2.2. Bioloģija: Vibe Coding simulācijas klasē

Predator–PreyPlēsēju Dynamicsun laupījuma dinamika (Lotka–VolterraLotkas–Volterras model)modelis)

Subject:Priekšmets: BiologyBioloģija  ·  Grade:Klase: 99. (age14–15 14–15)gadi)  ·  Duration:Ilgums: 1 double lessondubultstunda (90 min) ·  AI:MI: LearningMācīšanās WITHAR AIMI 

AI-relatedAr competenciesMI saistītās kompetences (DUAL.AI.TEACHer Framework)ietvars) – teacherskolotāja levellīmenis

Subject-specificPriekšmetam learningspecifiski objectivesmācīšanās mērķi – student/learnerskolēna/apguvēja levellīmenis

AF-TL-2b (AIMI foundationspamati andun applicationspielietojumi × TeachingMācīšana &un Learning,mācīšanās, Level2. 2līmenis – ReflectiveRefleksīva Implementation)ieviešana):   “Teachers"Skolotāji canvar organiseorganizēt lessonnodarbības elementselementus, thatkas embedietver AIMI useizmantošanu withar clearskaidrām pedagogicalpedagoģiskām roleslomām andun strategiesstratēģijām torezultāta verifyelementu the output elements.”pārbaudei."   AF-FC-2b (AIMI foundationspamati andun applicationspielietojumi × Facilitating Learners’Apguvēju (AI)MI) Digitaldigitālās Competence,kompetences Levelveicināšana, 22. līmenis – ReflectiveRefleksīva Implementation)ieviešana):   “Teachers"Skolotāji canvar implementīstenot guidancenorādes, thatkas helpspalīdz learnersapguvējiem developingattīstīt practicalpraktiskas AIMI skills,prasmes, adaptingpielāgojot theuzdevumus tasksapguvēju toiepriekšējām learners’zināšanām priorun knowledgepieejamajiem andMI the AI tools available.”rīkiem."

ByStundas thebeigās endskolēni of the lesson, students can:spēj: describeaprakstīt theLotkas–Volterras keymodeļa variablesgalvenos mainīgos (preylaupījuma population,populācija, predatorplēsēju population)populācija) andun parametersparametrus (growthpieauguma rate,temps, predationpredācijas rate,ātrums, conversionkonversijas efficiency,efektivitāte, mortalitymirstības rate) of the Lotka–Volterra model;rādītājs); formizvirzīt andun testpārbaudīt hypotheseshipotēzes aboutpar populationpopulāciju dynamicsdinamiku, usingizmantojot aninteraktīvu interactive simulation;simulāciju; extendpaplašināt anesošo existingsimulāciju simulationar withpapildu additionalekoloģiskās layerssarežģītības of ecological complexitylīmeņiem (e.g.piemēram, avides carryingietilpību, capacity,otru asugu, secondsezonālu species,faktoru), arakstot seasonalstrukturētas factor)uzvednes byMI writingvalodas structured prompts for an AI language model;modelim; criticallykritiski evaluateizvērtēt themodeļa model’spieņēmumus assumptionsun and limitationsierobežojumus (Naturezinātnes of Science)būtība), includingtostarp whyto, introducingkāpēc randomnessnejaušības orvai anpapildu additionalfaktora factorieviešana canvar destabiliseto it.destabilizēt.

Take-homeGalvenā message:atziņa: StudentsSkolēniem don'tnav needjāraksta tokods codeno fromnulles. scratch.Esošas Readingsimulācijas andlasīšana testingun anpārbaude, existingpēc simulation,tam thenizmantojot usingLLM, anlai LLMreizē topievienotu addvienu oneekoloģiskā layerreālisma oflīmeni, ecologicalir realismpietiekami, atlai aizveidotu time,patiesu isizpratni enoughpar todinamisku buildbioloģisko genuine understanding of a dynamic biological modelmodeli — and,un, sooneragrāk orvai later,vēlāk, tolai discoverpaši foratklātu, themselveskur exactlytieši wherešis thatmodelis modelsasniedz reachessavas its limits.robežas.

Fig 1. Imageatt. generatedAttēls withizveidots ar ChatGPT (GPT Image 2), August2026. 27,gada 2026.27. augustā.

