Ethik, akademische Integrität, Grenzen und End-to-End-Workflow

Gewinne:

• Fähigkeit, die ethischen Grundsätze des Einsatzes künstlicher Intelligenz in der Mathematik (im Dienste des Lernens, Transparenz, menschlicher Verantwortung, Gerechtigkeit, Vertraulichkeit) zu verstehen und anzuwenden.
• Fähigkeit, Datenschutzrisiken einzuschätzen und geeignete Vorsichtsmaßnahmen bei sensiblen Inhalten wie Prüfungsfragen, Studentendaten und unveröffentlichten Forschungsergebnissen zu treffen
• Möglichkeit, alle Teile des Moduls (Produktion + Verifizierung) in einem einzigen End-to-End-Workflow zu kombinieren, wobei jeder Produktionsschritt mit einem Verifizierungsschritt und einer abschließenden menschlichen Genehmigung abgeschlossen wird

In dieser letzten Einheit kombinieren wir zwei Dinge: einerseits die ethischen, akademischen Integritäts- und Vertraulichkeitsdimensionen des Einsatzes künstlicher Intelligenz in der Mathematik; Andererseits geht es darum, das, was wir im Laufe des Moduls gelernt haben, in einem einzigen End-to-End-Workflow zusammenzuführen. KI in der Mathematik ist ein mächtiges Werkzeug, aber sie bringt sowohl Verantwortung als auch Macht mit sich: Für wen Sie sie verwenden, wofür Sie sie verwenden und wie Sie sie verwenden, hat ethische Konsequenzen. Ein Schüler, der seine Hausaufgaben von KI erledigen lässt, und ein Lehrer, der den Unterrichtsstoff mit KI beschleunigt, sind sehr unterschiedliche Dinge. Dieses Gerät ergänzt technisches Können durch verantwortungsvollen Umgang.

Ein paar Definitionen. Akademische Integrität bedeutet, ehrlich zu zeigen, wem ein Werk wirklich gehört, und das Lernen nicht zu verkürzen. Bei einem Plagiat wird das Produkt eines anderen (oder eines Mediums) so dargestellt, als wäre es Ihr eigenes Originalprodukt. Transparenz bedeutet, klar anzugeben, wo KI eingesetzt wird. Diese Konzepte sind im Zeitalter der KI zu einem zentralen Bestandteil des Mathematikunterrichts geworden.

Grundprinzipien des ethischen Gebrauchs

1. Nicht als Ersatz für das Lernen, sondern im Dienste desselben. KI kann einen Schüler beim Erlernen des Konzepts unterstützen (Erklärung, alternative Erklärung), sollte ihn jedoch nicht zum Nachdenken anregen. Wenn KI die Hausaufgaben macht, wird das Lernen beeinträchtigt.
2. Transparenz. Geben Sie an, wo KI eingesetzt wurde – in einem Artikel, Kursmaterial oder Bericht. Verheimlichen ist unehrlich.
3. Die Verantwortung liegt beim Menschen. Jeder, der KI-Ausgaben veröffentlicht, lehrt oder liefert, ist für deren Richtigkeit verantwortlich. „Die KI hat es gesagt“ ist keine Entschuldigung.
4. Gerechtigkeit. Der Einsatz von KI bei der Beurteilung sollte für alle Studierenden durch gleiche und klare Regeln geregelt werden.
5. Sicherheit. Geben Sie keine sensiblen Informationen wie Prüfungsfragen, Studentendaten oder unveröffentlichte Forschungsergebnisse in KI-Tools ein, deren Vertraulichkeit nicht gewährleistet ist.

Datenschutz: Was bedeutet das im Kontext der Mathematik?

