Κέρδη:
- Ικανότητα κατανόησης και εφαρμογής των ηθικών αρχών της χρήσης τεχνητής νοημοσύνης στα μαθηματικά (να είσαι στην υπηρεσία της μάθησης, της διαφάνειας, της ανθρώπινης ευθύνης, της δικαιοσύνης, της εμπιστευτικότητας).
- Ικανότητα αξιολόγησης των κινδύνων για την προστασία της ιδιωτικής ζωής και λήψη κατάλληλων προφυλάξεων σε ευαίσθητο περιεχόμενο, όπως ερωτήσεις εξετάσεων, δεδομένα μαθητών και αδημοσίευτη έρευνα
- Δυνατότητα συνδυασμού όλων των τμημάτων της ενότητας (παραγωγή + επαλήθευση) σε μια ενιαία ροή εργασίας από άκρο σε άκρο, ολοκληρώνοντας κάθε βήμα παραγωγής με ένα βήμα επαλήθευσης και τελική ανθρώπινη έγκριση
Σε αυτή την τελική ενότητα συνδυάζουμε δύο πράγματα: από τη μία πλευρά, τις διαστάσεις ηθικής, ακαδημαϊκής ακεραιότητας και εμπιστευτικότητας της χρήσης της τεχνητής νοημοσύνης στα μαθηματικά. Από την άλλη πλευρά, για να συγκεντρώσουμε όσα μάθαμε σε όλη την ενότητα σε μια ενιαία ροή εργασίας από άκρο σε άκρο. Η τεχνητή νοημοσύνη στα μαθηματικά είναι ένα ισχυρό εργαλείο, αλλά συνοδεύεται από υπευθυνότητα καθώς και δύναμη: για ποιους τη χρησιμοποιείτε, για ποιο σκοπό τη χρησιμοποιείτε και πώς τη χρησιμοποιείτε έχει ηθικές συνέπειες. Ένας μαθητής που κάνει την εργασία του με τεχνητή νοημοσύνη και ένας δάσκαλος που επιταχύνει την ύλη του μαθήματος με την τεχνητή νοημοσύνη είναι πολύ διαφορετικά πράγματα. Αυτή η μονάδα συμπληρώνει την τεχνική ικανότητα με την υπεύθυνη χρήση.
Μερικοί ορισμοί. Ακαδημαϊκή ακεραιότητα σημαίνει να δείχνεις ειλικρινά σε ποιον ανήκει πραγματικά ένα έργο και όχι να συντομεύεις τη μάθηση. Λογοκλοπή είναι η παρουσίαση του προϊόντος κάποιου άλλου (ή ενός μέσου) σαν να ήταν δικό σας πρωτότυπο προϊόν. Διαφάνεια σημαίνει ξεκάθαρα δηλώνοντας πού χρησιμοποιείται η τεχνητή νοημοσύνη. Αυτές οι έννοιες έχουν γίνει κεντρικές στην εκπαίδευση των μαθηματικών στην εποχή της τεχνητής νοημοσύνης.
Βασικές αρχές ηθικής χρήσης
- Όχι στη θέση της μάθησης, αλλά στην υπηρεσία της. Η τεχνητή νοημοσύνη μπορεί να υποστηρίξει έναν μαθητή στην εκμάθηση της έννοιας (επεξήγηση, εναλλακτική εξήγηση), αλλά δεν θα πρέπει να τον/την κάνει να σκεφτεί. Η τεχνητή νοημοσύνη να κάνει την εργασία για το σπίτι υπονομεύει τη μάθηση.
- Διαφάνεια. Υποδείξτε πού χρησιμοποιήθηκε η τεχνητή νοημοσύνη — σε ένα άρθρο, υλικό μαθήματος ή αναφορά. Η απόκρυψη είναι ανέντιμο.
- Η ευθύνη ανήκει στους ανθρώπους. Όποιος δημοσιεύει, διδάσκει ή παραδίδει αποτελέσματα AI είναι υπεύθυνος για την ακρίβειά του. «Το AI το είπε» δεν είναι δικαιολογία.
- Δικαιοσύνη. Η χρήση της τεχνητής νοημοσύνης στην αξιολόγηση θα πρέπει να διέπεται από ίσους και σαφείς κανόνες για όλους τους μαθητές.
- Ασφάλεια. Μην εισάγετε ευαίσθητες πληροφορίες, όπως ερωτήσεις εξετάσεων, δεδομένα μαθητών ή αδημοσίευτη έρευνα, σε εργαλεία τεχνητής νοημοσύνης των οποίων η εμπιστευτικότητα δεν είναι εγγυημένη.
