سود:
- توانایی تبدیل اصول اخلاقی استفاده از هوش مصنوعی در آموزش های ویژه (منافع، عدم سوء استفاده، عدالت، اجتناب از سوگیری) به قوانین مشخص
- امکان مدیریت حریم خصوصی داده های دانش آموز و خانواده، ذخیره سازی داده ها و محدودیت های اشتراک گذاری در چارچوب KVKK
- توانایی پیوند دادن آموخته ها در سراسر ماژول به یک گردش کار امن سرتاسر و تعیین محل پایان هوش مصنوعی و شروع مسئولیت متخصص
در طول این ماژول، ما یاد گرفتیم که از هوش مصنوعی به عنوان دستیار استفاده کنیم: یک هدف IEP را تهیه کردیم، مواد را تطبیق دادیم، یک برنامه AAC و رفتار ایجاد کردیم، پیشرفت را زیر نظر داشتیم، و ارتباط با خانواده را تقویت کردیم. این بخش نهایی به چارچوبی میپردازد که همه آنها را در کنار هم نگه میدارد: اخلاق، حریم خصوصی و نظارت متخصص. زیرا «دادههایی» که در آموزش استثنایی با آن کار میکنید یک جدول نیست، بلکه یک کودک است. «خروجی» که شما تولید می کنید یک سند نیست، بلکه تصمیمی است که بر حق تحصیل کودک تأثیر می گذارد. هوش مصنوعی راحتی زیادی در این زمینه فراهم می کند. اما در صورت استفاده نادرست، افرادی که بیشتر آسیب می بینند، آسیب پذیرترین افراد نیز هستند. بیایید برای آخرین بار اصلی را که از ابتدا ایجاد کردیم تکرار کنیم: هوش مصنوعی یک دستیار است. تشخیص، محل قرارگیری، هدف و تصمیمات موثر بر آینده کودک متعلق به متخصص ذیصلاح، تیم IEP و خانواده است.
چهار اصل اخلاقی و همتایان عینی آنها
می توان استفاده از هوش مصنوعی در آموزش های ویژه را به چهار اصل اخلاقی اساسی نسبت داد:
- سودمندی: هوش مصنوعی باید برای کمک واقعی به آموزش کودک استفاده شود. این باید به معلم کمک کند تا وقت خود را آزاد کند و به کودک توجه بیشتری داشته باشد. استفاده به خودی خود یک هدف نیست.
- عدم سوء استفاده: خروجی تأیید نشده، نامناسب برای کودکان یا انگ می تواند باعث آسیب شود. هر خروجی از فیلتر "آیا این به کودک آسیب می رساند؟" می گذرد.
- عدالت: هر کودکی باید دسترسی برابر به منابع و آموزش با کیفیت داشته باشد. هوش مصنوعی نباید به برخی از کودکان امتیاز دهد و برخی دیگر را نادیده بگیرد. همه باید مورد توجه فردی قرار گیرند.
- اجتناب از تعصب: هوش مصنوعی میتواند کلیشهها را در دادههایی که روی آن آموزش داده شده منعکس کند. نوع خاصی از ناتوانی ممکن است خروجی تبعیض آمیز در مورد جنسیت، فرهنگ یا وضعیت اجتماعی-اقتصادی ایجاد کند. متخصص باید این پیامدها را تشخیص داده و تصحیح کند و هر کودک را جداگانه ارزیابی کند.
تعصب بسیار مهم است زیرا موذیانه است. هوش مصنوعی میتواند به روانی جملهای مانند «چنین کودکانی معمولاً نمیتوانند X را انجام دهند» تولید کند. با این حال، این یک کلیشه است که هم اشتباه است و هم مانع کودک می شود. وظیفه متخصص این است که این الگوها را ببیند و کودک را با پتانسیل هایش ارزیابی کند.
احتیاط: هیچ تعمیم ایجاد شده توسط هوش مصنوعی ("کودکان با ناتوانی X می توانند / انجام Y") را نمی توان برای محدود کردن هدف کودک استفاده کرد. انتظارات پایین یکی از رایج ترین و نامرئی ترین اشکال تبعیض است.