Auch wenn es in der Mathematik so aussieht, als gäbe es „keine versteckten Daten“, ist der Kontext wichtig. Ein unveröffentlichtes Forschungsergebnis, die Prüfungsfragendatenbank einer Institution, die persönlichen Leistungsdaten von Studenten oder der proprietäre Algorithmus eines Unternehmens – sie alle sind sensibel. Alles, was Sie in ein KI-Tool eingeben, kann vom Anbieter dieses Tools verarbeitet und in einigen Fällen zum Trainieren des Modells verwendet werden. Nutzen Sie also bei sensiblen Inhalten entweder lokal/institutionell gesicherte Tools oder anonymisieren Sie die Inhalte.

Datentyp

Risiko

Vorsichtsmaßnahme

Veröffentlichter Satz/Problem

niedrig

frei verfügbar

Aktive Prüfungsfragen

hoch

Fahrzeug nicht betreten oder sichern

Persönliche Daten/Leistungsdaten der Studierenden

hoch

Anonymisieren/nicht betreten

Unveröffentlichte Forschung

hoch

Sicheres/lokales Tool

Vorlesungsübersicht

niedrig-mittel

Generell geeignet

Achtung: Bevor Sie in die KI einsteigen, um eine Prüfungsfrage zu verifizieren, überlegen Sie, ob diese Frage geheim bleiben soll. Fragen aus einer aktiven Prüfung könnten theoretisch offengelegt werden, wenn sie in ein KI-Tool eingegeben werden, dessen Vertraulichkeit nicht gewährleistet ist. Ändern Sie bei kritischen Prüfungen entweder die Fragen oder verwenden Sie nur vom Unternehmen genehmigte, datenschutzsichere Tools.

End-to-End-Workflow: eine Beispielaufgabe

Nehmen wir an, Sie müssen innerhalb einer Woche sowohl Kursmaterial als auch eine Prüfung für ein Fach vorbereiten. Der Ablauf, der alle Teile des Moduls kombiniert, könnte wie folgt aussehen:

1. Planung. Klären Sie Thema, Niveau und Ziele (Einheit 7).

2. Ausarbeitung des Materials. Lassen Sie die KI niveaugerechte Vorlesungen und gelöste Beispiele erstellen (Einheit 7).

3. Probenüberprüfung. Überprüfen Sie jedes gelöste Beispiel mit SymPy (Einheit 4).

4. Visualisierung. Erstellen und rendern Sie Grafiken zur Unterstützung der Erzählung mit Matplotlib-Code und vergleichen Sie sie mit Mathematik (Einheit 6).

5. Notation. Bereinigen Sie den Index, rendern und überprüfen Sie Formeln mit LaTeX (Einheit 10).

6. Fragengenerierung. Lassen Sie Multiple-Choice-Fragen + Ablenker für die Prüfung erstellen (Einheit 8).

7. Massenüberprüfung. Lösen Sie alle Fragen in großen Mengen mit SymPy und überprüfen Sie den Antwortschlüssel (Einheit 8, 9).

8. Ethik- und Transparenzkontrolle. Ist Vertraulichkeit angemessen? Haben Sie bei Bedarf den Einsatz von KI im Material angegeben? Sie tragen die letztendliche Verantwortung (diese Einheit).

9. Menschliche Zustimmung. Überprüfen und bestätigen Sie noch einmal alles. Nicht verifizierte Stücke werden nicht ausgestrahlt bzw. getestet.

Tipp: In einem End-to-End-Workflow besteht die effizienteste Strategie darin, KI als „Geschwindigkeitsschicht“, deterministische Tools (SymPy, Render) als „Korrektheitsschicht“ und Sie selbst als „Beurteilungs- und Verantwortlichkeitsschicht“ zu positionieren. Auf jeden Produktionsschritt sollte ein Verifizierungsschritt folgen; Eine nicht verifizierte Ausgabe sollte nicht in den nächsten Schritt übernommen werden.

drei Mini-Koffer

Fall 1 – Transparenz schafft Vertrauen. Ein Wissenschaftler verwendete KI im ersten Entwurf eines Lehrbuchkapitels, überprüfte dann jede mathematische Behauptung und erklärte im Vorwort: „Bei der Erstellung des Manuskripts wurde KI-Unterstützung in Anspruch genommen, der gesamte Inhalt wurde vom Autor überprüft.“ Diese Transparenz stärkte das Vertrauen der Kollegen und wahrte den Standard der Integrität.

