Κέρδη:
- Κατανόηση ότι τα δεδομένα σπουδαστών είναι προσωπικά και συχνά ιδιωτικά δεδομένα και οι κανόνες ανωνυμοποίησης και αποθήκευσης εντός του πεδίου εφαρμογής του KVKK και του επαγγελματικού απορρήτου
- Δυνατότητα εξάσκησης της αποταυτοποίησης και επιλογής ενός ασφαλούς/θεσμικού εργαλείου κατά την εισαγωγή δεδομένων σε δημόσια διαθέσιμα εργαλεία τεχνητής νοημοσύνης
- Η κατανόηση ότι η συγκατάθεση για κοινή χρήση δεδομένων, η ελαχιστοποίηση δεδομένων και η συμμόρφωση με την πολιτική του σχολείου είναι ευθύνη του δασκάλου.
Ένας δάσκαλος έχει πρόσβαση σε πολύ ευαίσθητες πληροφορίες κατά τη διάρκεια της εργασίας του: βαθμούς, αρχεία συμπεριφοράς, καταστάσεις υγείας, οικογενειακές πληροφορίες, συνομιλίες καθοδήγησης, κοινωνικοοικονομικά δεδομένα. Αυτή η πληροφορία ανήκει στον πιο ιδιωτικό χώρο του μαθητή και όταν πέσει σε λάθος χέρια, μπορεί να προκαλέσει ισόβια βλάβη. Τα περισσότερα εργαλεία τεχνητής νοημοσύνης βασίζονται σε σύννεφο — που σημαίνει ότι το κείμενο που πληκτρολογείτε υποβάλλεται σε επεξεργασία σε απομακρυσμένους διακομιστές εταιρείας, όχι στον υπολογιστή σας και σε ορισμένα εργαλεία μπορεί να χρησιμοποιηθεί για την ανάπτυξη του μοντέλου. Επομένως, η εγγραφή των πληροφοριών ενός μαθητή σε μια δημόσια τεχνητή νοημοσύνη σημαίνει να τα βγάλετε εκτός ελέγχου. Αυτή η ενότητα δημιουργεί το πιο κρίσιμο επίπεδο ασφάλειας στη χρήση της τεχνητής νοημοσύνης στη διδασκαλία. Ο κανόνας είναι σαφής: Ανωνυμοποιήστε πρώτα τα δεδομένα των μαθητών, χρησιμοποιήστε ασφαλή/θεσμικά εργαλεία εάν είναι δυνατόν. Η ευθύνη είναι του δασκάλου.
Ποια δεδομένα προστατεύονται; Το πλαίσιο του KVKK
Προσωπικά δεδομένα είναι οποιαδήποτε πληροφορία που καθιστά ένα άτομο συγκεκριμένο ή αναγνωρίσιμο: όνομα-επώνυμο, αριθμός σχολείου, ταυτότητα, φωτογραφία ή ακόμα και έμμεσες περιγραφές όπως "ο ψηλότερος μαθητής του 3-Α" σε ένα πλαίσιο. Τα ειδικά (ευαίσθητα) προσωπικά δεδομένα προστατεύονται πιο ισχυρά: υγεία, εθνικότητα, θρησκεία, ποινική καταδίκη, βιομετρικά δεδομένα, συμμετοχή σε σωματεία/συνδικάτα. Η αναφορά υγείας του μαθητή, η διάγνωση μαθησιακής δυσκολίας ή το οικογενειακό τραύμα ανήκουν σε αυτή την κατηγορία.
Ο KVKK (Νόμος για την Προστασία Δεδομένων Προσωπικού Χαρακτήρα) απαιτεί τη νόμιμη επεξεργασία των προσωπικών δεδομένων, για συγκεκριμένο σκοπό, με μετρημένο και ασφαλή τρόπο. Πρακτικές συνέπειες για τον δάσκαλο: χρησιμοποιήστε δεδομένα μόνο όπως είναι απαραίτητο (ελαχιστοποίηση δεδομένων), μην κάνετε κακή χρήση δεδομένων, διατηρήστε τα ασφαλή, μην τα μοιράζεστε με τρίτα μέρη (συμπεριλαμβανομένης της δημόσιας τεχνητής νοημοσύνης) χωρίς άδεια. Υπάρχει επίσης υποχρέωση επαγγελματικού απορρήτου: ο δάσκαλος δεν μπορεί να αποκαλύψει τις πληροφορίες που μαθαίνει για τον μαθητή και την οικογένειά του.
