator’s reproduction rate per prey consumed, and the predator’s mortality rate). Under its idealized assumptions, the model predicts sustained, periodic oscillations in which changes in the predator population lag behind those in the prey population. This behavior arises from a feedback loop: as the prey population increases, more food becomes available to predators, allowing the predator population to grow. Increased predation then causes the prey population to decline, which reduces the predators’ food supply and leads to a decline in the predator population. With fewer predators, the prey population can recover, and the cycle begins again.czynniki.

To

Plan produce this clean cycle, the model makes several strong assumptions. It is deterministic (the same starting values always produce exactly the same curve); it is a closed two-species system that excludes every abiotic factor (temperature, precipitation, season) and every other biotic factor (food plants for the prey, a third species, disease); and it makes each population's growth depend on nothing except the size of the other population.

Real populations rarely meet these assumptions. Births, deaths and encounters are subject to chance, and a stochastic (randomised) version of the same model tends to drift away from the clean cycle and can even collapse (e.g. the predator population dying out) in cases where the deterministic version predicts stable oscillation. Likewise, adding just a single missing factor (e.g. a temperature-dependent growth rate, or a limit on the prey's own food supply) is often enough to break the clean two-variable cycle. This is not a flaw to hide from students, it is the central Nature-of-Science lesson of the activity. A model can be genuinely useful, while still being a deliberately narrow approximation of reality and using it well means knowing exactly which factors it leaves out. In this lesson's main activity, students discover this for themselves by trying to add exactly these kinds of factors.

Lesson plan

lekcji FazaCzasAktywność PhaseWprowadzenie Time Activity Introduction 8 minNauczyciel Thepokazuje teachersnieopisany showswykres anprawdziwej unlabelledserii graphdanych of a real predator–prey data seriesdrapieżnik–ofiara (e.g.np. lynx/hare)ryś/zając); studentsuczniowie describeopisują thewzorzec patterni andformułują formpierwsze first hypotheses.hipotezy. InputWejście 12 minNauczyciel Theprzedstawia teacherzmienne introducesi theparametry model’smodelu variablesza andpomocą parametersprostego using a simple diagramdiagramu (nobez differentialpotrzeby equationsrównań needed)różniczkowych). ExplorationEksploracja 15 minUczniowie Studentsw testparach theirtestują hypothesesswoje inhipotezy pairsna ongotowej a ready-madesymulacji HTML simulationi andzapisują record their observations.obserwacje. AdaptationAdaptacja 35 minW Inparach pairs,uczniowie studentsprzechodzą work throughprzez 2–3 roundsrundy of predictprzewiduj → promptpoleceniuj → testtestuj → diagnosediagnozuj (guidingpytania questionsprzewodnie below)poniżej), eachza timekażdym askingrazem theprosząc LLMmodel tojęzykowy addo onedodanie morekolejnej layerwarstwy ofekologicznego ecologicalrealizmu realismdo to the simulationsymulacji (aograniczenie limitzasobów onpokarmowych theofiar, prey'sdrugi foodgatunek, supply,czynnik asezonowy/abiotyczny), secondaż species,czysty adwuzmienny seasonal/abioticcykl factor)wyraźnie untilsię the clean two-variable cycle visibly breaks down.załamie. ReflectionRefleksja 20 minDyskusja Whole-classz discussion,całą guidedklasą, byprowadzona questionspytaniami suchtakimi as:jak: AtW whichktórej roundrundzie didsymulacja theprzestała simulationwytwarzać stopczysty, producingpowtarzalny cykl? Co model oryginalny celowo pomija i dlaczego? Co sprawia, że jest użytecznym uproszczeniem, a clean,nie repeatingpo cycle?prostu Whatbłędnym does the original model deliberately leave out, and why? What makes it a useful simplification rather than simply a wrong one?modelem?

Pytania przewodnie: warstwy złożoności

GuidingPary questions:przechodzą layeringprzez complexitytyle poniższych rund, na ile pozwoli czas w ciągu 35 minut (większość radzi sobie z dwiema; trzecia jest rozszerzeniem dla tych, którzy skończą wcześniej). Każda runda przebiega według tego samego czteroetapowego cyklu:

Pairs work through as many of the following rounds as time allows in the 35 minutes (most manage two; the third is an extension for early finishers). Each round follows the same four-step cycle:

RoundRunda 1 — limitogranicz thezasoby prey'spokarmowe food supplyofiar (apojemność carrying capacity)środowiska):

• Predict:Przewiduj: BeforeZanim youzaczniesz startformułować prompting,polecenie, akszadaj yourself:sobie whatpytanie: czego oczekujesz, że stanie się z cyklem, jeśli wzrost populacji ofiar spowolni po osiągnięciu dużej liczebności, zamiast rosnąć bez ograniczeń? Naszkicuj oczekiwaną krzywą.