Fall 2 – Nutzung, die das Lernen untergräbt. Ein Schüler ließ die KI seine gesamte Hausaufgabe lösen und abgeben. Er scheiterte in denselben Fächern an der Prüfung, weil er die Konzepte nie gelernt hatte. Der Lehrer schlug vor, die KI zu nutzen, um „die Lösung überprüfen zu lassen und eine alternative Erklärung zu erhalten“, die Probleme aber zunächst selbst zu lösen. KI sollte im Dienst des Lernens stehen und nicht an seiner Stelle.

Fall 3 – Risiko einer Datenschutzverletzung. Ein Lehrer erwog, sich in ein allgemeines KI-Tool zu hacken, um Fragen für eine zentrale Prüfung zu überprüfen, die noch nicht durchgeführt worden war, entschied sich dann aber dagegen. Stattdessen löste er die Fragen in SymPy alleine und mit einem Kollegen. Die Eingabe aktiver Prüfungsfragen in ein externes Tool stellte ein ernstes Datenschutzrisiko dar; Die lokale Authentifizierung stellte den sicheren Pfad bereit.

Vier kopierbare Vorlagen

1) Lernunterstützende Nutzung (für Studierende):

Ich habe dieses Problem ZUERST gelöst, meine Lösung ist beigefügt. Geben Sie mir NICHT die Lösung; Zeigen Sie mir einfach, wo ich einen Fehler gemacht habe und welches Konzept ich falsch verstanden habe, damit ich es korrigieren kann. Meine Lösung: [hier]

2) Erstellen eines Transparenzvermerks:

Ich habe ein [Kursmaterial/einen Bericht] vorbereitet und in der Entwurfsphase KI eingesetzt, um die gesamte Mathematik selbst zu überprüfen. Schreiben Sie eine kurze, professionelle Transparenzerklärung, in der Sie dies ehrlich darlegen.

3) Datenschutz-Vorabprüfung:

Ich möchte den folgenden Inhalt datenschutzrechtlich qualifizieren, bevor ich ihn in ein KI-Tool eingebe: [Inhaltstyp]. Gilt diese Art von Inhalt als sensibel, welche Risiken gibt es, welche Vorsichtsmaßnahmen (Anonymisierung, lokales Tool) sollte ich treffen? Sagen Sie es kurz und deutlich.

4) End-to-End-Verifizierungskontrollplan:

Ich bereite Kursmaterial + Prüfung für [Thema] vor. Listen Sie als Kontrollplan auf, welche Überprüfung ich in jedem Produktionsschritt durchführen muss: Stichprobenüberprüfung, grafische Kontrolle, Notation, Antwortschlüssel, Vertraulichkeit, menschliche Genehmigung.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwach: „Lösen Sie diese Hausaufgaben und ich gebe sie ab.“ (Schüler)

Ergebnis: Das Lernen wird übersprungen, die akademische Integrität wird verletzt, der Schüler lernt das Konzept nicht. Es ist ethisch und pädagogisch bedenklich.

Güçlü: „Ich habe versucht, diese Hausaufgabe zu lösen, aber ich bin nicht weitergekommen; meine Lösung ist beigefügt. Geben Sie die Antwort nicht direkt an; zeigen Sie mir mit einem Hinweis, welchen Schritt und warum ich falsch gemacht habe, erinnern Sie mich an das richtige Konzept, dann werde ich es erneut versuchen.“

Fazit: KI wird im Dienste des Lernens eingesetzt; Der Student denkt weiter, die Ehrlichkeit bleibt erhalten.