Προσοχή: Το να υποθέσουμε ότι "η εταιρεία δεν το διαβάζει ούτως ή άλλως" δεν είναι ασφαλές. Ορισμένα δωρεάν εργαλεία τεχνητής νοημοσύνης μπορούν να αποθηκεύσουν/χρησιμοποιήσουν εισόδους στην εκπαίδευση. Μόλις βγουν τα δεδομένα, δεν είναι δυνατή η ανάκτησή τους. Το πιο ασφαλές πράγμα είναι να μην αφαιρείτε ποτέ τα δεδομένα.
Ανωνυμοποίηση: καθιστώντας το αντανακλαστικό
Ανωνυμοποίηση σημαίνει αφαίρεση όλων των στοιχείων που προσδιορίζουν ένα άτομο από τα δεδομένα και γενίκευσή τους μη αναστρέψιμα. Στην πράξη:
- Όνομα-επώνυμο → "Μαθητής Α", "φοιτητής"
- Αριθμός σχολείου, TR ID, τάξη-υποκατάστημα → αφαιρέστε εντελώς
- Όνομα γονέα, τηλέφωνο, διεύθυνση → αφαίρεση
- Σπάνιες/περιγραφικές λεπτομέρειες → γενίκευση (φράσεις όπως "ένας μαθητής που χρησιμοποιεί αναπηρικό καροτσάκι" δίνουν το άτομο, πείτε "ένας μαθητής")
- Όνομα σχολείου/ιδρύματος → έξοδος ή πείτε "το σχολείο μας"
Πριν δώσετε ένα κείμενο στο AI, υποθέστε ότι κάποιος άγνωστος θα το διαβάσει: μπορεί να γίνει κατανοητό από αυτό το κείμενο για ποιο παιδί είναι; Εάν είναι σαφές, γενικεύστε περαιτέρω.
Ασφαλής επιλογή οχήματος
Δεν είναι όλα τα εργαλεία τεχνητής νοημοσύνης ίδια. Τα πιο ασφαλή είναι τα εταιρικά εργαλεία που παρέχει το σχολείο/ίδρυμά σας, έχει συμφωνία επεξεργασίας δεδομένων (DPA) και δεν χρησιμοποιεί εισροές στην εκπαίδευση. Με δωρεάν, δημόσια διαθέσιμα εργαλεία, η υπόθεση θα πρέπει να είναι το χειρότερο σενάριο. Όταν επιλέγετε ένα εργαλείο, ρωτήστε: Αποθηκεύονται οι εισροές μου; Χρησιμοποιείται στην εκπαίδευση; Πού γίνεται η επεξεργασία των δεδομένων; Η πολιτική του σχολείου εγκρίνει αυτό το εργαλείο; Εάν δεν είστε σίγουροι, μην χρησιμοποιήσετε τα δεδομένα χωρίς να τα ανωνυμοποιήσετε.
Βήμα προς βήμα: ιδιωτική-ασφαλής ροή εργασιών
- Σάρωση για προσωπικά δεδομένα. Όνομα, αριθμός, ίδρυμα, ευαίσθητη κατάσταση.
- Ανωνυμοποίηση. Αντικατάσταση με γενικές εκφράσεις. διαγράψτε τα στοιχεία αναγνώρισης.
- Εφαρμογή ελαχιστοποίησης δεδομένων. Μην προσθέτετε πληροφορίες που δεν απαιτούνται από την εργασία.
- Επιλέξτε όχημα. Θεσμικό αν είναι δυνατόν? Εάν όχι, υποθέστε το χειρότερο σενάριο.
- Χρησιμοποιήστε το. Εργαστείτε μόνο με ανώνυμο κείμενο.
- Ελέγξτε επίσης την έξοδο. Το AI μπορεί να αντικατοπτρίζει τις πληροφορίες που του δίνετε. Δεν πρέπει να υπάρχει διαρροή ταυτότητας στην έξοδο.
τρεις μίνι θήκες
Περίπτωση 1 — Λήψη της τελευταίας στιγμής. Ένας σύμβουλος καθοδήγησης έγραψε στην AI για να συμβουλευτεί σχετικά με το οικογενειακό πρόβλημα ενός μαθητή. Το κείμενο περιελάμβανε όνομα, βαθμό και «η μητέρα του είναι στο νοσοκομείο». Παρατήρησε χωρίς να το στείλει, τα γενίκευσε όλα ως «13χρονος μαθητής, μια πρόκληση υγείας στην οικογένειά του». Οι γενικές προτάσεις προσέγγισης που έλαβε λειτούργησαν. Δεν διέρρευσαν προσωπικά δεδομένα.
