Etika, tudományos feddhetetlenség, határok és végpontok közötti munkafolyamat

Nyereség:

• Képes a mesterséges intelligencia matematikai alkalmazásának etikai alapelvei megértésére és alkalmazására (a tanulás, az átláthatóság, az emberi felelősség, az igazságosság, a titoktartás szolgálatában állni).
• Képes felmérni az adatvédelmi kockázatokat, és megtenni a megfelelő óvintézkedéseket az olyan érzékeny tartalmak esetében, mint a vizsgakérdések, a hallgatói adatok és a nem publikált kutatások
• Képes a modul minden részét (gyártás + ellenőrzés) egyetlen végpontok közötti munkafolyamatba egyesíteni, minden gyártási lépést egy ellenőrzési lépéssel és végső emberi jóváhagyással teljesítve.

Ebben a záróegységben két dolgot ötvözünk: egyrészt a mesterséges intelligencia matematikai alkalmazásának etikai, akadémiai integritását és bizalmassági dimenzióit; Másrészt, hogy a modul során tanultakat egyetlen végpontok közötti munkafolyamatban gyűjtsük össze. A matematikai mesterséges intelligencia hatékony eszköz, de felelősséggel és erővel is jár: kire használja, mire használja, és hogyan használja, etikai következményei vannak. Az a diák, akinek a házi feladatát mesterséges intelligencia készíti el, és egy tanár, aki AI segítségével gyorsítja a tananyagot, nagyon különböző dolgok. Ez az egység a műszaki ismereteket a felelős használattal egészíti ki.

Néhány definíció. Az akadémiai feddhetetlenség azt jelenti, hogy őszintén meg kell mutatni, hogy kinek a tulajdonában van egy munka, nem pedig a tanulást. A plágium valaki más (vagy egy médium) termékét úgy mutatja be, mintha az a saját eredeti terméke lenne. Az átláthatóság azt jelenti, hogy egyértelműen meg kell határozni, hogy hol használják az AI-t. Ezek a fogalmak a mesterséges intelligencia korában a matematikaoktatás központi részévé váltak.

Az etikus használat alapelvei

1. Nem a tanulás helyett, hanem annak szolgálatában. A mesterséges intelligencia támogathatja a tanulót a fogalom elsajátításában (magyarázat, alternatív magyarázat), de nem szabad elgondolkodtatnia. Ha a mesterséges intelligencia elvégzi a házi feladatot, az aláássa a tanulást.
2. Átláthatóság. Jelezze, hol használták az AI-t – cikkben, tananyagban vagy jelentésben. Az elrejtés tisztességtelen.
3. A felelősség az embereké. Bárki, aki AI-kimenetet publikál, tanít vagy szállít, felelős annak pontosságáért. „Az AI mondta” nem mentség.
4. Igazságszolgáltatás. A mesterséges intelligencia értékelésben való alkalmazását minden tanuló számára egyenlő és világos szabályoknak kell szabályozniuk.
5. Biztonság. Ne írjon be olyan érzékeny információkat, mint például vizsgakérdések, hallgatói adatok vagy publikálatlan kutatások olyan mesterséges intelligencia-eszközökbe, amelyek bizalmas jellege nem garantált.

Adatvédelem: mit jelent ez a matematika kontextusában?

Annak ellenére, hogy a matematika úgy tűnik, hogy "nincs rejtett adata", a kontextus fontos. A még nem publikált kutatási eredmények, egy intézmény vizsgakérdés-bankja, a hallgatók személyes teljesítményadatai vagy egy vállalat szabadalmaztatott algoritmusa – mindez érzékeny. Mindent, amit egy AI-eszközbe bevitt, az eszköz szolgáltatója feldolgozhatja, és bizonyos esetekben felhasználhatja a modell betanításához. Ezért kényes tartalom esetén használjon helyi/intézményileg biztonságos eszközöket, vagy tegye névtelenné a tartalmat.