Häufige Fehler

• Verwenden Sie es, um das Lernen zu überspringen. Kurzfristig ist es einfach, KI die Hausaufgaben machen zu lassen, aber auf lange Sicht macht es das Lernen zunichte.
• Nicht transparent sein. Den Einsatz von KI zu verbergen, verstößt gegen die akademische Integrität; bei Bedarf angeben.
• Die Verantwortung auf die KI übertragen. „Die KI hat es gesagt“ ist keine Entschuldigung; Verantwortlich ist der Verlag/Lehrer.
• Eingabe vertraulicher Inhalte in externes Tool. Aktive Prüfungen, Studentendaten und unveröffentlichte Forschungsergebnisse sind vertraulich.
• Überlassen Sie die Validierung dem Ende des Workflows. Die Überprüfung sollte nach jedem Produktionsschritt erfolgen; Fehler sollten sich nicht häufen.

Zusammenfassend

Der Einsatz von KI in der Mathematik erfordert sowohl ethische Verantwortung als auch technisches Können: Sie sollte im Dienste des Lernens stehen (nicht an dessen Stelle), transparent sein, die Letztverantwortung behalten, faire Regeln einhalten und die Vertraulichkeit respektieren. In einem End-to-End-Workflow ist KI die Geschwindigkeitsebene, SymPy und Rendering-Tools die Genauigkeitsebene und der Mensch die Urteils- und Verantwortungsebene. Auf jeden Produktionsschritt sollte ein Verifizierungsschritt folgen; Es sollten keine ungeprüften Ergebnisse in Veröffentlichungen, Vorlesungen oder Prüfungen eingehen. Das ist die Essenz dieses Moduls: Mit KI schneller werden, aber jeden Schritt überprüfen und die Verantwortung übernehmen.

Anwendungsaufgabe

Entwerfen Sie eine kleine End-to-End-Aufgabe: eine kurze Erzählung + 1 Diagramm + 3 Multiple-Choice-Fragen zu einem Thema. Folgen Sie dem Ablauf des Moduls: (1) planen, (2) mit KI entwerfen, (3) Beispiele mit SymPy validieren, (4) das Diagramm rendern und überprüfen, (5) die Notation mit LaTeX bereinigen und rendern, (6) die Fragen stapelweise mit SymPy validieren, (7) eine Datenschutz- und Transparenzprüfung durchführen, (8) die endgültige menschliche Genehmigung erteilen. Notieren Sie, welche Überprüfung Sie durchgeführt haben und was Sie bei jedem Schritt gefunden haben. Bewerten Sie am Ende des Prozesses, wo KI Zeit spart und wo Ihr Urteilsvermögen unverzichtbar ist.

Checkliste

• [ ] Ich habe KI im Dienste des (nicht anstelle des) Lernens eingesetzt.
• [ ] Ich habe den Einsatz von KI bei Bedarf transparent dargelegt.
• [ ] Ich habe die Verantwortung für höchste Genauigkeit übernommen.
• [ ] Ich habe nicht über ungesicherte Tools auf vertrauliche/sensible Inhalte zugegriffen.
• [ ] Ich habe jeden Produktionsschritt mit einem Verifizierungsschritt verfolgt.
• [ ] Ich habe keine ungeprüften Ergebnisse in die Sendung/Lektion/Prüfung mitgenommen.