Polecenie: Poproś SI o dodanie maksymalnej trwałej populacji ofiar do yousymulacji expectoraz too happenwyjaśnienie towłasnymi thesłowami, cyclejak ifzmieniła thew prey'stym growthcelu slowsrównanie down once the population gets large, instead of growing without limit? Sketch the curve you expect.wzrostu. Prompt:Testuj Aski theporównaj: AIUruchom tonową addsymulację az maximumtymi sustainablesamymi preywartościami populationpoczątkowymi toco thepoprzednio. simulation,Porównaj andpoprzednią tosymulację explainz innową: itsjak ownzmieniły wordssię howzmienne? itDlaczego changedtak thesię growth equation to do this.stało? TestDiagnozuj: &Które compare:założenie Runoryginalnego the new simulation with the same starting values as before. Compare the previous simulation with the new one: how did the variables change? Why is that? Diagnose: Which assumption of the original modelmodelu (unlimitednieograniczone foodpożywienie fordla theofiar) prey)właśnie didusunęliście? youCzy justten remove?czynnik Isjest thisbiotyczny, factorczy biotic or abiotic?abiotyczny?

RoundRunda 2 — adddodaj anotherkolejny czynnik (bioticbiotyczny orlub abiotic) factor:abiotyczny):

• Predict:Przewiduj: IfJeśli atrzeci thirdgatunek speciesteraz nowkonkuruje competesz withofiarami theo preypożywienie, foralbo food,też orna preysnie poluje, albo jeśli wzrost populacji ofiar zależy teraz od temperatury – czego oczekujecie, że stanie się z oryginalnym cyklem dwóch gatunków?

Polecenie: Wybierzcie inny czynnik i napiszcie polecenie z prośbą do SI o dodanie go jako nowej zmiennej powiązanej z istniejącymi – określcie dokładnie, jak ma on itwchodzić asw well,interakcję orz ifpopulacją preyofiar growthlub nowdrapieżników. dependsTestuj oni temperatureporównaj: whatObserwujcie dosymulację youprzez expectkilka thiscykli. Czy oryginalny rytm dwóch gatunków przetrwał, uległ zniekształceniu, czy zniknął? Diagnozuj: Oryginalny model zakładał, że każda populacja zależy wyłącznie od drugiej. Czy to donadal toprawda thepo originaltej two-speciesrundzie? cycle?Jaką Prompt:prawdziwą Chooserelację anotherekologiczną factorreprezentuje andwasz writenowy a prompt asking the AI to add it as a new variable linked to the existing ones — specify exactly how it should interact with the prey or predator population. Test & compare: Observe the simulation over several cycles. Does the original two-species rhythm survive, get distorted, or disappear? Diagnose: The original model assumed each population depends only on the other. Is that still true after this round? What real ecological relationship does your new factor represent.czynnik?

Runda 3 (opcjonalna) — wprowadź losowość:

Przewiduj: Jeśli jeden parametr (np. tempo drapieżnictwa) nie jest już stały, lecz losowany w pewnym zakresie w każdym kroku czasowym, czego oczekujecie dla długoterminowej stabilności populacji? Optional round 3 — introduce randomness:Polecenie:

Poproście Predict:SI Ifo onezastąpienie parameterjednego (e.g.stałego theparametru predationwartością rate)losową isi nośledzenie, longerczy fixedktóraś butz drawnpopulacji randomly within a range at each time step, what do you expect for the long-term stability of the populations? Prompt: Ask the AI to replace one constant parameter with a randomised value and to keep track of whether either population reachesosiąga zero. TestTestuj &i compare:porównaj: RunUruchomcie thesymulację simulationkilka severalrazy timesz withtymi thesamymi ustawieniami. Czy za każdym razem otrzymujecie ten sam wynik? Czy którakolwiek populacja kiedykolwiek wymiera? Diagnozuj: Dlaczego te same settings.„przeciętne” Dowartości youparametrów getmogą thetutaj sameczasem resultprowadzić everydo time?wymarcia, Does either population ever collapse? Diagnose: Why can the same “average” parameter values sometimes lead to extinction here, when the deterministicskoro model neverdeterministyczny predictednigdy that?tego nie przewidywał?

ClosingPytanie questionzamykające (fordo thefazy Reflect phase)refleksji): AtW whichktórej roundrundzie didsymulacja theprzestała simulationwytwarzać stopczysty, producingpowtarzalny acykl clean,– repeatingi cycleco —to andmówi whato doestym, thatile tellrzeczywistych youczynników about how many real-world factors the original Lotka–Volterraoryginalny model hasLotki–Volterry tomusi leavepominąć, outaby inpozostać orderrozwiązywalnym toi stayłatwym solvabledo and easy to interpret?interpretacji?

Materials

Materiały

• OneJeden laptop perna studentparę pair,uczniów, withz przeglądarką

Dostęp do interfejsu czatu z dużym modelem językowym przez internet, lub lokalnie zainstalowany model, jeśli dostęp do internetu w szkole jest ograniczony Gotowa symulacja HTML drapieżnik–ofiara (pojedynczy plik, suwaki dla wybranych parametrów) Krótki szablon poleceń / karty pracy dla rund „warstw złożoności” (przewiduj → poleceniuj → testuj → diagnozuj) Pytania przewodnie dla fazy eksploracji i refleksji nad naturą nauki (cel modelu a browsergranice Access to an LLM chat interface via the internet, or a locally installed model if internet access is restricted at school Ready-made HTML predator–prey simulation (single file, sliders for selected parameters) A short prompting / worksheet template for the “layering complexity” rounds (predict → prompt → test → diagnose) Guiding questions for the exploration phase and the Nature-of-Science reflection (model purpose vs. model limits)modelu)