Απόρρητο: τι σημαίνει στο πλαίσιο των μαθηματικών;
Παρόλο που τα μαθηματικά μπορεί να φαίνονται σαν να μην έχουν "κρυφά δεδομένα", το πλαίσιο είναι σημαντικό. Ένα αδημοσίευτο αποτέλεσμα έρευνας, η τράπεζα ερωτήσεων εξετάσεων ενός ιδρύματος, τα προσωπικά δεδομένα απόδοσης των μαθητών ή ο αποκλειστικός αλγόριθμος μιας εταιρείας—όλα είναι ευαίσθητα. Όλα όσα εισάγετε σε ένα εργαλείο τεχνητής νοημοσύνης μπορούν να υποβληθούν σε επεξεργασία από τον πάροχο αυτού του εργαλείου και, σε ορισμένες περιπτώσεις, να χρησιμοποιηθούν για την εκπαίδευση του μοντέλου. Επομένως, για ευαίσθητο περιεχόμενο, είτε χρησιμοποιήστε τοπικά/θεσμικά ασφαλή εργαλεία είτε ανωνυμοποιήστε το περιεχόμενο.
Τύπος δεδομένων
Κίνδυνος
προφύλαξη
Δημοσιευμένο θεώρημα/πρόβλημα
χαμηλά
ελεύθερα διαθέσιμα
Ενεργές ερωτήσεις εξετάσεων
ψηλά
Μην εισέρχεστε και μην ασφαλίζετε το όχημα
Προσωπικά δεδομένα/στοιχεία απόδοσης μαθητή
ψηλά
Ανωνυμοποιήστε/μην εισέλθετε
Αδημοσίευτη έρευνα
ψηλά
Ασφαλές/τοπικό εργαλείο
Περίγραμμα διάλεξης
χαμηλός-μεσαίος
Γενικά κατάλληλο
Προσοχή: Πριν πάτε στην τεχνητή νοημοσύνη για να επαληθεύσετε μια ερώτηση εξέτασης, σκεφτείτε εάν αυτή η ερώτηση πρέπει να παραμείνει μυστική. Ερωτήσεις από μια ενεργή εξέταση θα μπορούσαν θεωρητικά να εκτεθούν όταν εισαχθούν σε ένα εργαλείο AI του οποίου η εμπιστευτικότητα δεν είναι εγγυημένη. Για κρίσιμες εξετάσεις, είτε αλλάξτε ερωτήσεις είτε χρησιμοποιήστε μόνο εγκεκριμένα από την εταιρεία εργαλεία που διασφαλίζουν το απόρρητο δεδομένων.
Ροή εργασιών από άκρο σε άκρο: ένα παράδειγμα εργασίας
Ας υποθέσουμε ότι πρέπει να προετοιμάσετε τόσο το υλικό του μαθήματος όσο και μια εξέταση για ένα θέμα μέσα σε μια εβδομάδα. Η ροή που συνδυάζει όλα τα μέρη της ενότητας θα μπορούσε να είναι η εξής:
1. Προγραμματισμός. Αποσαφηνίστε το θέμα, το επίπεδο και τους στόχους (Ενότητα 7).
2. Σύνταξη του υλικού. Ζητήστε από την τεχνητή νοημοσύνη να παράγει διαλέξεις κατάλληλες για το επίπεδο + λυμένα παραδείγματα (Ενότητα 7).
3. Δείγμα επαλήθευσης. Ελέγξτε κάθε λυμένο παράδειγμα με το SymPy (Ενότητα 4).
4. Οπτικοποίηση. Δημιουργήστε και αποδώστε γραφικά για να υποστηρίξετε την αφήγηση με κώδικα Matplotlib και συγκρίνετε τα με τα μαθηματικά (Ενότητα 6).
5. Σημειογραφία. Καθαρισμός ευρετηρίου, απόδοση και επαλήθευση τύπων με LaTeX (Μονάδα 10).
6. Δημιουργία ερωτήσεων. Δημιουργήστε ερωτήσεις πολλαπλής επιλογής + αποσπάσματα για την εξέταση (Ενότητα 8).
7. Μαζική επαλήθευση. Λύστε όλες τις ερωτήσεις μαζικά με το SymPy και ελέγξτε το κλειδί απάντησης (Ενότητα 8, 9).
8. Έλεγχος ηθικής και διαφάνειας. Είναι κατάλληλη η εμπιστευτικότητα; Έχετε δηλώσει τη χρήση της τεχνητής νοημοσύνης στο υλικό όταν είναι απαραίτητο; Εσείς έχετε την απόλυτη ευθύνη (αυτή η μονάδα).
9. Ανθρώπινη έγκριση. Ελέγξτε και επιβεβαιώστε τα πάντα για τελευταία φορά. Οποιοδήποτε μη επαληθευμένο κομμάτι δεν θα βγει στον αέρα/δοκιμή.
Συμβουλή: Σε μια ροή εργασιών από άκρο σε άκρο, η πιο αποτελεσματική στρατηγική είναι να τοποθετήσετε την τεχνητή νοημοσύνη ως το «επίπεδο ταχύτητας», τα ντετερμινιστικά εργαλεία (SymPy, render) ως το «επίπεδο ορθότητας» και τον εαυτό σας ως το «επίπεδο κρίσης και λογοδοσίας». Κάθε βήμα παραγωγής θα πρέπει να ακολουθείται από ένα βήμα επαλήθευσης. Η μη επαληθευμένη έξοδος δεν πρέπει να μεταφερθεί στο επόμενο βήμα.