Modulprüfung

1. Welche der folgenden Aussagen ist die genaueste Positionierung für künstliche Intelligenz in der Mathematik?

• A) Künstliche Intelligenz ist ein Strategie-, Blaupausen- und Organisationswerkzeug; Es liegt am Menschen, die genaue Berechnung und das Ergebnis mit deterministischen Mitteln zu überprüfen ✔
• B) Künstliche Intelligenz ist wie ein Taschenrechner und jedes numerische Ergebnis, das sie liefert, ist präzise
• C) Künstliche Intelligenz liegt mit den Schlussfolgerungen, die sie souverän präsentiert, nie falsch, sodass eine Überprüfung nicht erforderlich ist
• D) Künstliche Intelligenz ist nur zum Schreiben von Texten nützlich, sie hat nichts mit mathematischen Aufgaben zu tun

Beschreibung: Ein großes Sprachmodell ist ein Werkzeug, das Text statistisch generiert. Es handelt sich nicht um einen Taschenrechner oder Proof-Checker. Meistens liefert es korrekte Mathematik, garantiert dies jedoch nicht; Daher sollte jede Ausgabe mit deterministischen Tools (SymPy, Taschenrechner, manuelle Validierung) überprüft werden und die Verantwortung sollte beim Menschen verbleiben.

2. Ein Student bittet künstliche Intelligenz, ein Integral zu lösen und möchte das Ergebnis erhalten. Wie lässt sich das Ergebnis am zuverlässigsten verifizieren?

• A) Differenzieren des Ergebnisses und Prüfen, ob es zur ursprünglichen Funktion zurückkehrt (SymPy oder manuell) ✔
• B) Fragen Sie die künstliche Intelligenz: „Ist das wahr?“ fragen
• C) Das Ergebnis so akzeptieren, wie es ist, weil es flüssig und sicher präsentiert wird.
• D) Mit einer anderen Frage fortfahren und das Ergebnis überhaupt nicht überprüfen

Erläuterung: Die Ableitungs-Integral-Inverse ist ein in der Mathematik integriertes Verifizierungswerkzeug: Die Ableitung des gefundenen Ergebnisses und die Prüfung, ob sie zur ursprünglichen Funktion zurückkehrt, bestätigen unabhängig die Richtigkeit des Integrals. Die gleiche Gegenprüfung kann mit SymPy durchgeführt werden.

3. Was bedeutet der Grundsatz „Das richtige Ergebnis ist nicht der richtige Weg“ bei der Problemlösung mit künstlicher Intelligenz?

• A) Das richtige Ergebnis beweist immer, dass auch der Weg richtig ist
• B) Der Weg ist unwichtig, nur das Ergebnis sollte gewertet werden
• C) Falsche Zwischenschritte können zufällig zum richtigen Ergebnis führen; Daher müssen sowohl das Ergebnis als auch jeder Zwischenschritt überprüft werden ✔
• D) Es ist unmöglich, einen festen Weg zu finden, deshalb schauen wir nur auf das Ergebnis

Erläuterung: Manchmal führen falsche Zwischenschritte zufällig zum richtigen Ergebnis; Auch wenn das Ergebnis korrekt ist, kann der Pfad ungültig sein. Deshalb geht es in der Mathematik nur um die Frage: „Ist das Ergebnis korrekt?“ sondern eher: „Ist jeder Zwischenschritt richtig?“ Die Frage ist auch wichtig und jeder Schritt sollte überwacht werden.

4. Was sollten Sie tun, wenn KI in einem Beweis den Ausdruck „ohne Verlust der Allgemeingültigkeit“ verwendet?

• A) Akzeptieren, dass der Beweis gültig ist, weil die Aussage fließend ist
• B) Begründen Sie für sich selbst, dass die Allgemeingültigkeit nicht wirklich verletzt wird; ✔ nicht ohne Frage akzeptieren
• C) Den Beweis als gültig betrachten, ohne ihn überhaupt zu lesen
• D) Suche nach diesem Ausdruck aus der Quelle als Theoremnamen

Klarstellung: Die Aussage „ohne Verlust der Allgemeingültigkeit“ ist manchmal gültig (wenn echte Symmetrie vorliegt), aber manchmal ist es ein versteckter Fehler. Künstliche Intelligenz verwendet diesen Ausdruck häufig; Sie müssen sich jedes Mal rechtfertigen, dass die Allgemeingültigkeit nicht wirklich verletzt ist, und Sie dürfen die Aussage nicht ohne Frage akzeptieren.