Περίπτωση 2 — Έμμεση αναγνώριση. Ένας δάσκαλος έγραψε στην AI ότι ήταν «υλικό για τον μόνο μαθητή με προβλήματα όρασης στην τάξη». Δεν υπήρχε όνομα, αλλά η φράση σίγουρα περιέγραφε εκείνο το αγόρι στο σχολείο. Όταν το παρατήρησε, το άλλαξε σε "για έναν μαθητή που χρειάζεται υποστήριξη όρασης". Η ανωνυμοποίηση δεν αφορά μόνο τη διαγραφή ονομάτων, αλλά και την απόκρυψη στοιχείων ταυτοποίησης.
Περίπτωση 3 — Επιλογή οχήματος. Ένα σχολείο απαγόρευσε στους δασκάλους να χρησιμοποιούν δωρεάν εργαλεία με δεδομένα μαθητών και παρείχε ένα επιχειρηματικό εργαλείο με ασφάλεια δεδομένων. Ένας δάσκαλος θα επικολλούσε ανάλυση σημειώσεων στο δωρεάν εργαλείο από συνήθεια. Χάρη στην υπενθύμιση πολιτικής, άλλαξε στο εταιρικό εργαλείο και εξακολουθούσε να ανωνυμοποιεί τα δεδομένα. Συνδυάζονται δύο στρώματα προστασίας.
Αντιγράψιμα πρότυπα
1) Σάρωση πριν από την ανωνυμοποίηση:
Ας υποθέσουμε ότι κάποιος άγνωστος θα διαβάσει το παρακάτω κείμενο. Μπορεί να γίνει κατανοητό άμεσα Ή έμμεσα από αυτό το κείμενο ποιος μαθητής είναι; Καταγράψτε όλες τις εκφράσεις που δίνουν την ταυτότητα (όνομα, αριθμός, ίδρυμα, σπάνιο χαρακτηριστικό) και προτείνετε μια γενική εναλλακτική για καθεμία. Κείμενο: [επικόλληση]
2) Αυτοαξιολόγηση ασφαλούς οχήματος:
Γράψτε μια λίστα ελέγχου με 6 ερωτήσεις για να αξιολογήσετε ένα εργαλείο τεχνητής νοημοσύνης που σκέφτομαι να χρησιμοποιήσω: αποθήκευση εισροών, χρήση στην εκπαίδευση, τοποθεσία δεδομένων, θεσμική έγκριση, δικαίωμα διαγραφής, συμμόρφωση με ευαίσθητα δεδομένα. Προσθέστε "τι να κάνετε εάν ναι / τι να κάνετε εάν όχι" σε κάθε ερώτηση.
3) Έλεγχος ελαχιστοποίησης δεδομένων:
Απλοποιήστε το κείμενο που θα δώσω την τεχνητή νοημοσύνη για την ακόλουθη εργασία: αφαιρέστε τυχόν προσωπικές/συμφραζόμενες λεπτομέρειες που ΔΕΝ ΑΠΑΙΤΕΙ η εργασία, αφήνοντας μόνο ό,τι είναι απαραίτητο για την εκτέλεση της εργασίας. Εργασία: [περιγράψω]. Κείμενο: [επικόλληση]
4) Σχέδιο σχολικής πολιτικής (για εκπαιδευτικούς):
Συντάξτε μια σύντομη, σαφή λίστα κανόνων 8 σημείων για τους εκπαιδευτικούς σε ένα σχολείο που θα χρησιμοποιούν εργαλεία τεχνητής νοημοσύνης για την ασφάλεια των δεδομένων των μαθητών: ανωνυμοποίηση, εγκεκριμένο εργαλείο, ευαίσθητα δεδομένα, διατήρηση, συναίνεση, ειδοποίηση παραβίασης. Ας υπάρχουν τουρκικά, εφαρμοστέα άρθρα. Θα το υποβάλω σε έγκριση διαχείρισης/ειδικού.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Ο Ahmet Yılmaz, 7-B νούμερο 214, είναι πολύ αδύναμος στα μαθηματικά και ο πατέρας του είναι αδιάφορος. Τι πρέπει να κάνω για αυτόν τον μαθητή;
Όνομα, αριθμός, τάξη, οικογενειακή δικαιοδοσία — κατάφωρη παραβίαση του απορρήτου. Τα δεδομένα είναι εκτός ελέγχου σας.
Ισχυρή προτροπή:
Προτείνετε 3 στρατηγικές υποστήριξης που μπορούν να εφαρμοστούν στο σχολείο για έναν μαθητή της 7ης τάξης που δυσκολεύεται με βασικές πράξεις στα μαθηματικά, υποθέτοντας ότι υπάρχει περιορισμένη υποστήριξη στο σπίτι. (Ανώνυμος μαθητής, δεν κοινοποιώ προσωπικά στοιχεία.)
