Ízlések és pofonok
Internet a tanórán - 2026. október 8.
Nem szűnök meg csodálkozni azon, hogy az AI milyen dolgokat tesz egyszerűvé és a hétköznapi tanár számára is megvalósíthatóvá. A minap arra gondoltam, hogy milyen jópofa lenne az osztályommal megismerni, hogy ki milyen zenét szeret. Megkértem őket, hogy mindenki hozza el a neki legkedvesebb számot, hogy azt meg tudjuk hallgatni. Közben arra gondoltam, hogy ez így magában azért gyorsan unalmassá tud váln, valahogy fel kellene dobni a dolgot. Így született egy olyan eszköz, ami talán sok másra is használható, akár művészet-, akár etikaórán. Készítettem ugyanis egy olyan eszközt, amivel az ízlések izgalmasan vizualizálhatók lesznek.
Miről szól még a cikk?
Egy olyan weboldalról, ahol a diákok értékelései alapján csoportosíthatóak a dolgok, de a diákok is az ízlésük alapján.
A megoldás használatához egy táblázatba (pl. Excelbe) kell gyűjteni a diákok értékeléseit, az első oszlopba kerül a dalok neve, az első sorba a diákoké, majd az egyes cellákba az adott pontszámok (1 és 10 között). Valahogy így:
| Song | Anna | Bence | Csilla | Dániel |
| Blinding Lights | 6 | 10 | 5 | 9 |
| Smells Like Teen Spirit | 9 | 8 | 10 | 7 |
| Take On Me | 7 | 6 | 8 | 10 |
Ezt a fájlt kell azután feltölteni az oldalra és már láthatjuk is az eredményt. Az oldal Github-ja IDE KATTINTVA érhető el. Maga az oldal pedig ITT.
Kicsit részletesebben az oldal ezt csinálja:
1. A személyes pontozási stílus kisimítása (standardizálás)
Mindenki másképp skáláz: van, akinél a 7-es már lelkes dicséret, más szinte mindenkinek 9-et vagy 10-et ad. A számítás ezért nem a nyers pontszámokat nézi, hanem azt, hogy egy adott dal mennyivel tér el az illető saját átlagától (z-score). Ezzel a szigorú és a megengedő értékelők ugyanarra a közös skálára kerülnek.
2. A hasonlóság mérése (korreláció mint távolság)
Két dal akkor kerül közel egymáshoz, ha a csoport tagjai hasonlóan reagáltak rájuk: ugyanazok emelték ki vagy húzták le őket. A standardizált értékek közötti geometriai távolság pontosan a statisztikai korrelációnak felel meg. Nem az számít, hogy hány pontot kapott a szám, hanem az, hogy kiknek az ízlése mozgott együtt a megítélésekor.
3. Vetítés 3D térbe (főkomponens-elemzés / PCA)
Ha 20 diák pontozott, a dalok valójában egy 20 dimenziós térben lebegnek, ahol minden diák véleménye egy külön tengely. Ezt emberi szemmel lehetetlen átlátni. A PCA algoritmus megkeresi azt a 3 legfontosabb fő irányt (a véleménykülönbségek három legerősebb törésvonalát), amelyek a csoport ízlésbeli varianciájának legnagyobb részét lefedik. A sokdimenziós pontfelhőt erre a három tengelyre vetíti le, így kapunk egy forgatható 3D térképet.
4. A diákok beillesztése (ízlésvektorok)
A térképen a diákok a középpontból kiinduló nyilakként jelennek meg. A nyíl iránya azt mutatja, hogy az adott ember a 3D tér melyik sarka felé húz, vagyis merre találhatók azok a dalok, amiket a saját átlagához képest a leginkább szeretett. Ha két diák nyila közel párhuzamos, az ízlésük rokon; ha egymással szembe mutatnak, akkor a csoport két ellenpólusát képviselik.
A diákjaim nagyon szerették ezt a foglalkozást és arra gondoltam, hogy még nagyon sok dologra használható lehet (versek, etikai problémák csoportosítása például).