حریم خصوصی: محدودیت های ذخیره سازی و اشتراک گذاری داده ها
داده های دانش آموز (هویت، تشخیص، گزارش RAM، سابقه رفتار، اطلاعات خانواده) داده های شخصی ویژه در محدوده KVKK است. بیایید قوانین این واحد را روشن کنیم:
- ناشناس: نام، شناسه، پروتکل، مدرسه، آدرس و جزئیات خانواده قبل از ورود به هر ابزار هوش مصنوعی حذف می شود.
- حداقل داده: فقط اطلاعات مورد نیاز برای کار را به اشتراک بگذارید. کل فایل را "فقط در مورد" ندهید.
- ابزار امن: در صورت امکان، ابزارهای شرکتی که قرارداد پردازش داده دارند و از داده های شما در آموزش مدل استفاده نمی کنند، ترجیح داده می شوند. داده های حساس از حساب های شخصی آپلود نمی شوند.
- ذخیره و حذف: اگر پیشنویسهای تولید شده با هوش مصنوعی حاوی دادههای دانشآموز باشند، طبق قوانین موسسه ذخیره میشوند و در صورت لزوم حذف میشوند. در مکان های تصادفی رها نمی شود.
- اشتراک گذاری: اطلاعات فقط با افراد مجاز (تیم IEP، خانواده، متخصص مربوطه) و فقط در حد نیاز به اشتراک گذاشته می شود.
جدول زیر محدودیت های آموخته شده در سراسر ماژول را در یک مکان خلاصه می کند:
منطقه
هوش مصنوعی می تواند
هوش مصنوعی نمی تواند / متعلق به انسان است
ارزیابی
داده های ناشناس را خلاصه می کند
تشخیص/تغییر
BEP
پیش نویس اهداف را می نویسد
تایید/تأیید قصد
مواد
تطبیق می دهد، متمایز می کند
تصمیم برنامه درسی/حق نشر را می گیرد
AAC
طرح کلی کارت/داستان
روش را انتخاب می کند و آن را با کودک تطبیق می دهد
رفتار
ABC خلاصه می کند، توصیه می کند
عملکرد را تعیین می کند، طرح را تأیید می کند
پیشرفت
داده ها را خلاصه و تفسیر می کند
تصمیم نهایی برای ادامه
خانواده
پیش نویس های متن
متن را تأیید می کند، رابطه را تقویت می کند
ستون سمت راست در این جدول حد مسئولیت کارشناسی است و تحت هیچ شرایطی قابل تفویض به هوش مصنوعی نیست.
گردش کار امن سرتاسر
بیایید ماژول را در یک جریان واحد ترکیب کنیم. یک گردش کار آموزشی امن با پشتیبانی هوش مصنوعی به شرح زیر است: (1) ناشناس کردن داده ها. (2) یک دستور با نقش ها و مرزهای واضح بنویسید. (3) پیش نویس را از هوش مصنوعی دریافت کنید. (4) بررسی خروجی در سه مرحله - پیوند به منبع، مقایسه با مشخصات واقعی کودک، فیلتر متخصص. (5) انجام ممیزی اخلاقی و جانبداری؛ (6) سازگاری و اعتبار با تیم/خانواده؛ (7) اعمال و نظارت با داده ها. (8) پیش نویس ها را طبق قوانین موسسه نگه دارید/حذف کنید. این چرخه با هر کار تکرار می شود و مشخص می شود که هوش مصنوعی در کجا به پایان می رسد و مسئولیت متخصص شروع می شود.