τρεις μίνι θήκες
Περίπτωση 1 — Η διαφάνεια χτίστηκε εμπιστοσύνη. Ένας ακαδημαϊκός χρησιμοποίησε την τεχνητή νοημοσύνη στο πρώτο προσχέδιο ενός κεφαλαίου σχολικού βιβλίου, στη συνέχεια επαλήθευσε κάθε μαθηματικό ισχυρισμό και δήλωσε στον πρόλογο ότι "η υποστήριξη της τεχνητής νοημοσύνης ελήφθη κατά την παραγωγή του χειρογράφου, όλο το περιεχόμενο επαληθεύτηκε από τον συγγραφέα". Αυτή η διαφάνεια αύξησε την εμπιστοσύνη των συναδέλφων και διατήρησε το πρότυπο της ακεραιότητας.
Περίπτωση 2 — Χρήση που υπονομεύει τη μάθηση. Ένας μαθητής έβαλε το AI να λύσει ολόκληρο το σύνολο των εργασιών του και να το υποβάλει. Απέτυχε στις εξετάσεις στα ίδια μαθήματα γιατί δεν είχε μάθει ποτέ τις έννοιες. Ο δάσκαλος πρότεινε τη χρήση της τεχνητής νοημοσύνης για να «ελεγχθεί η λύση και να ληφθεί μια εναλλακτική εξήγηση», αλλά για να λύσει πρώτα τα προβλήματα ο ίδιος. Η τεχνητή νοημοσύνη πρέπει να είναι στην υπηρεσία της μάθησης, όχι στη θέση της.
Περίπτωση 3 — Κίνδυνος παραβίασης της ιδιωτικής ζωής. Ένας δάσκαλος σκέφτηκε να εισβάλει σε ένα γενικό εργαλείο τεχνητής νοημοσύνης για να επαληθεύσει ερωτήσεις για μια κεντρική εξέταση που δεν είχε ακόμη διεξαχθεί, αλλά στη συνέχεια αποφάσισε να μην το κάνει. αντίθετα έλυσε τις ερωτήσεις στο SymPy μόνος του και ένας συνάδελφος. Η εισαγωγή ενεργών ερωτήσεων εξετάσεων σε ένα εξωτερικό εργαλείο αποτελούσε σοβαρό κίνδυνο προστασίας της ιδιωτικής ζωής. Ο τοπικός έλεγχος ταυτότητας παρείχε την ασφαλή διαδρομή.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Χρήση που υποστηρίζει τη μάθηση (για μαθητές):
Έλυσα αυτό το πρόβλημα ΠΡΩΤΑ, η λύση μου επισυνάπτεται. ΜΗΝ μου δώσεις τη λύση. απλά δείξε μου πού έκανα λάθος και ποια έννοια παρεξήγησα για να μπορέσω να τη διορθώσω. Η λύση μου: [εδώ]
2) Δημιουργία σημείωσης διαφάνειας:
Ετοίμασα ένα [υλικό/έκθεση μαθήματος] και χρησιμοποίησα τεχνητή νοημοσύνη στο προσχέδιο, επαληθεύοντας μόνος μου όλα τα μαθηματικά. Γράψτε ένα σύντομο, επαγγελματικό σημείωμα διαφάνειας που το δηλώνει με ειλικρίνεια.
3) Προέλεγχος απορρήτου:
Θα ήθελα να χαρακτηρίσω το απόρρητο το ακόλουθο περιεχόμενο πριν το καταχωρίσω σε ένα εργαλείο τεχνητής νοημοσύνης: [τύπος περιεχομένου]. Αυτός ο τύπος περιεχομένου θεωρείται ευαίσθητος, ποιοι κίνδυνοι υπάρχουν, ποιες προφυλάξεις (ανωνυμοποίηση, τοπικό εργαλείο) πρέπει να πάρω; Πες το σύντομα και ξεκάθαρα.
4) Σχέδιο ελέγχου επαλήθευσης από άκρο σε άκρο:
Ετοιμάζω υλικό μαθήματος + εξέταση για [θέμα]. Αναφέρετε ως σχέδιο ελέγχου τι επαλήθευση πρέπει να κάνω σε κάθε βήμα της παραγωγής: επαλήθευση δείγματος, γραφικός έλεγχος, σημειογραφία, κλειδί απάντησης, εμπιστευτικότητα, ανθρώπινη έγκριση.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμος: "Λύστε αυτές τις ερωτήσεις για το σπίτι και θα τις παραθέσω." (φοιτητής)
Αποτέλεσμα: Η μάθηση παραλείπεται, η ακαδημαϊκή ακεραιότητα παραβιάζεται, ο μαθητής αποτυγχάνει να μάθει την έννοια. Είναι δεοντολογικά και παιδαγωγικά απαράδεκτο.
Güçlü: "Προσπάθησα να λύσω αυτήν την ερώτηση για το σπίτι, αλλά κόλλησα. Η λύση μου επισυνάπτεται. Μην δώσετε την απάντηση απευθείας, δείξτε μου με μια ιδέα ποιο βήμα και γιατί έκανα λάθος, θυμίστε μου τη σωστή ιδέα και μετά θα προσπαθήσω ξανά."