5. Sie haben einen SymPy-Code für die künstliche Intelligenz geschrieben. Wie bekommt man das Ergebnis richtig?

• A) Künstliche Intelligenz dazu bringen, die Ausgabe des Codes vorherzusagen
• B) Angenommen, der Code ist korrekt, ohne ihn zu lesen
• C) Der Interpretation der Ausgabe durch die KI vertrauen
• D) Führen Sie den Code selbst in einer echten Python-Umgebung aus und sehen Sie sich die genaue Ausgabe an ✔

Beschreibung: Die Leistungsfähigkeit von SymPy zeigt sich erst, wenn der Code in einer echten Python-Umgebung ausgeführt wird. Fragen Sie künstliche Intelligenz: „Was erzeugt dieser Code?“ Nachfragen ist keine Überprüfung, da KI auch die Codeausgabe erstellen kann. Sie müssen den Code selbst ausführen.

6. Wenn die Lösung einer von künstlicher Intelligenz manuell gefundenen Gleichung und das von SymPy gelieferte Ergebnis unterschiedlich sind, welcher Lösung sollten Sie vertrauen und warum?

• A) SymPy-Ergebnis, weil es deterministisch und präzise ist; Lassen Sie dann die künstliche Intelligenz den Ort ihres Fehlers finden ✔
• B) Das Ergebnis künstlicher Intelligenz, weil es flüssiger erklärt
• C) Eines zufällig auswählen, da beide gleichermaßen zuverlässig sind
• D) Beides ablehnen und die Frage als unlösbar betrachten

Beschreibung: SymPy ist ein deterministisches symbolisches Computersystem: Es liefert immer das gleiche exakt korrekte Ergebnis für die gleiche Eingabe. Künstliche Intelligenz erzeugt Text statistisch und kann halluzinieren. Im Streitfall sollte SymPy als Grundlage genommen und die künstliche Intelligenz dazu gebracht werden, den Ort ihres Fehlers zu finden.

7. Warum funktioniert die Bedingung „0,1 + 0,2 == 0,3“ in einem Python-Code nicht wie erwartet und wie lässt sich das Problem beheben?

• A) Addition ist in Python fehlerhaft; Sie müssen eine andere Sprache verwenden
• B) Exakte Gleichheit gilt aufgrund der Genauigkeit der Gleitkommazahlen nicht; Es sollte eine Toleranz wie „abs(a-b) < 1e-9“ verwendet werden ✔
• C) Der Wert 0,3 ist falsch; Es ist notwendig, 0,30000000004 zu schreiben
• D) Die Bedingung funktioniert immer korrekt, es gibt kein Problem

Erläuterung: Computer speichern Dezimalzahlen im Gleitkommaformat mit begrenzter Genauigkeit; 0,1 + 0,2 wird mit einer sehr geringen Abweichung gespeichert, nicht genau 0,3. Daher sollte anstelle der exakten Gleichheit „==“ eine Toleranz wie „abs(a-b) < 1e-9“ verwendet werden.

8. Was ist der beste „Test des gesunden Menschenverstandes“, bevor man einen Code zur Skalarwurzelfindung auf das eigentliche Problem anwendet?

• A) Den Code direkt auf das eigentliche Problem anwenden, ohne ihn überhaupt zu testen
• B) Überprüfen Sie die Länge des Codes und zählen Sie ihn richtig, wenn er lang ist.
• C) Testen des Codes mit einer einfachen Eingabe, deren Antwort bekannt ist (z. B. x²-4=0 Wurzeln ±2) und Überprüfen, ob sie das erwartete Ergebnis liefert ✔
• D) Bestätigung der künstlichen Intelligenz, dass der Code korrekt ist

Erläuterung: Das Testen des Codes mit einer einfachen Eingabe, deren Antwort Sie bereits kennen (z. B. ±2 für x²-4=0 mit offensichtlichen Wurzeln), ist die günstigste und effektivste Verifizierung. Wenn der Code die bekannte Situation korrekt wiedergibt, steigt die Wahrscheinlichkeit, dass er bei Problemen, die Sie nicht kennen, zuverlässig ist.