سه کیف کوچک
مورد 1 - تعصب گرفتن. معلمی از هوش مصنوعی یک طرح کلی از هدف خواست. جمله ای در خروجی وجود داشت مانند "این نوع دانش آموزان نمی توانند انتزاعی فکر کنند، هدف را پایین نگه دارید." معلم این را به عنوان یک کلیشه تشخیص داد. شاگرد خودش توانست روابط انتزاعی برقرار کند. او جمله را استخراج کرد و هدف را بر اساس پتانسیل واقعی کودک نوشت. نظارت اخلاقی از توقع کم که مانع کودک می شد جلوگیری کرد.
مورد 2 - نظم و انضباط حریم خصوصی. یکی از مؤسسات این قانون را برای همه معلمان تعیین کرده است که قبل از استفاده از هوش مصنوعی یک «بررسی ناشناسسازی» انجام دهند. یک معلم نام، پروتکل و اطلاعات خانواده را قبل از خلاصه کردن گزارش RAM حذف کرد. ماهها بعد، ممیزی دادهها نشان داد که سازمان هیچ داده حساسی را در اختیار یک ابزار خارجی قرار نداده است. یک عادت ساده سازمان را از خطرات جدی محافظت می کرد.
مورد 3 - خطا در تفویض مسئولیت. یک معلم، تحت فشار زمان، یک طرح رفتاری تولید شده توسط یک هوش مصنوعی را بدون خواندن آن اجرا کرد. این طرح با عملکرد کودک تناسب نداشت و رفتار او تشدید شد. مشکل «اشتباه» هوش مصنوعی نبود، بلکه تفویض مسئولیت بود. خروجی تایید نشده مانند یک قضاوت کارشناسی بدون امضا است. مسئولیت همیشه با متخصص است. اشتباه: جایگزینی راحتی به جای مسئولیت.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
همه چیز را در مورد این دانش آموز تجزیه و تحلیل کنید و به من بگویید چه کار کنم.
این درخواست هم ما را وادار می کند تا با گفتن "همه چیز" داده های بیشتری (شاید حاوی هویت) را به اشتراک بگذاریم و هم تصمیم را به هوش مصنوعی منتقل می کند. همچنین دو اصل اساسی را زیر پا می گذارد.
اعلان قدرتمند:
نقش شما: دستیار متخصص آموزش ویژه. فقط از اطلاعات ناشناس و مختص کار زیر استفاده کنید: [حداقل مورد نیاز]. وظیفه: یک پیش نویس برای [تک کار واضح و روشن] تهیه کنید. قوانین: تشخیص/تصمیم گیری. تعمیم/کلیشه نکنید. بیان کنید که مطمئن نیستید. فرض کنید این مورد توسط متخصص تأیید شده و با تیم/خانواده تأیید می شود.
این ادعا شامل حداقل داده ها، تکلیف روشن، سوگیری و محدودیت های تصمیم گیری با هم است. تمام اصول ماژول را در یک قالب جمع آوری می کند.
اشتباهات رایج
- تفویض مسئولیت. واگذاری تصمیم به هوش مصنوعی؛ اجرا بدون خواندن خروجی
- تعصب ندیدن عدم توجه به تعمیم های کلیشه ای و کاهش توقعات.
- به اشتراک گذاری داده های بیش از حد دادن دادههای غیر ضروری و حساس به ابزار با گفتن «تحلیل همه چیز».
- دور زدن ناشناس سازی کار بدون پاک کردن هویت، تشخیص و اطلاعات خانواده.
- ذخیره سازی پیش نویس ها به صورت ناامن گذاشتن پرینت های حاوی داده های دانش آموز در مکان های تصادفی.