Συμπέρασμα: Η τεχνητή νοημοσύνη χρησιμοποιείται στην υπηρεσία της μάθησης. Ο μαθητής συνεχίζει να σκέφτεται, η ειλικρίνεια διατηρείται.
Συνήθη λάθη
- Χρησιμοποιήστε το για να παραλείψετε τη μάθηση. Η τεχνητή νοημοσύνη να κάνει την εργασία είναι εύκολο βραχυπρόθεσμα, αλλά καταστρέφει τη μάθηση μακροπρόθεσμα.
- Μη διαφανής. Η απόκρυψη της χρήσης της τεχνητής νοημοσύνης είναι ενάντια στην ακαδημαϊκή ακεραιότητα. προσδιορίστε όταν χρειάζεται.
- Αναθέτοντας την ευθύνη στο AI. «Το AI το είπε» δεν είναι δικαιολογία. Υπεύθυνος είναι ο εκδότης/δάσκαλος.
- Εισαγωγή εμπιστευτικού περιεχομένου σε εξωτερικό εργαλείο. Οι ενεργές εξετάσεις, τα δεδομένα των φοιτητών, η αδημοσίευτη έρευνα είναι ευαίσθητα.
- Αφήνοντας την επικύρωση στο τέλος της ροής εργασίας. Η επαλήθευση θα πρέπει να γίνεται μετά από κάθε βήμα παραγωγής. Τα σφάλματα δεν πρέπει να συσσωρεύονται.
Συνοπτικά
Η χρήση της τεχνητής νοημοσύνης στα μαθηματικά απαιτεί ηθική ευθύνη καθώς και τεχνικές δεξιότητες: θα πρέπει να είναι στην υπηρεσία της μάθησης (όχι στη θέση της), να είναι διαφανής, να διατηρεί την τελική ευθύνη, να τηρεί δίκαιους κανόνες και να σέβεται την εμπιστευτικότητα. Σε μια ροή εργασίας από άκρο σε άκρο, το AI είναι το επίπεδο ταχύτητας, το SymPy και τα εργαλεία απόδοσης είναι το επίπεδο ακρίβειας και οι άνθρωποι είναι το επίπεδο κρίσης και ευθύνης. Κάθε στάδιο παραγωγής θα πρέπει να ακολουθείται από ένα βήμα επαλήθευσης. Κανένα μη επαληθευμένο αποτέλεσμα δεν πρέπει να μπαίνει σε δημοσίευση, διάλεξη ή εξέταση. Αυτή είναι η ουσία αυτής της ενότητας: γίνετε πιο γρήγοροι με την τεχνητή νοημοσύνη, αλλά επαληθεύστε και αναλάβετε την ευθύνη για κάθε βήμα.
Εργασία εφαρμογής
Σχεδιάστε μια μικρής κλίμακας εργασία από άκρο σε άκρο: μια σύντομη αφήγηση + 1 γράφημα + 3 ερωτήσεις πολλαπλής επιλογής για ένα θέμα. Ακολουθήστε τη ροή της ενότητας: (1) σχεδιάστε, (2) προσχέδιο με AI, (3) επικυρώστε παραδείγματα με SymPy, (4) απόδοση και ελέγξτε το γράφημα, (5) καθαρίστε και αποδώστε τη σημειογραφία με LaTeX, (6) επικύρωση παρτίδας των ερωτήσεων με SymPy, (7) κάντε έλεγχο απορρήτου και διαφάνειας, (8) δώστε τελική ανθρώπινη έγκριση. Καταγράψτε τι επαλήθευση κάνατε και τι βρήκατε σε κάθε βήμα. Στο τέλος της διαδικασίας, αξιολογήστε πού η τεχνητή νοημοσύνη εξοικονομεί χρόνο και πού η κρίση σας είναι απαραίτητη.
λίστα ελέγχου
- [ ] Χρησιμοποίησα την τεχνητή νοημοσύνη στην υπηρεσία της (όχι αντί της) μάθησης.
- [ ] Έχω δηλώσει με διαφάνεια τη χρήση της τεχνητής νοημοσύνης όπου είναι απαραίτητο.
- [ ] Έχω αναλάβει την ευθύνη για την τελική ακρίβεια.
- [ ] Δεν είχα πρόσβαση σε εμπιστευτικό/ευαίσθητο περιεχόμενο μέσω μη ασφαλών εργαλείων.
- [ ] Ακολούθησα κάθε βήμα παραγωγής με ένα βήμα επαλήθευσης.
- [ ] Δεν είχα καμία μη επαληθευμένη έξοδο στην εκπομπή/μάθημα/εξέταση.