9. Wie überprüft man bei der Visualisierung, ob ein Diagramm die Mathematik korrekt wiedergibt?

• A) Wenn die Grafik ästhetisch ansprechend aussieht, gilt sie als korrekt.
• B) Vergleich des Graphen mit bekannten Eigenschaften der Funktion und dem wahren Wert von mindestens einem Punkt ✔
• C) Ich schaue überhaupt nicht auf die Achsenbeschriftungen
• D) Sich auf die verbale Beschreibung des Diagramms durch die KI verlassen

Erläuterung: Eine Grafik, die gut aussieht, muss nicht genau sein; KI zeichnet möglicherweise die falsche Funktion, im falschen Bereich oder mit einer verzerrten Asymptote. Beim Vergleich des Diagramms mit bekannten Eigenschaften der Funktion (Schwingungsbereich, Symmetrie, Asymptote) und mindestens einer Punktberechnung werden Fehler festgestellt.

10. Was ist der kritischste Überprüfungspunkt in einem mit künstlicher Intelligenz erstellten Kursmaterial und warum?

• A) Schriftart und Farbschema des Materials
• B) Länge des Materials und Anzahl der Seiten
• C) Genauigkeit der gelösten Beispiele; weil die Schüler sie als Vorbilder nehmen und das falsche Beispiel und die falsche Methode lehren ✔
• D) Wie schnell das Material hergestellt wird

Erläuterung: Gelöste Beispiele dienen den Studierenden als Vorlage; Ein falsch gelöstes Beispiel bringt den Schülern direkt die falsche Methode bei. Daher muss jedes gelöste Beispiel einzeln Schritt für Schritt überprüft werden, entweder mit SymPy oder manuell. Eine kleine Unklarheit in der Erklärung des Themas kann ausgeglichen werden, aber das falsche Beispiel verursacht kaskadierenden Schaden.

11. Was ist der effizienteste und zuverlässigste Weg, einen durch künstliche Intelligenz generierten Multiple-Choice-Fragensatz zu überprüfen?

• A) Die künstliche Intelligenz noch einmal fragen, ob die Fragen richtig sind
• B) Nur ein paar Fragen nach dem Zufallsprinzip prüfen und dem Rest vertrauen
• C) Verwenden Sie den Lösungsschlüssel so wie er ist, ohne ihn zu überprüfen
• D) Gemeinsame und deterministische Überprüfung des Antwortschlüssels durch Drucken und Ausführen eines Codes, der alle Fragen mit SymPy ✔ löst

Erläuterung: Künstliche Intelligenz macht am häufigsten Fehler, z. B. indem sie den Lösungsschlüssel falsch markiert und mehrere/null richtige Optionen erzeugt. Das Schreiben und Ausführen eines Codes, der mit SymPy alle Fragen auf einmal löst, ist die effizienteste Möglichkeit, den Antwortschlüssel deterministisch und in großen Mengen zu überprüfen.

12. Welcher der folgenden Gründe ist der Hauptgrund dafür, dass künstliche Intelligenz in der Mathematik Fehler macht?

• A) Künstliche Intelligenz ist ein Sprachmodell; prüft keine logische Gültigkeit, generiert Text statistisch ✔
• B) Künstliche Intelligenz hat nie Mathematik gelernt
• C) Künstliche Intelligenz ist bewusst darauf programmiert, falsche Antworten zu geben
• D) Künstliche Intelligenz macht Fehler nur bei sehr schwierigen Problemen, niemals bei einfachen.