- حسابرسی اخلاقی را رسمی می بینیم. نادیده گرفتن سوالاتی مانند "آیا باعث آسیب می شود، آیا این عادلانه است، آیا مغرضانه است؟"
به طور خلاصه
در آموزش ویژه، هوش مصنوعی یک دستیار قدرتمند است، اما از آنجایی که شما با آسیب پذیرترین افراد کار می کنید، اخلاق و حریم خصوصی غیرقابل مذاکره است. چهار اصل ما را راهنمایی می کند: خیرخواهی، عدم سوء استفاده، عدالت، پرهیز از تعصب. دادههای دانشآموز ناشناس میشوند، با حداقل ابزار و وسایل امن به اشتراک گذاشته میشوند و به صورت ایمن ذخیره میشوند. گردش کار امن سرتاسر؛ این چرخه عبارت است از ناشناس کردن، دریافت پیشنویس، تأیید در سه مرحله، بررسی اخلاقی، تأیید با تیم/خانواده، پیگیری با دادهها. هر جا که هوش مصنوعی در این چرخه به پایان برسد، مسئولیت کارشناسی آغاز می شود. یک خروجی تایید نشده مانند یک قضاوت کارشناسی بدون امضا است. امضا همیشه مال شماست
وظیفه کاربردی
یکی از رئوس مطالبی را که در سرتاسر ماژول تولید کرده اید (هدف IEP، مطالب، برنامه رفتاری یا متن خانواده) انتخاب کنید و آن را از طریق تمام مراحل «جریان کاری امن سرتاسر» در این واحد طی کنید. به طور خاص، اخلاق/سوگیری را بررسی کنید: آیا تعمیم پایینتری، بیانیه انگ زنی یا نشت حریم خصوصی در خروجی وجود دارد؟ هر مشکلی را که پیدا کردید برطرف کنید و توجه داشته باشید که کدام مرحله از جریان آن مشکل را پیدا کرده است.
چک لیست
- [ ] من داده ها را ناشناس کردم. من فقط حداقل های لازم را به اشتراک گذاشتم.
- [ ] من خروجی را با سه مرحله تأیید کردم (منبع/نمایه/کارشناس).
- [ ] پیش داوری ها و تعمیم های کاهش دهنده انتظارات را پاک کردم.
- [ ] زبان انگ انگ زدن را حذف کردم. چهار اصل اخلاقی را رعایت کردم.
- [ ] من پیش نویس ها را ایمن نگه داشتم/در صورت لزوم آنها را حذف کردم.
- [ ] من تصمیم و مسئولیت نهایی را به عنوان کارشناس/تیم/خانواده گرفتم.
امتحان ماژول
1. معلم آموزش و پرورش استثنایی از هوش مصنوعی می پرسد "تشخیص این کودک چیست" به سادگی با دادن نام و سن دانش آموز و پاسخ را در فایل IEP می نویسد. اشتباه اساسی در این رویکرد چیست؟
- الف) بی توجهی به اینکه اختیار تشخیص متعلق به رم و کارشناسان مجاز است. همچنین یک خروجی تایید نشده را به یک رکورد رسمی منتقل کنید ✔
- ب) دادن اطلاعات سنی به هوش مصنوعی غیر ضروری است
- ج) نگهداری فایل BEP در محیط دیجیتال ممنوع است
- د) هوش مصنوعی همیشه تشخیص را سنگینتر از آنچه هست نشان میدهد
توضیح: هوش مصنوعی نمی تواند و نباید تشخیص دهد. تشخیص و ارزیابی وظیفه رم و کارشناسان مجاز می باشد. علاوه بر این، بدون دادن داده به مدل، خروجی مورد نظر به ساختگی (توهم) تبدیل میشود و اشتراکگذاری هویت دانشجو نقض حریم خصوصی است.
2. کدام یک از موارد زیر ویژگی اصلی است که یک هدف کوتاه مدت (قابل اندازه گیری) BEP باید داشته باشد؟
- الف) هدف این است که دانش آموز عموماً موضوع را دوست داشته باشد
- ب) صرفا بر اساس مشاهدات معلم بوده و فاقد معیارهای عددی است
- ج) تا آنجا که ممکن است نتایج را در یک جمله جمع آوری کنید.
- د) شامل رفتار قابل مشاهده، شرایط و معیار موفقیت قابل اندازه گیری ✔
توضیح: هدف کوتاه مدت شامل یک رفتار، شرایط و معیار قابل مشاهده است (چند آزمایش، چند درصد، چه سطح استقلال). عبارات غیر قابل اندازه گیری مانند "می فهمد"، "یاد می گیرد"، "آگاه می شود" باعث ایجاد خطا در نوشتن هدف می شود.