Εξέταση Ενοτήτων
1. Ποιο από τα παρακάτω είναι η πιο ακριβής τοποθέτηση για την τεχνητή νοημοσύνη στα μαθηματικά;
- Α) Η τεχνητή νοημοσύνη είναι ένα εργαλείο στρατηγικής, σχεδίου και οργάνωσης. Εναπόκειται στον άνθρωπο να επαληθεύσει τον ακριβή υπολογισμό και το αποτέλεσμα με ντετερμινιστικά μέσα ✔
- Β) Η τεχνητή νοημοσύνη είναι σαν μια αριθμομηχανή και κάθε αριθμητικό αποτέλεσμα που δίνει είναι ακριβές
- Γ) Η τεχνητή νοημοσύνη δεν είναι ποτέ λάθος στα συμπεράσματα που παρουσιάζει με σιγουριά, επομένως η επαλήθευση είναι περιττή
- Δ) Η τεχνητή νοημοσύνη είναι χρήσιμη μόνο για τη σύνταξη κειμένου, δεν έχει καμία σχέση με καμία μαθηματική εργασία
Περιγραφή: Ένα μοντέλο μεγάλης γλώσσας είναι ένα εργαλείο που παράγει στατιστικά κείμενο. Δεν είναι αριθμομηχανή ή έλεγχος απόδειξης. Παράγει σωστά μαθηματικά τις περισσότερες φορές, αλλά δεν εγγυάται. Επομένως, κάθε έξοδος θα πρέπει να επαληθεύεται με ντετερμινιστικά εργαλεία (SymPy, αριθμομηχανή, χειροκίνητη επικύρωση) και η ευθύνη να παραμένει στον άνθρωπο.
2. Ένας μαθητής ζητά από την τεχνητή νοημοσύνη να λύσει ένα ολοκλήρωμα και θέλει να βγάλει το αποτέλεσμα. Ποιος είναι ο πιο αξιόπιστος τρόπος επαλήθευσης του αποτελέσματος;
- Α) Διαφοροποίηση του αποτελέσματος και έλεγχος εάν επιστρέφει στην αρχική λειτουργία (SymPy ή χειροκίνητα) ✔
- Β) Ρωτήστε την τεχνητή νοημοσύνη "είναι αλήθεια;" να ρωτήσω
- Γ) Αποδοχή του αποτελέσματος ως έχει γιατί παρουσιάζεται άπταιστα και με σιγουριά.
- Δ) Προχωρώντας σε άλλη ερώτηση και δεν ελέγχετε καθόλου το αποτέλεσμα
Επεξήγηση: Η αντίστροφη παράγωγο-ολοκλήρωμα είναι ένα ενσωματωμένο εργαλείο επαλήθευσης στα μαθηματικά: η λήψη της παραγώγου του αποτελέσματος που βρέθηκε και ο έλεγχος εάν επιστρέφει στην αρχική συνάρτηση επιβεβαιώνει ανεξάρτητα την ορθότητα του ολοκληρώματος. Η ίδια διασταύρωση μπορεί να γίνει με το SymPy.
3. Τι σημαίνει η αρχή «το σωστό αποτέλεσμα δεν είναι ο σωστός τρόπος» στην επίλυση προβλημάτων με τεχνητή νοημοσύνη;
- Α) Το σωστό αποτέλεσμα αποδεικνύει πάντα ότι και ο δρόμος είναι σωστός
- Β) Η διαδρομή είναι ασήμαντη, μόνο το αποτέλεσμα πρέπει να βαθμολογείται
- Γ) Λανθασμένα ενδιάμεσα βήματα μπορεί να οδηγήσουν στο σωστό αποτέλεσμα τυχαία. Επομένως, τόσο το αποτέλεσμα όσο και κάθε ενδιάμεσο βήμα πρέπει να ελέγχονται ✔
- Δ) Είναι αδύνατο να βρούμε μια σταθερή διαδρομή, επομένως κοιτάμε μόνο το αποτέλεσμα
Εξήγηση: Μερικές φορές λάθος ενδιάμεσα βήματα οδηγούν στο σωστό αποτέλεσμα τυχαία. Ακόμα κι αν το αποτέλεσμα είναι σωστό, η διαδρομή μπορεί να μην είναι έγκυρη. Γι' αυτό στα μαθηματικά είναι απλώς "είναι σωστό το αποτέλεσμα;" αλλά μάλλον "είναι σωστό κάθε ενδιάμεσο βήμα;" Το ερώτημα είναι επίσης ουσιαστικό και κάθε βήμα πρέπει να επιβλέπεται.
4. Τι πρέπει να κάνετε όταν η τεχνητή νοημοσύνη χρησιμοποιεί τη φράση «χωρίς απώλεια γενικότητας» σε μια απόδειξη;
- Α) Αποδοχή ότι η απόδειξη είναι έγκυρη επειδή η δήλωση είναι άπταιστη
- Β) Να δικαιολογήσετε μόνοι σας ότι η γενικότητα στην πραγματικότητα δεν έχει σπάσει. ✔ δεν αποδέχομαι χωρίς αμφιβολία
- Γ) Θεωρώντας την απόδειξη έγκυρη χωρίς να την διαβάσετε καθόλου
- Δ) Αναζήτηση αυτής της έκφρασης από την πηγή ως όνομα θεωρήματος
Διευκρίνιση: Η δήλωση «χωρίς απώλεια γενικότητας» μερικές φορές είναι έγκυρη (αν υπάρχει γνήσια συμμετρία) αλλά μερικές φορές είναι ένα κρυφό σφάλμα. Η τεχνητή νοημοσύνη χρησιμοποιεί αυτή την έκφραση πολύ. Πρέπει να δικαιολογείτε στον εαυτό σας κάθε φορά ότι η γενικότητα δεν παραβιάζεται πραγματικά και δεν πρέπει να αποδέχεστε τη δήλωση χωρίς αμφιβολία.