Adattípus

Kockázat

elővigyázatosság

Közzétett tétel/probléma

alacsony

szabadon elérhető

Aktív vizsgakérdések

magas

Ne lépjen be a járműbe, és ne rögzítse azt

Tanuló személyi/teljesítményadatai

magas

Anonimizálás/ne lépjen be

Publikálatlan kutatás

magas

Biztonságos/helyi eszköz

Előadás vázlata

alacsony-közepes

Általában alkalmas

Vigyázat: Mielőtt a mesterséges intelligenciába kezdene ellenőrizni egy vizsgakérdést, fontolja meg, hogy a kérdés titokban maradjon-e. Az aktív vizsga kérdései elméletileg megjelenhetnek, ha olyan mesterségesintelligencia-eszközbe írják be, amelynek titkossága nem garantált. A kritikus vizsgákhoz módosítsa a kérdéseket, vagy használjon csak a vállalat által jóváhagyott, adatvédelmet garantáló eszközöket.

Végponttól végpontig terjedő munkafolyamat: példafeladat

Tegyük fel, hogy egy héten belül el kell készíteni a tananyagot és a vizsgát is egy tárgyból. A modul összes részét egyesítő folyamat a következő lehet:

1. Tervezés. Tisztázza a témát, a szintet és a célokat (7. fejezet).

2. Az anyag megfogalmazása. A mesterséges intelligencia a szintnek megfelelő előadásokat + megoldott példákat állítson elő (7. fejezet).

3. Mintaellenőrzés. Ellenőrizze az egyes megoldott példákat a SymPy segítségével (4. egység).

4. Vizualizáció. Készítsen és jelenítsen meg grafikákat a narratíva támogatására a Matplotlib kóddal, és hasonlítsa össze őket a matematikával (6. rész).

5. Jelölés. Tisztítsa meg az indexet, jelenítse meg és ellenőrizze a képleteket a LaTeX-szel (10. egység).

6. Kérdésgenerálás. Készítsen feleletválasztós kérdéseket + zavaró eszközöket a vizsgához (8. egység).

7. Tömeges ellenőrzés. Oldja meg az összes kérdést tömegesen a SymPy segítségével, és ellenőrizze a válaszkulcsot (8., 9. fejezet).

8. Etikai és átláthatósági ellenőrzés. Helyénvaló a titoktartás? Szükség esetén jelezte az AI használatát az anyagban? Öné a végső felelősség (ez az egység).

9. Emberi jóváhagyás. Tekintse át és erősítse meg mindent még utoljára. A nem ellenőrzött darabok nem kerülnek adásba/tesztre.

Tipp: Egy végponttól végpontig terjedő munkafolyamatban a leghatékonyabb stratégia az AI „sebességrétegként”, a determinisztikus eszközök (SymPy, render) „helyességi rétegként” való pozicionálása, önmagad pedig az „ítélet és elszámoltathatóság rétege”. Minden gyártási lépést ellenőrzési lépésnek kell követnie; A nem ellenőrzött kimenetet nem szabad átvinni a következő lépésbe.

három mini tok

1. eset – Az átláthatóság bizalmat épített. Az egyik akadémikus mesterséges intelligenciát használt egy tankönyvfejezet első vázlatában, majd minden matematikai állítást ellenőrzött, és az előszóban kijelentette, hogy "A kézirat elkészítésekor AI-támogatást szereztek, a szerző minden tartalmat ellenőriz." Ez az átláthatóság növelte a kollégák bizalmát és megőrizte az integritás színvonalát.

2. eset – A tanulást aláásó használat. Egy diák a mesterséges intelligencia segítségével megoldotta a teljes házi feladatát, és beküldte. Ugyanebből a tantárgyból megbukott a vizsgán, mert soha nem tanulta meg a fogalmakat. A tanár azt javasolta, hogy a mesterséges intelligencia segítségével „ellenőrizzék a megoldást és kapjanak alternatív magyarázatot”, de először saját maga oldja meg a problémákat. Az AI-nak a tanulás szolgálatában kell állnia, nem pedig a helyén.