3. یک معلم گزارش RAM را که شامل نام کامل دانش آموز، شماره شناسه TR و تشخیص است، در یک ابزار هوش مصنوعی در دسترس عموم آپلود می کند و می گوید "خلاصه". رویکرد صحیح چه خواهد بود؟
- الف) گزارش را بدون هیچ تغییری آپلود کنید، زیرا خلاصه به تمام اطلاعات نیاز دارد
- ب) فقط شماره TR ID را حذف کنید و نام و تشخیص را بگذارید
- ج) حذف اطلاعات هویتی، ناشناس سازی داده ها و انتخاب یک ابزار امن/سازمانی ✔
- د) به اشتراک گذاری گزارش از طریق ایمیل از حساب شخصی خود و خلاصه کردن آن بر اساس آن
توضیح: داده های دانش آموز داده های شخصی ویژه ای در محدوده KVKK است. اطلاعات هویتی باید حذف شود و داده ها ناشناس شوند ("دانش آموز پسر 10 ساله")، و در صورت امکان، ابزار امنی که نهادی است و از داده ها در آموزش استفاده نمی کند ترجیح داده شود.
4. بهترین نگرش هنگام ایجاد یک داستان اجتماعی با هوش مصنوعی برای ارتباطات جایگزین و تقویتی (AAC) چیست؟
- الف) پیش نویس را به طور خاص برای کودک تطبیق دهید و به تایید یک متخصص بفرستید ✔
- ب) استفاده از داستان تولید شده دقیقاً برای همه دانش آموزان بدون تغییر در آن
- ج) نوشتن داستان با کلمات طولانی و انتزاعی تا حد امکان
- د) تنها دادن متن طولانی بدون افزودن پشتیبانی بصری
توضیحات: هوش مصنوعی پیش نویس تولید می کند. با این حال، سابقه اجتماعی و حمایت ارتباطی باید با ویژگی های فردی کودک تطبیق داده شود و توسط آسیب شناس/متخصص گفتار-زبان تایید شود. یک طرح کلی را نمی توان مستقیماً اعمال کرد.
5. هنگام کمک گرفتن از هوش مصنوعی در طرح حمایت از رفتار مثبت، کدام یک از موارد زیر اصل اساسی است؟
- الف) از او بخواهید که شدیدترین تنبیه را برای سرکوب سریع رفتار توصیه کند.
- ب) درک عملکرد رفتار و تولید یک رفتار مثبت جایگزین و پیش نویس استراتژی پیشگیرانه ✔
- ج) نهایی کردن طرح بدون شناخت دانش آموز فقط به نام رفتار
- د) اجرای طرح بدون دخالت خانواده و متخصص در فرآیند
توضیح: حمایت از رفتار مثبت تنبیه محور نیست. هدف آن درک عملکرد رفتار (ارزیابی عملکردی)، مقررات پیشگیرانه و ارائه یک رفتار جایگزین قابل آموزش به جای رفتار نامطلوب است. نظارت تخصصی ضروری است.
6. «تصمیم مبتنی بر داده» در ردیابی پیشرفت به چه معناست؟
- الف) تصمیم گیری تنها بر اساس یک مشاهده در پایان سال
- ب) نوشتن گزارش پیشرفت بر اساس برداشت کلی معلم بدون نگاه کردن به داده ها
- ج) واگذاری تصمیم به طور کامل به تفسیر هوش مصنوعی
- د) تصمیم گیری برای حفظ، تطبیق یا تغییر هدف با مشاهده داده های اندازه گیری منظم ✔
توضیح: تصمیم گیری مبتنی بر داده تصمیم گیری برای حفظ، تطبیق یا تغییر هدف با نگاه کردن به اندازه گیری های منظم مبتنی بر دستاورد (درصد، تعداد تلاش، سطح استقلال) است. هوش مصنوعی داده ها را خلاصه می کند و تفسیر را پیشنهاد می کند. کارشناس تصمیم می گیرد.