5. Γράψατε έναν κώδικα SymPy στην τεχνητή νοημοσύνη. Πώς παίρνετε το αποτέλεσμα σωστά;
- Α) Κάνοντας την τεχνητή νοημοσύνη να προβλέπει την έξοδο του κώδικα
- Β) Υποθέτοντας ότι ο κώδικας είναι σωστός χωρίς να τον διαβάσετε
- Γ) Εμπιστοσύνη στην ερμηνεία του AI για την έξοδο
- Δ) Εκτελέστε τον κώδικα μόνοι σας σε ένα πραγματικό περιβάλλον Python και δείτε την ακριβή έξοδο ✔
Περιγραφή: Η δύναμη του SymPy αποκαλύπτεται μόνο όταν ο κώδικας εκτελείται σε πραγματικό περιβάλλον Python. Ρωτήστε την τεχνητή νοημοσύνη "τι παράγει αυτός ο κώδικας;" Η ερώτηση δεν είναι επαλήθευση, επειδή η τεχνητή νοημοσύνη μπορεί επίσης να δημιουργήσει την έξοδο κώδικα. Πρέπει να εκτελέσετε τον κωδικό μόνοι σας.
6. Εάν η λύση μιας εξίσωσης που βρέθηκε χειροκίνητα από την τεχνητή νοημοσύνη και το αποτέλεσμα που δίνει το SymPy είναι διαφορετικά, ποια πρέπει να εμπιστευτείτε και γιατί;
- Α) Το αποτέλεσμα SymPy επειδή είναι ντετερμινιστικό και ακριβές. Στη συνέχεια, ζητήστε από την τεχνητή νοημοσύνη να βρει τη θέση του λάθους της ✔
- Β) Το αποτέλεσμα της τεχνητής νοημοσύνης γιατί εξηγεί πιο άπταιστα
- Γ) Επιλέγοντας ένα τυχαία γιατί είναι και τα δύο εξίσου αξιόπιστα
- Δ) Απορρίπτοντας και τα δύο και θεωρώντας το ερώτημα άλυτο
Περιγραφή: Το SymPy είναι ένα ντετερμινιστικό συμβολικό υπολογιστικό σύστημα: δίνει πάντα το ίδιο ακριβές σωστό αποτέλεσμα στην ίδια είσοδο. Η τεχνητή νοημοσύνη παράγει κείμενο στατιστικά και μπορεί να έχει παραισθήσεις. Στη διαμάχη, θα πρέπει να ληφθεί ως βάση το SymPy και να γίνει η τεχνητή νοημοσύνη για να βρεθεί η τοποθεσία του λάθους του.
7. Γιατί η συνθήκη '0,1 + 0,2 == 0,3' δεν λειτουργεί όπως αναμένεται σε έναν κώδικα Python και πώς να τη διορθώσετε;
- Α) Η προσθήκη είναι σπασμένη στην Python. χρειάζεται να χρησιμοποιήσετε άλλη γλώσσα
- Β) Η ακριβής ισότητα δεν ισχύει λόγω της ακρίβειας του αριθμού κινητής υποδιαστολής. Θα πρέπει να χρησιμοποιείται μια ανοχή όπως «abs(a-b) < 1e-9» ✔
- Γ) Η τιμή 0,3 είναι λανθασμένη. Είναι απαραίτητο να γράψετε 0,30000000004
- Δ) Η συνθήκη λειτουργεί πάντα σωστά, δεν υπάρχει πρόβλημα
Επεξήγηση: Οι υπολογιστές αποθηκεύουν δεκαδικούς αριθμούς σε μορφή κινητής υποδιαστολής με περιορισμένη ακρίβεια. Το 0,1 + 0,2 αποθηκεύεται με πολύ μικρή απόκλιση, όχι ακριβώς 0,3. Επομένως, αντί για την ακριβή ισότητα '==', θα πρέπει να χρησιμοποιηθεί μια ανοχή όπως 'abs(a-b) < 1e-9'.
8. Ποιο είναι το καλύτερο «τεστ κοινής λογικής» πριν εφαρμόσετε έναν βαθμωτό κώδικα εύρεσης ρίζας στο πραγματικό πρόβλημα;
- Α) Εφαρμογή του κώδικα απευθείας στο πραγματικό πρόβλημα χωρίς να το δοκιμάσετε καθόλου
- Β) Ελέγξτε το μήκος του κωδικού και μετρήστε τον σωστά αν είναι μακρύς.
- Γ) Δοκιμή του κώδικα με μια απλή εισαγωγή της οποίας η απάντηση είναι γνωστή (π.χ. x²-4=0 ρίζες ±2) και έλεγχος ότι δίνει το αναμενόμενο αποτέλεσμα ✔
- Δ) Επιβεβαίωση στην τεχνητή νοημοσύνη ότι ο κωδικός είναι σωστός
Εξήγηση: Η δοκιμή του κώδικα με μια απλή εισαγωγή της οποίας την απάντηση γνωρίζετε ήδη (π.χ. ±2 για x²-4=0 με προφανείς ρίζες) είναι η φθηνότερη και πιο αποτελεσματική επαλήθευση. Εάν ο κωδικός δίνει σωστά τη γνωστή κατάσταση, αυξάνεται η πιθανότητα να είναι αξιόπιστος για προβλήματα που δεν γνωρίζετε.
