Gevinster:
- Forståelse af, at elevdata er personlige og ofte private data, og reglerne for anonymisering og opbevaring inden for rammerne af KVKK og faglig fortrolighed
- Evne til at praktisere afidentifikation og valg af et sikkert/institutionelt værktøj ved indtastning af data i offentligt tilgængelige værktøjer til kunstig intelligens
- At forstå, at samtykke til datadeling, dataminimering og overholdelse af skolens politik er lærerens ansvar.
En lærer har adgang til meget følsomme oplysninger i løbet af sit job: karakterer, adfærdsregistre, helbredsforhold, familieoplysninger, vejledningssamtaler, socioøkonomiske data. Disse oplysninger tilhører elevens mest private område, og når de falder i de forkerte hænder, kan det forårsage livslang skade. De fleste AI-værktøjer er cloud-baserede - hvilket betyder, at den tekst, du skriver, behandles på eksterne firmaservere, ikke på din computer, og i nogle værktøjer kan den bruges til at udvikle modellen. Så at skrive en elevs oplysninger ind i en offentlig AI betyder, at du tager dem ud af din kontrol. Denne enhed etablerer det mest kritiske sikkerhedslag ved brug af AI i undervisningen. Reglen er klar: Anonymiser elevdata først, brug sikre/institutionelle værktøjer, hvis det er muligt; Ansvaret ligger hos læreren.
Hvilke data er beskyttet? Ramme for KVKK
Personlige data er enhver information, der gør en person specifik eller identificerbar: navn-efternavn, skolenummer, ID-kort, fotografi eller endda indirekte beskrivelser såsom "den højeste elev af 3-A" i én sammenhæng. Særlige (følsomme) personoplysninger beskyttes stærkere: sundhed, etnicitet, religion, straffedom, biometriske data, forenings-/fagforeningsmedlemskab. Elevens helbredsrapport, diagnose af indlæringsvanskeligheder eller familietraumer er i denne kategori.
KVKK (Persondataloven) kræver, at personoplysninger behandles lovligt, til et bestemt formål, på en afmålt og sikker måde. Praktiske implikationer for læreren: brug kun data efter behov (dataminimering), misbrug ikke data, hold dem sikkert, del dem ikke med tredjeparter (inklusive offentlig AI) uden tilladelse. Der er også tavshedspligt: Læreren kan ikke videregive de oplysninger, han får kendskab til om eleven og hans familie.
Forsigtig: Det er ikke sikkert at antage, at "virksomheden ikke læser dette alligevel". Nogle gratis AI-værktøjer kan gemme/bruge input under træning. Når først data er ude, kan de ikke hentes. Det sikreste er aldrig at tage dataene ud.
Anonymisering: gør det til en refleks
Anonymisering betyder at fjerne alle elementer, der identificerer en person, fra dataene og generalisere dem irreversibelt. I praksis:
- Navn-efternavn → "Student A", "en elev"
- Skolenummer, TR ID, klasseafdeling → fjern helt
- Forældres navn, telefon, adresse → fjern
- Sjældne/beskrivende detaljer → generaliser (sætninger som "en elev, der bruger kørestol" giver personen væk; sig "én elev")
- Skolens/institutionens navn → gå ud eller sig "vores skole"
Før du giver en tekst til AI'en, antag, at en fremmed vil læse den: kan det forstås ud fra denne tekst, hvilket barn det er? Hvis det er klart, så generaliser yderligere.
Sikkert valg af køretøj
Ikke alle AI-værktøjer er ens. Det sikreste er virksomhedsværktøjer, som din skole/institution leverer, har en databehandleraftale (DPA) og ikke bruger input i undervisningen. Med gratis, offentligt tilgængelige værktøjer burde antagelsen være det værste tilfælde. Når du vælger et værktøj, spørg: Er mine input gemt? Bruges det i undervisningen? Hvor behandles dataene? Godkender skolens politik dette værktøj? Hvis du er usikker, skal du ikke bruge dataene uden at anonymisere dem.
Trin for trin: privat-sikker arbejdsgang
- Scan for personlige data. Navn, nummer, institution, følsom situation.
- Anonymiser. Erstat med generelle udtryk; slette identifikationsoplysninger.
- Anvend dataminimering. Tilføj ikke oplysninger, der ikke kræves af opgaven.
- Vælg køretøj. Institutionel hvis muligt; Hvis ikke, så antag det værste tilfælde.
- Brug det. Arbejd kun med anonym tekst.
- Tjek også outputtet. AI kan reflektere den information, du giver den; Der bør ikke være nogen identitetslækage i outputtet.
tre minisager
Case 1 — Last minute capture. En vejleder skrev til AI for at rådføre sig om en elevs familieproblem; Teksten indeholdt navn, karakter og "hans mor er på hospitalet." Han bemærkede uden at sende det, generaliserede det hele som "13-årig studerende, en sundhedsudfordring i hans familie." De forslag til generelle fremgangsmåder, han modtog, virkede; Ingen personlige data blev lækket.
Tilfælde 2 — Indirekte identifikation. En lærer skrev til AI, at det var "materiale til den eneste synshandicappede elev i klassen." Der var intet navn, men sætningen beskrev bestemt den dreng i skolen. Da han bemærkede det, ændrede han det til "for en elev, der har brug for synstøtte." Anonymisering handler ikke kun om at slette navne, men også at skjule identificerende detaljer.