ContentSaturs

MathematicalMatemātiskie modelsmodeļi andun computerdatorsimulācijas simulationsir areīpaši especiallyvērtīgi valuablerīki toolsekoloģijā, injo ecology,tie becauseļauj theyizteikt canļoti expresssarežģītas highlysistēmas complexar systemsmatemātisku throughvienādojumu mathematicalpalīdzību. equations.Tas Thisļauj makesveikt it possible to run experimentseksperimentus in silico andun testpārbaudīt hypotheseshipotēzes onuz themodeļa modeltādās insituācijās, situationskurās wherereāls aeksperiments realbūtu experimentpārāk woulddārgs, bepārāk toolēns, costly,ētiski toosarežģīts slow,vai ethicallytiešā difficult,veidā orbīstams. outrightPiemēram, dangerous.reālas Manipulatingplēsēju apopulācijas realmanipulēšana predatorreti population,ir foriespējama. instance,Vienlaikus iskatrs rarelymodelis annoteikti option.ir Atrealitātes thevienkāršojums, sameun time,tieši everytajā modelslēpjas istā necessarilyvājās apuses: simplificationreālas ekosistēmas ir daudz sarežģītākas, nekā jebkurš modelis spēj pilnībā atspoguļot.

Lotkas–Volterras modelis ir klasisks šāda vienkāršojuma piemērs, kas pielietots plēsēju un laupījuma dinamikai. Tas attēlo sistēmu, izmantojot divus stāvokļa mainīgos (laupījuma un plēsēju populācijas lielumu) un četrus parametrus (laupījuma iekšējo pieauguma tempu, predācijas ātruma koeficientu, plēsēju vairošanās tempu uz katru apēsto laupījuma vienību un plēsēju mirstības rādītāju). Saskaņā ar tā idealizētajiem pieņēmumiem modelis paredz noturīgas, periodiskas svārstības, kurās izmaiņas plēsēju populācijā seko ar nobīdi pēc izmaiņām laupījuma populācijā. Šī likumsakarība rodas no atgriezeniskās saites cikla: pieaugot laupījuma populācijai, plēsējiem kļūst pieejams vairāk barības, kas ļauj pieaugt plēsēju populācijai. Pieaugusī predācija pēc tam izraisa laupījuma populācijas samazināšanos, kas mazina plēsēju barības apjomu un noved pie plēsēju populācijas samazināšanās. Kad plēsēju kļūst mazāk, laupījuma populācija var atgūties, un cikls sākas no jauna.

Lai iegūtu šo tīro ciklu, modelis izvirza vairākus stingrus pieņēmumus. Tas ir deterministisks (vienādas sākuma vērtības vienmēr rada tieši tādu pašu līkni); tā ir slēgta divu sugu sistēma, kas izslēdz visus abiotiskos faktorus (temperatūru, nokrišņus, sezonu) un visus citus biotiskos faktorus (laupījuma barības augus, trešo sugu, slimības); un tā padara katras populācijas pieaugumu atkarīgu vienīgi no otras populācijas lieluma.

Reālas populācijas šiem pieņēmumiem atbilst reti. Dzimšana, nāve un sastapšanās notiek nejauši, un stohastiskā (nejaušinātā) šī paša modeļa versija mēdz novirzīties no tīrā cikla un pat sabrukt (piemēram, plēsēju populācijai izmirstot) gadījumos, kad deterministiskā versija paredz stabilas svārstības. Tāpat, pievienojot tikai vienu trūkstošu faktoru (piemēram, no temperatūras atkarīgu pieauguma tempu vai laupījuma pašas barības apjoma ierobežojumu), bieži pietiek, lai izjauktu tīro divu mainīgo ciklu. Tas nav trūkums, kas jāslēpj no skolēniem — tā ir aktivitātes centrālā zinātnes būtības (Nature of reality,Science) andmācība. thisModelis isvar exactlybūt wherepatiesi itsnoderīgs, weaknessesvienlaikus lie:paliekot realapzināti ecosystemsšauram arerealitātes fartuvinājumam, moreun complextā thanpareizas anyizmantošanas modelpriekšnosacījums canir fullyprecīzi capture.

zināt,

Thekurus Lotka–Volterrafaktorus modeltas isneietver. aŠīs classicstundas examplegalvenajā ofaktivitātē such a simplification appliedskolēni to predator–preyatklāj dynamics.paši, Itmēģinot representspievienot thetieši systemšāda usingveida 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.

To 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.faktorus.