9. Στην οπτικοποίηση, πώς ελέγχετε ότι ένα γράφημα αντικατοπτρίζει σωστά τα μαθηματικά;
- Α) Εάν το γράφημα φαίνεται αισθητικά ευχάριστο, θεωρείται σωστό.
- Β) Σύγκριση της γραφικής παράστασης με γνωστές ιδιότητες της συνάρτησης και την πραγματική τιμή ενός τουλάχιστον σημείου ✔
- Γ) Δεν κοιτάζω καθόλου τις ετικέτες των αξόνων
- Δ) Βασιζόμενος στη λεκτική περιγραφή του γραφήματος του AI
Εξήγηση: Ένα γραφικό που φαίνεται ωραίο δεν χρειάζεται να είναι ακριβές. Το AI μπορεί να σχεδιάσει λάθος συνάρτηση, σε λάθος εύρος ή με παραμορφωμένη ασύμπτωτη. Η σύγκριση του γραφήματος με γνωστές ιδιότητες της συνάρτησης (εύρος ταλάντωσης, συμμετρία, ασύμπτωτη) και ο υπολογισμός τουλάχιστον ενός σημείου καταγράφει σφάλματα.
10. Ποιο είναι το πιο κρίσιμο σημείο επαλήθευσης σε ένα υλικό μαθήματος που παράγεται με τεχνητή νοημοσύνη και γιατί;
- Α) Γραμματοσειρά και χρωματικός συνδυασμός του υλικού
- Β) Μήκος υλικού και αριθμός σελίδων
- Γ) Ακρίβεια λυμένων παραδειγμάτων. γιατί οι μαθητές τα παίρνουν ως πρότυπα και διδάσκουν το λάθος παράδειγμα και τη λάθος μέθοδο ✔
- Δ) Πόσο γρήγορα παράγεται το υλικό
Επεξήγηση: Τα λυμένα παραδείγματα λαμβάνονται ως μοντέλα από τους μαθητές. Ένα εσφαλμένα λυμένο παράδειγμα διδάσκει απευθείας στους μαθητές τη λάθος μέθοδο. Επομένως, κάθε επιλυμένο παράδειγμα πρέπει να επαληθεύεται ξεχωριστά, βήμα προς βήμα, είτε με το SymPy είτε με μη αυτόματο τρόπο. Μια μικρή ασάφεια στην εξήγηση του θέματος μπορεί να αντισταθμιστεί, αλλά το λάθος παράδειγμα προκαλεί καταρράκτη ζημιά.
11. Ποιος είναι ο πιο αποτελεσματικός και αξιόπιστος τρόπος για να επαληθεύσετε ένα σύνολο ερωτήσεων πολλαπλής επιλογής που δημιουργείται από την τεχνητή νοημοσύνη;
- Α) Ρωτώντας την τεχνητή νοημοσύνη για άλλη μια φορά εάν οι ερωτήσεις είναι σωστές
- Β) Έλεγχος μόνο μερικών ερωτήσεων τυχαία και εμπιστοσύνη στις υπόλοιπες
- Γ) Χρησιμοποιώντας το κλειδί απάντησης ως έχει χωρίς να ελέγξετε τίποτα από αυτά
- Δ) Έλεγχος του κλειδιού απάντησης συλλογικά και ντετερμινιστικά εκτυπώνοντας και εκτελώντας έναν κωδικό που λύνει όλες τις ερωτήσεις με το SymPy ✔
Επεξήγηση: Η τεχνητή νοημοσύνη κάνει πιο συχνά λάθη, όπως η λανθασμένη επισήμανση του κλειδιού απάντησης και η παραγωγή πολλαπλών/μηδενικών σωστών επιλογών. Η σύνταξη και η εκτέλεση ενός κώδικα που λύνει όλες τις ερωτήσεις ταυτόχρονα με το SymPy είναι ο πιο αποτελεσματικός τρόπος για να ελέγξετε το κλειδί απάντησης ντετερμινιστικά και μαζικά.
12. Ποιος από τους παρακάτω είναι ο κύριος λόγος για τον οποίο η τεχνητή νοημοσύνη κάνει λάθη στα μαθηματικά;
- Α) Η τεχνητή νοημοσύνη είναι ένα γλωσσικό μοντέλο. δεν ελέγχει τη λογική εγκυρότητα, δημιουργεί κείμενο στατιστικά ✔
- Β) Η τεχνητή νοημοσύνη δεν έμαθε ποτέ μαθηματικά
- Γ) Η τεχνητή νοημοσύνη είναι εσκεμμένα προγραμματισμένη για να δίνει λάθος απαντήσεις
- Δ) Η τεχνητή νοημοσύνη κάνει λάθη μόνο σε πολύ δύσκολα προβλήματα, ποτέ σε εύκολα.