Beschreibung: Künstliche Intelligenz ist keine Logikmaschine, sondern ein Sprachmodell, das Text mit statistischen Mustern erzeugt; Es gibt keinen internen Mechanismus, um die logische Gültigkeit der Schritte zu überprüfen. „Ein gültiger Beweis“ mit „3-stelliger Multiplikation“ ist für ihn die Aufgabe, einen gleichartigen Text zu erzeugen, dessen Richtigkeit daher nicht garantiert werden kann.

13. Wenn das Ergebnis eines Wahrscheinlichkeitsproblems 1,4 ist, woher wissen Sie dann, dass ein Fehler vorliegt, ohne ins Detail zu gehen?

• A) Die Berechnung ist korrekt, da das Ergebnis 1,4 beträgt und die Wahrscheinlichkeit 1 überschreiten kann
• B) Das Vorzeichen der Wahrscheinlichkeit spielt keine Rolle, der Wert wird trotzdem akzeptiert
• C) Es wird nicht davon ausgegangen, dass ein Fehler vorliegt, das Ergebnis gilt als endgültig.
• D) Die Wahrscheinlichkeit muss zwischen 0 und 1 liegen; ✔ Tests mit gesundem Menschenverstand weisen auf einen Fehler hin, da 1,4 diesen Grenzwert überschreitet

Beschreibung: Der „Common Sense and Order of Size“-Test überprüft innerhalb von Sekunden, ob das Ergebnis in einem sinnvollen Bereich liegt. Eine Wahrscheinlichkeit muss per Definition zwischen 0 und 1 liegen; 1,4 liegt außerhalb dieser Grenze, sodass es offensichtlich ist, dass ein Fehler vorliegt, ohne sich die Details der Berechnung anzusehen.

14. Warum ist es wichtig, in LaTeX „e^{x^2}“ statt „e^x^2“ zu schreiben?

• A) Sie sind genau gleich, der Unterschied ist nur ästhetischer Natur
• B) Geschweifte Klammern bestimmen den Umfang des Exponenten; Ohne ihn wäre der Ausdruck falsch oder mehrdeutig, daher ist der mehrstellige Exponent {} unerlässlich ✔
• C) Geschweifte Klammern sind in LaTeX nutzlos
• D) 'e^x^2' ist immer wahr, die Verwendung von '{}' ist unnötig

Erläuterung: Der häufigste Fehler in LaTeX ist der Bereichsfehler: Wenn die geschweiften Klammern „{}“ nicht in einem mehrstelligen Exponenten, Index oder Bruch verwendet werden, wird nur das erste Zeichen abgedeckt und der Ausdruck wird falsch (oder sogar mehrdeutig). 'e^{x^2}' macht deutlich, dass der gesamte Exponent x² ist; Der Code sollte durch visuelle Inspektion gerendert und überprüft werden.

15. Sie möchten die Fragen einer aktiven Zentralprüfung durch künstliche Intelligenz verifizieren lassen. Was ist der beste Ansatz in Bezug auf Ethik und Datenschutz?

• A) Freie Eingabe von Fragen in jedes allgemeine KI-Tool, da Mathematik keine vertraulichen Daten enthält
• B) Fragen in der Prüfung verwenden, ohne sie zu überprüfen
• C) Validieren von Fragen mit einem sicheren/nativen Tool (z. B. SymPy) oder ausschließlich Verwendung datenschutzsicherer Unternehmenstools ✔
• D) Fragen in sozialen Medien teilen und andere um Kontrolle bitten

Beschreibung: Aktive Prüfungsfragen sind sensibel; Es könnte theoretisch aufgedeckt werden, wenn ein Tool der künstlichen Intelligenz, dessen Vertraulichkeit nicht gewährleistet ist, gehackt wird. Der richtige Ansatz besteht darin, Fragen entweder mit einem sicheren/nativen Tool zu validieren (z. B. mit einem Kollegen in SymPy) oder nur unternehmenszertifizierte, datenschutzgesicherte Tools zu verwenden.