7. با توجه به اصل طراحی جهانی (UDL)، بهترین راه برای دسترسی به یک متریال چیست؟
- الف) ارائه مطالب فقط در یک قالب، با حروف کوچک و متن متراکم
- ب) ارائه مطالب به روش های مختلف، ارائه زبان ساده و متن جایگزین ✔
- ج) همه سازگاری ها را حذف کنید و به همه همان مواد استاندارد بدهید
- د) با فرض دسترسی تنها با تغییر رنگ به دست می آید
توضیحات: UDL ارائه محتوا به روش های مختلف (متن، تصویری، صوتی)، زبان ساده، متن جایگزین و فرمت های انعطاف پذیر را در نظر می گیرد. هدف طراحی متناسب با نیازهای مختلف است، نه فقط یک دانش آموز «متوسط». بازرسی نهایی بستگی به آزمایش متخصص و کاربر واقعی دارد.
8. یک معلم متن اطلاعات خانواده تولید شده توسط هوش مصنوعی را بدون بررسی برای خانواده ارسال می کند و متن حاوی تاریخ قرار نادرست و یک وعده "بازیابی" اغراق آمیز است. اشتباه اساسی در اینجا چیست؟
- الف) ایجاد اطلاعات نادرست و انتظارات غیر واقعی با ارسال متن بدون تایید آن ✔
- ب) ارسال متن مکتوب به خانواده خود اشتباه است.
- ج) متن خیلی کوتاه است
- د) هوش مصنوعی از تولید متن خانوادگی اکیداً ممنوع است
توضیحات: هر متنی که با خانواده به اشتراک گذاشته می شود باید با دقت، محرمانه بودن و تایید کارشناسان تهیه شود. هوش مصنوعی روان است اما می تواند اطلاعات نادرست تولید کند (توهم). متن ارسال شده بدون تأیید به اعتماد و فرآیند آسیب می زند.
9. هنگام ایجاد تمایز در کلاس گنجاندن/ادغام، کدام یک از موارد زیر رویکرد صحیحی است؟
- الف) جدا كردن كامل دانش آموز از كلاس درس و وادار كردن او به انجام هر فعاليت به تنهايي
- ب) حمایت از یک دستاورد با مسئولیت مشترک، بدون تطبیق و برچسب زدن آن بر اساس سطح ✔
- ج) دادن مطالب یکسان به کل کلاس بدون استثنا و عدم انجام هیچ گونه اقتباس
- د) واگذاری انطباق فقط به معلم آموزش استثنایی و حذف معلم کلاس از فرآیند
توضیح: تمایز به معنای تطبیق یک نتیجه یادگیری با سطوح مختلف و حمایت از دانش آموز بدون برچسب زدن به آنهاست. انطباق مسئولیت مشترک معلم کلاس و معلم آموزش استثنایی است. از راه حل هایی که دانش آموز را از همسالان خود جدا می کند و به آنها انگ می زند اجتناب می شود.
10. چرا تولید "توهمات" در چارچوب آموزش ویژه برای مدل های زبان هوش مصنوعی خطرناک است؟
- الف) زیرا مدل همیشه کند اجرا می شود
- ب) چون مدل ترکی بلد نیست
- ج) زیرا توهم فقط در تولید بصری اتفاق می افتد
- د) زیرا اطلاعات ساختگی می تواند بر تصمیم آموزشی کودک تأثیر بگذارد و به زبان روان درست فرض شود ✔
توضیح: توهم زمانی است که مدل به طور روان اطلاعات ناموجودی را طوری جعل می کند که گویی درست است. یک قانون ساختگی، یک هنجار رشد نادرست یا یک روش خیالی در آموزش ویژه ممکن است مستقیماً بر حق کودک برای آموزش و پرورش تأثیر بگذارد. بنابراین هر خروجی باید اعتبار سنجی شود.