Tilfælde 3 — Valg af køretøj. En skole forbød lærere at bruge gratis værktøjer med elevdata og leverede et virksomhedsværktøj med datasikkerhed. En lærer ville indsætte noteanalyse i det gratis værktøj af vane; Takket være politikpåmindelsen skiftede han til virksomhedsværktøjet og anonymiserede stadig dataene. To lag beskyttelse kombineret.
Kopierbare skabeloner
1) Pre-anonymiseringsscanning:
Antag, at en fremmed vil læse følgende tekst. Kan det direkte ELLER indirekte forstås ud fra denne tekst, hvilken elev han er? Angiv alle de udtryk, der giver identiteten væk (navn, nummer, institution, sjældent træk) og foreslå et generelt alternativ for hver. Tekst: [indsæt]
2) Selvvurdering af sikker køretøj:
Skriv en tjekliste med 6 spørgsmål for at evaluere et AI-værktøj, jeg overvejer at bruge: inputlagring, brug i undervisningen, dataplacering, institutionel godkendelse, ret til at slette, compliance med følsomme data. Tilføj "hvad skal man gøre, hvis ja / hvad skal man gøre, hvis nej" til hvert spørgsmål.
3) Dataminimeringskontrol:
Forenkle teksten, jeg vil give AI til følgende opgave: Fjern alle personlige/kontekstuelle detaljer, som opgaven IKKE KRÆVER, efterlad kun det, der er nødvendigt for at udføre jobbet. Opgave: [beskriv]. Tekst: [indsæt]
4) Udkast til skolepolitik (for lærere):
Udarbejd en kort, klar 8-punkts liste over regler for lærere på en skole til at bruge AI-værktøjer til at sikre elevdata: anonymisering, godkendt værktøj, følsomme data, opbevaring, samtykke, meddelelse om brud. Lad der være tyrkiske, anvendelige artikler. Jeg vil forelægge dette til ledelsens/ekspertens godkendelse.
Svag prompt / Stærk prompt
Svag prompt:
Ahmet Yılmaz, 7-B nummer 214, er meget svag i matematik og hans far er ligeglad; Hvad skal jeg gøre for denne elev?
Navn, nummer, klasse, familiejurisdiktion — en grov krænkelse af fortroligheden; Dataene er uden for din kontrol.
Kraftig prompt:
Foreslå 3 støttestrategier, der kan implementeres i skolen til en elev i 7. klasse, som har svært ved basale operationer i matematik, forudsat at der er begrænset støtte i hjemmet. (Studenten er anonym; jeg deler ingen personlige oplysninger.)
Datatype
eksempel
Er det givet til AI?
Hvordan
direkte identifikation
Navn, nummer, TR
nej
Fjern helt
indirekte identifikation
"Enlig handicappet elev"
nej
generalisere
Følsomme data
Sundhed, diagnose, familie
meget forsigtig
Anonym + virksomhedsværktøj
Almen pædagogisk situation
"En kæmpende elev"
Ja
anonymt
Almindelige fejl
- Bare slet navnet. Hvis nummeret, klassen eller den indirekte definition forbliver, er identiteten stadig klar.
- Overser den indirekte definition. Udtryk som "Du er den eneste i din klasse..." giver personen væk.
- Tager let på følsomme data. Sundheds-/familieoplysninger er særlige data og kræver højere beskyttelse.
- Forudsat køretøjets sikkerhed. Det er risikabelt at antage, at det gratis værktøj ikke gemmer data; Antag det værste.
- Styrer ikke output. AI kan gentage de legitimationsoplysninger, du angiver i svaret; rense udgangen også.
Tip: "To-minutters regel": Før du indsætter enhver elevrelateret tekst i AI'en, skal du bruge to minutter på at rydde navn, nummer, institution og identificerende detaljer. Denne lille vane forhindrer de største krænkelser.
Sammenfattende
Elevdata er personlige, ofte private data og er beskyttet under KVKK og faglig fortrolighed. Offentlige AI-værktøjer er cloud-baserede; At give dataene, som de er, lader dem være ude af kontrol. Den rigtige måde: at anonymisere personlige og indirekte identificerende oplysninger, kun dele det nødvendige (dataminimering), bruge virksomhedens og godkendte værktøjer, hvis det er muligt, og auditere outputtet. Ansvaret ligger hos læreren.
Ansøgningsopgave
Tag en tekst om en elev, du har skrevet (eller overvejer at skrive) til AI i den sidste uge. Opdag og generaliser alle direkte og indirekte identifikatorer med skabelonen "præ-anonymiseringsscreening". Evaluer derefter det AI-værktøj, du bruger, i forhold til listen "Secure tool self-assessment" og beslut, hvilken type data du kan bruge med dette værktøj.
tjekliste
- [ ] Har jeg fjernet direkte identifikatorer som navn, nummer, TR ID, institution?
- [ ] Har jeg generaliseret indirekte deskriptorer som "Den eneste i din klasse..."?
- [ ] Har jeg behandlet følsomme (sundheds-/familie)data med ekstra beskyttelse?
- [ ] Har jeg tjekket datapolitikken og skolens godkendelse af det køretøj, jeg bruger?
- [ ] Har jeg også tjekket for identitetslækager i outputtet?