Τύπος δεδομένων
παράδειγμα
Δίνεται σε AI;
Πώς
άμεση ταυτοποίηση
Όνομα, αριθμός, TR
όχι
Αφαιρέστε εντελώς
έμμεση ταυτοποίηση
«Μόνος μαθητής με αναπηρία»
όχι
γενικεύω
Ευαίσθητα δεδομένα
Υγεία, διάγνωση, οικογένεια
πολύ προσεκτικός
Ανώνυμο + εργαλείο επιχείρησης
Γενική παιδαγωγική κατάσταση
«Ένας μαθητής που αγωνίζεται»
Ναι
ανώνυμα
Συνήθη λάθη
- Απλώς διαγράψτε το όνομα. Εάν ο αριθμός, η κλάση ή ο έμμεσος ορισμός παραμένει, η ταυτότητα είναι ακόμα σαφής.
- Παραβλέποντας τον έμμεσο ορισμό. Εκφράσεις όπως "Είσαι ο μόνος στην τάξη σου..." χαρίζουν το άτομο.
- Λαμβάνοντας προσεκτικά τα ευαίσθητα δεδομένα. Οι πληροφορίες υγείας/οικογένειας είναι ειδικά δεδομένα και απαιτούν υψηλότερη προστασία.
- Υποθέτοντας την ασφάλεια του οχήματος. Είναι επικίνδυνο να υποθέσουμε ότι το δωρεάν εργαλείο δεν αποθηκεύει δεδομένα. Υποθέστε το χειρότερο.
- Μη έλεγχος της εξόδου. Το AI μπορεί να επαναλάβει τα διαπιστευτήρια που παρέχετε στην απάντηση. καθαρίστε και την έξοδο.
Συμβουλή: "Κανόνας δύο λεπτών": προτού επικολλήσετε οποιοδήποτε κείμενο που σχετίζεται με μαθητή στο AI, αφιερώστε δύο λεπτά για να διαγράψετε το όνομα, τον αριθμό, το ίδρυμα και τα στοιχεία αναγνώρισης. Αυτή η μικρή συνήθεια αποτρέπει τις μεγαλύτερες παραβιάσεις.
Συνοπτικά
Τα δεδομένα μαθητή είναι προσωπικά, συχνά ιδιωτικά δεδομένα και προστατεύονται από το KVKK και το επαγγελματικό απόρρητο. Τα δημόσια εργαλεία AI βασίζονται σε σύννεφο. Δίνοντας τα δεδομένα ως έχουν τα αφήνει εκτός ελέγχου. Ο σωστός τρόπος: ανωνυμοποίηση προσωπικών και έμμεσα πληροφοριών ταυτοποίησης, κοινή χρήση μόνο ό,τι είναι απαραίτητο (ελαχιστοποίηση δεδομένων), χρήση εταιρικών και εγκεκριμένων εργαλείων αν είναι δυνατόν και έλεγχος των αποτελεσμάτων. Η ευθύνη είναι του δασκάλου.
Εργασία εφαρμογής
Πάρτε ένα κείμενο για έναν μαθητή που έχετε γράψει (ή σκέφτεστε να γράψετε) στο AI την τελευταία εβδομάδα. Εντοπίστε και γενικεύστε όλα τα άμεσα και έμμεσα αναγνωριστικά με το πρότυπο "έλεγχος πριν από την ανωνυμοποίηση". Στη συνέχεια, αξιολογήστε το εργαλείο τεχνητής νοημοσύνης που χρησιμοποιείτε σε σχέση με τη λίστα "Ασφαλής αυτοαξιολόγηση εργαλείου" και αποφασίστε τι τύπο δεδομένων μπορείτε να χρησιμοποιήσετε με αυτό το εργαλείο.
λίστα ελέγχου
- [ ] Έχω αφαιρέσει άμεσα αναγνωριστικά όπως όνομα, αριθμός, TR ID, ίδρυμα;
- [ ] Έχω γενικεύσει έμμεσους περιγραφείς όπως "Ο μόνος στην τάξη σου...";
- [ ] Αντιμετώπισα ευαίσθητα δεδομένα (υγείας/οικογένειας) με επιπλέον προστασία;
- [ ] Έχω ελέγξει την πολιτική δεδομένων και την έγκριση του σχολείου του οχήματος που χρησιμοποιώ;
- [ ] Έχω ελέγξει για διαρροές ταυτότητας και στην έξοδο;