11. «اجتناب از سوگیری» در اصول اخلاقی استفاده از هوش مصنوعی در آموزش ویژه به چه معناست؟
- الف) شناخت و تصحیح بروندادهای کلیشه ای یا تبعیض آمیز تولید شده توسط مدل و ارزیابی هر کودک به صورت جداگانه ✔
- ب) ننوشتن دستورهای طولانی فقط برای گرفتن خروجی سریع.
- ج) استفاده از هوش مصنوعی تنها بر روی یک نوع مانع
- د) اعمال یک الگوی مغرضانه برای همه دانش آموزان
توضیح: هوش مصنوعی ممکن است منعکس کننده سوگیری ها در داده هایی باشد که بر اساس آنها آموزش دیده است. ممکن است خروجی کلیشه ای در مورد نوع خاصی از ناتوانی، جنسیت، وضعیت اجتماعی-اقتصادی، یا فرهنگ ایجاد کند. متخصص باید نتیجه را در این زمینه بررسی کند و هر کودک را به صورت جداگانه ارزیابی کند.
12. چرا هنگام خلاصه کردن گزارش رم با هوش مصنوعی و ایجاد نمایه دانش آموز، گنجاندن بخش «نقاط قوت» مهم است؟
- الف) برای طولانی تر نشان دادن گزارش
- ب) نقاط قوت فقط برای فرم استفاده می شوند، اگرچه از نظر قانونی الزامی نیستند.
- ج) برنامه ریزی را بر اساس نقاط قوت قرار دهد و دانش آموز را فقط با کاستی هایش تعریف نکند
- د) به طور کامل نیازها را نادیده بگیرید و فقط مثبت بنویسید
توضیح: برنامه ریزی در آموزش استثنایی بر اساس نقاط قوت است. فقط یک نمایه کمبود/نیاز گرا دانش آموز را با کاستی هایش تعریف می کند. نقاط قوت اساس اهداف و انگیزه هستند و دیدگاه مثبت و رشد محور را ارائه می دهند.
13. نگرش صحیح از نظر «حق مؤلف و اصالت» در تولید مطالب اقتباس شده چیست؟
- الف) بازتولید خروجی با شخصیت ها و محتوای دارای حق چاپ بدون بررسی
- ب) بررسی و اصل کردن مطالب از نظر مطابقت با برنامه درسی، صحت و کپی رایت✔
- ج) هر تصویر را بدون توجه به منبع، به صورت تجاری توزیع کنید
- د) با فرض اینکه موضوع کپی رایت اصلاً در مورد مطالب دیجیتال صدق نمی کند
توضیح: خروجی هوش مصنوعی ممکن است از منابع دیگر تغذیه شده باشد. ممکن است حاوی محتوای دارای حق چاپ، شخصیت های برند یا اطلاعات تایید نشده باشد. کارشناس باید مطالب را از نظر انطباق با برنامه درسی، صحت و کپی رایت بررسی کند و منبع را ذکر کند و در صورت لزوم آن را اصل کند.
14. اصل کلیدی مورد تاکید در سراسر ماژول چگونه نقش هوش مصنوعی را در آموزش ویژه توصیف می کند؟
- الف) هوش مصنوعی جایگزین متخصص می شود و به طور خودکار تصمیم می گیرد
- ب) از هوش مصنوعی فقط برای یادداشت برداری می توان استفاده کرد نه چیز دیگر
- ج) وقتی از هوش مصنوعی استفاده می شود، دیگر نیازی به نظارت متخصص نیست
- د) هوش مصنوعی دستیار و تولید کننده پیش نویس است. تصمیم و مسئولیت نهایی بر عهده متخصص، تیم و خانواده است ✔
توضیحات: هوش مصنوعی یک دستیار و مولد طرح است. تشخیص، قرارگیری، تعیین هدف و تصمیمات موثر بر آینده کودک متعلق به متخصص ذیصلاح، تیم IEP و خانواده است. خروجی تایید نشده مانند یک حکم کارشناسی بدون امضا است.