Περιγραφή: Η τεχνητή νοημοσύνη δεν είναι μια λογική μηχανή, αλλά ένα μοντέλο γλώσσας που παράγει κείμενο με στατιστικά μοτίβα. Δεν έχει εσωτερικό μηχανισμό για τον έλεγχο της λογικής εγκυρότητας των βημάτων. «Μια έγκυρη απόδειξη» με «3ψήφιο πολλαπλασιασμό» είναι γι' αυτόν το καθήκον να παράγει τον ίδιο τύπο κειμένου, επομένως δεν μπορεί να εγγυηθεί την ορθότητά του.
13. Όταν το αποτέλεσμα ενός προβλήματος πιθανότητας είναι 1,4, πώς ξέρετε ότι υπάρχει σφάλμα χωρίς να μπείτε σε λεπτομέρειες;
- Α) Ο υπολογισμός είναι σωστός γιατί το αποτέλεσμα είναι 1,4, η πιθανότητα μπορεί να υπερβαίνει το 1
- Β) Το πρόσημο της πιθανότητας είναι ασήμαντο, η τιμή γίνεται αποδεκτή ανεξάρτητα
- Γ) Δεν εννοείται ότι υπάρχει λάθος, το αποτέλεσμα θεωρείται οριστικό.
- Δ) Η πιθανότητα πρέπει να είναι μεταξύ 0 και 1. ✔ Η δοκιμή κοινής λογικής υποδεικνύει σφάλμα επειδή το 1,4 υπερβαίνει αυτό το όριο
Περιγραφή: Το τεστ κοινής λογικής και τάξης μεγέθους ελέγχει μέσα σε δευτερόλεπτα εάν το αποτέλεσμα είναι εντός εύλογου εύρους. Μια πιθανότητα πρέπει εξ ορισμού να είναι μεταξύ 0 και 1. Το 1.4 είναι εκτός αυτού του ορίου, επομένως είναι προφανές ότι υπάρχει σφάλμα χωρίς να δούμε τις λεπτομέρειες του υπολογισμού.
14. Γιατί είναι σημαντικό να γράψετε «e^{x^2}» αντί για «e^x^2» στο LaTeX;
- Α) Είναι ακριβώς τα ίδια, η διαφορά είναι μόνο αισθητική
- Β) Οι σγουρές αγκύλες καθορίζουν το εύρος του εκθέτη. Χωρίς αυτήν η έκφραση θα ήταν λανθασμένη ή διφορούμενη, επομένως ο εκθέτης πολλών χαρακτήρων {} είναι απαραίτητος ✔
- Γ) Τα σγουρά στηρίγματα είναι άχρηστα στο LaTeX
- Δ) Το 'e^x^2' είναι πάντα αληθές, η χρήση του '{}' δεν είναι απαραίτητη
Επεξήγηση: Το πιο συνηθισμένο σφάλμα στο LaTeX είναι το σφάλμα εύρους: εάν οι αγκύλες '{}' δεν χρησιμοποιούνται σε εκθέτη, δείκτη ή κλάσμα πολλών χαρακτήρων, καλύπτεται μόνο ο πρώτος χαρακτήρας και η έκφραση γίνεται λανθασμένη (ή ακόμη και διφορούμενη). Το 'e^{x^2}' καθιστά σαφές ότι ολόκληρος ο εκθέτης είναι x². Ο κωδικός θα πρέπει να αποδίδεται και να επαληθεύεται με οπτική επιθεώρηση.
15. Θέλετε να ελέγξετε τις ερωτήσεις μιας ενεργής κεντρικής εξέτασης με τεχνητή νοημοσύνη. Ποια είναι η καλύτερη προσέγγιση όσον αφορά την ηθική και την ιδιωτικότητα;
- Α) Εισαγωγή ερωτήσεων ελεύθερα σε οποιοδήποτε γενικό εργαλείο τεχνητής νοημοσύνης επειδή τα μαθηματικά δεν περιέχουν εμπιστευτικά δεδομένα
- Β) Χρήση ερωτήσεων στην εξέταση χωρίς επαλήθευση τους
- Γ) Επικύρωση ερωτήσεων με ένα ασφαλές/εγγενές εργαλείο (π.χ. SymPy) ή με χρήση μόνο εταιρικών εργαλείων που διασφαλίζουν το απόρρητο ✔
- Δ) Να μοιράζεσαι ερωτήσεις στα μέσα κοινωνικής δικτύωσης και να ζητάς από άλλους τον έλεγχο
Περιγραφή: Οι ερωτήσεις των ενεργών εξετάσεων είναι ευαίσθητες. Θα μπορούσε θεωρητικά να αποκαλυφθεί όταν ένα εργαλείο τεχνητής νοημοσύνης του οποίου η εμπιστευτικότητα δεν είναι εγγυημένη, παραβιαστεί. Η σωστή προσέγγιση είναι είτε να επικυρώσετε ερωτήσεις με ένα ασφαλές/εγγενές εργαλείο (π.χ. με έναν συνάδελφο στο SymPy) είτε να χρησιμοποιήσετε μόνο εταιρικά πιστοποιημένα εργαλεία που διασφαλίζουν το απόρρητο των δεδομένων.