LessonStundas planplāns

PhaseFāze	TimeLaiks	ActivityDarbība
IntroductionIevads	8 min	TheSkolotājs teachersparāda showsnemarķētu anreālas unlabelledplēsēju–laupījuma graphdatu ofrindas a real predator–prey data seriesgrafiku (e.g.piemēram, lynx/hare)lūsis/zaķis); studentsskolēni describeapraksta themodeli patternun andizvirza formpirmās first hypotheses.hipotēzes.
InputIevade	12 min	TheSkolotājs teacheriepazīstina introducesar themodeļa model’smainīgajiem variablesun andparametriem, parametersizmantojot usingvienkāršu a simple diagramshēmu (nodiferenciālvienādojumi differentialnav equations needed)nepieciešami).
ExplorationIzpēte	15 min	StudentsSkolēni testpāros theirpārbauda hypothesessavas inhipotēzes, pairsizmantojot on a ready-madegatavu HTML simulationsimulāciju, andun recordpieraksta theirsavus observations.novērojumus.
AdaptationPielāgošana	35 min	InPāros pairs,skolēni students work throughizstrādā 2–3 roundskārtas ofpēc principa predictprognozēt → promptveidot uzvedni → testpārbaudīt → diagnosediagnosticēt (guidingvadošie questionsjautājumi below)tālāk), eachkatru timereizi asking thelūdzot LLM tosimulācijai addpievienot onevēl morevienu layerekoloģiskā ofreālisma ecological realism to the simulationlīmeni (alaupījuma limitbarības onapjoma theierobežojumu, prey'sotru foodsugu, supply,sezonālu/abiotisku afaktoru), secondlīdz species,tīrais adivu seasonal/abioticmainīgo factor)cikls untilredzami the clean two-variable cycle visibly breaks down.sabrūk.
ReflectionRefleksija	20 min	Whole-classDiskusija discussion,ar guidedvisu byklasi, questionskuru suchvirza as:tādi Atjautājumi whichkā: roundkurā didkārtā thesimulācija simulationpārstāja stopradīt producingtīru, aatkārtotu clean,ciklu? repeatingKo cycle?oriģinālais Whatmodelis doesapzināti theneietver originalun modelkāpēc? deliberatelyKas leavepadara out,to andpar why?noderīgu Whatvienkāršojumu, makesnevis itvienkārši apar usefulkļūdainu simplification rather than simply a wrong one?modeli?

GuidingVadošie questions:jautājumi: layeringsarežģītības complexityslāņošana

Pairs work through as many of the following rounds as time allows in thePāri 35 minutesminūšu laikā izstrādā tik daudz no turpmāk minētajām kārtām, cik atļauj laiks (mostlielākā managedaļa two;paspēj thedivas; thirdtrešā isir anpapildu extensionuzdevums fortiem, earlykas finishers)pabeidz ātrāk). EachKatra roundkārta followsseko thevienam sameun four-steptam cycle:pašam četru soļu ciklam:

1. Round1. 1kārta — limitlaupījuma thebarības prey'sapjoma food supplyierobežošana (avides carrying capacity)ietilpība):
   • Predict:Prognozēt: BeforePirms yousākat startveidot prompting,uzvedni, akspajautājiet yourself:sev: whatko dojūs yousagaidāt expectnotiekam toar happenciklu, toja thelaupījuma cyclepieaugums ifpalēninās, thetiklīdz prey'spopulācija growthkļūst slowsliela, downnevis onceturpina theaugt populationbez getsierobežojuma? large,Uzzīmējiet insteadgaidāmo of growing without limit? Sketch the curve you expect.līkni.
   • Prompt:Uzvedne: AskLūdziet theMI AIsimulācijai topievienot addmaksimālo ailgtspējīgo maximumlaupījuma sustainablepopulāciju preyun populationsaviem tovārdiem thepaskaidrot, simulation,kā andtas tošim explainnolūkam inmainīja itspieauguma own words how it changed the growth equation to do this.vienādojumu.
   • TestPārbaudīt &un compare:salīdzināt: RunPalaidiet thejauno newsimulāciju simulationar withtādām thepašām samesākuma startingvērtībām valueskā asiepriekš. before.Salīdziniet Compareiepriekšējo thesimulāciju previousar simulationjauno: withkā themainījās newmainīgie? one:Kāpēc howtā did the variables change? Why is that?notika?
   • Diagnose:Diagnosticēt: WhichKuru assumptionoriģinālā ofmodeļa the original modelpieņēmumu (unlimitedneierobežotu foodbarību forlaupījumam) thejūs prey)tikko didnoņēmāt? youVai justšis remove?faktors Isir thisbiotisks factorvai biotic or abiotic?abiotisks?
2. Round2. 2kārta — addvēl anotherviena (bioticbiotiska orvai abiotic)abiotiska) factor:faktora pievienošana:
   • Predict:Prognozēt: IfJa atrešā thirdsuga speciestagad nowkonkurē competesar withlaupījumu thepar preybarību, forvai food,arī ormedī preysto, onvai itja aslaupījuma well,pieaugums ortagad ifir preyatkarīgs growthno nowtemperatūras depends— onko temperaturejūs whatsagaidāt, doka youtas expectdarīs thisar tosākotnējo dodivu tosugu the original two-species cycle?ciklu?
   • Prompt:Uzvedne: ChooseIzvēlieties anothercitu factorfaktoru andun writeuzrakstiet auzvedni, promptlūdzot askingMI the AIpievienot to addkā itjaunu asmainīgo, akas newsaistīts variablear linked to the existing onesesošajiem — specifyprecīzi exactlynorādiet, howkā ittam shouldjāmijiedarbojas interactar withlaupījuma thevai preyplēsēju or predator population.populāciju.
   • TestPārbaudīt &un compare:salīdzināt: ObserveNovērojiet thesimulāciju simulationvairāku overciklu severalgarumā. cycles.Vai Doessākotnējais thedivu originalsugu two-speciesritms rhythmsaglabājas, survive,tiek getizkropļots distorted,vai or disappear?izzūd?
   • Diagnose:Diagnosticēt: TheOriģinālais originalmodelis modelpieņēma, assumedka eachkatra populationpopulācija dependsir onlyatkarīga onvienīgi theno other.otras. IsVai thattas stilljoprojām trueir afterspēkā thispēc round?šīs Whatkārtas? realKādas ecologicalreālas relationshipekoloģiskas doesattiecības yourpārstāv newjūsu factorjaunais represent.faktors?
3. OptionalPapildu round3. 3kārta — introducenejaušības randomness:ieviešana:
   • Predict:Prognozēt: IfJa oneviens parameterparametrs (e.g.piemēram, thepredācijas predationātrums) rate)vairs isnav nofiksēts, longerbet fixedkatrā butlaika drawnsolī randomlytiek withinizvēlēts anejauši rangenoteiktā atdiapazonā, eachko timejūs step,sagaidāt whatattiecībā douz youpopulāciju expectilgtermiņa for the long-term stability of the populations?stabilitāti?
   • Prompt:Uzvedne: AskLūdziet theMI AIaizstāt tovienu replacekonstantu oneparametru constantar parameternejaušinātu withvērtību aun randomisedsekot valuelīdzi andtam, tovai keepkāda trackno ofpopulācijām whethersasniedz either population reaches zero.nulli.
   • TestPārbaudīt &un compare:salīdzināt: RunPalaidiet thesimulāciju simulationvairākas severalreizes timesar withtiem thepašiem sameiestatījumiem. settings.Vai Dokatru youreizi getiegūstat thevienu sameun resultto everypašu time?rezultātu? DoesVai eitherkāda populationno everpopulācijām collapse?jebkad sabrūk?
   • Diagnose:Diagnosticēt: WhyKāpēc cantās thepašas same"vidējās" “average”parametru parametervērtības valuesšeit sometimesdažkārt leadvar novest pie izmiršanas, lai gan deterministiskais modelis to extinctionnekad here, when the deterministic model never predicted that?neparedzēja?

ClosingNoslēguma questionjautājums (forrefleksijas the Reflect phase)fāzei): AtKurā whichkārtā roundsimulācija didpārstāja theradīt simulationtīru, stopatkārtotu producing a clean, repeating cycleciklu — andun whatko doestas thatjums tellpasaka youpar aboutto, howcik manydaudz real-worldreālās factorspasaules thefaktoru originaloriģinālajam Lotka–VolterraLotkas–Volterras modelmodelim hasjāizslēdz, tolai leavetas outpaliktu inatrisināms orderun toviegli stay solvable and easy to interpret?interpretējams?

MaterialsMateriāli

• OneViens laptopklēpjdators perkatram studentskolēnu pair,pārim withar a browserpārlūkprogrammu
• Access to anPiekļuve LLM chattērzēšanas interfacesaskarnei viainternetā thevai internet,lokāli orinstalētam amodelim, locallyja installedskolā modelpiekļuve ifinternetam internetir access is restricted at schoolierobežota
• Ready-madeGatava HTML predator–preyplēsēju–laupījuma simulationsimulācija (singleviens file,fails, slidersslīdņi forizvēlētajiem selected parameters)parametriem)
• AĪsa shortuzvedņu promptingveidošanas / worksheetdarblapas templateveidne for"sarežģītības theslāņošanas" “layering complexity” roundskārtām (predictprognozēt → promptveidot uzvedni → testpārbaudīt → diagnose)diagnosticēt)
• GuidingVadošie questionsjautājumi forizpētes thefāzei explorationun phasezinātnes and the Nature-of-Science reflectionbūtības (modelNature purposeof vs.Science) modelrefleksijai limits)(modeļa mērķis pretstatā modeļa ierobežojumiem)