3. eset – A magánélet megsértésének kockázata. Az egyik tanár fontolóra vette egy általános mesterséges intelligencia-eszköz feltörését, hogy ellenőrizhesse egy központi vizsga kérdését, amelyet még nem adtak le, de aztán nem döntött; ehelyett ő maga és egy kollégája oldotta meg a kérdéseket a SymPy-ben. Az aktív vizsgakérdések külső eszközbe bevitele komoly adatvédelmi kockázatot jelentett; a helyi hitelesítés biztosította a biztonságos elérési utat.

Négy másolható sablon

1) A tanulást támogató használat (tanulók számára):

ELŐSZÖR ezt a problémát oldottam meg, a megoldásom mellékelve van. NE add meg nekem a megoldást; csak mutasd meg, hol hibáztam, és milyen fogalmat értettem félre, hogy kijavíthassam. Az én megoldásom: [itt]

2) Átlátszósági megjegyzés létrehozása:

Elkészítettem egy [tananyagot/beszámolót], és mesterséges intelligenciát használtam a vázlatos szakaszban, és magam ellenőriztem az összes matematikát. Írjon egy rövid, professzionális átláthatósági jegyzetet, amelyben ezt őszintén kijelenti.

3) Adatvédelmi előzetes ellenőrzés:

Szeretném a következő tartalmat adatvédelmi szempontból minősíteni, mielőtt beírnám egy mesterséges intelligencia eszközbe: [tartalomtípus]. Kényesnek minősül-e az ilyen típusú tartalom, milyen kockázatokkal jár, milyen óvintézkedéseket (anonimizálás, helyi eszköz) tegyek? Mondd röviden és érthetően.

4) Végpontok közötti ellenőrzési terv:

Tananyagot + vizsgát készítek [tárgyból]. Szabályozási tervként sorolja fel, hogy a gyártás egyes lépéseinél milyen ellenőrzést kell elvégeznem: mintaellenőrzés, grafikus vezérlés, jelölés, válaszkulcs, bizalmas kezelés, emberi jóváhagyás.

Gyenge felszólítás / Erős felszólítás

Gyenge: "Oldja meg ezeket a házi feladatokat, és én megadom őket." (tanuló)

Eredmény: A tanulás kimarad, a tanulmányi integritás megsérül, a hallgató nem tanulja meg a fogalmat. Etikailag és pedagógiailag kifogásolható.

Güçlü: "Megpróbáltam megoldani ezt a házi feladatot, de elakadtam; a megoldásom csatolva van. Ne add meg közvetlenül a választ; mutasd meg, hogy melyik lépésben és miért tévedtem, emlékeztess a helyes koncepcióra, majd újra megpróbálom."

Következtetés: az AI-t a tanulás szolgálatában használják; A tanuló tovább gondolkodik, az őszinteség megmarad.

Gyakori hibák

• A tanulás kihagyására használja. Ha a mesterséges intelligencia elvégzi a házi feladatot, az rövid távon könnyű, de hosszú távon tönkreteszi a tanulást.
• Nem átlátszó. A mesterséges intelligencia használatának eltitkolása ellentétes a tudományos feddhetetlenséggel; adja meg, ha szükséges.
• A felelősséget az AI-ra hárítjuk. „Az AI mondta” nem mentség; A kiadó/tanár a felelős.
• Bizalmas tartalom bevitele külső eszközbe. Az aktív vizsga, a hallgatói adatok, a nem publikált kutatások érzékenyek.
• Az érvényesítést a munkafolyamat végére hagyva. Az ellenőrzésnek minden gyártási lépés után meg kell történnie; A hibák nem halmozódhatnak fel.

Összefoglalva

A mesterséges intelligencia használata a matematikában etikai felelősséget és technikai készségeket igényel: a tanulás szolgálatában kell állnia (nem helyette), átláthatónak kell lennie, meg kell őriznie a végső felelősséget, be kell tartania a tisztességes szabályokat, és tiszteletben kell tartania a titoktartást. A végpontok közötti munkafolyamatokban az AI a sebességi réteg, a SymPy és a renderelőeszközök a pontossági réteg, az emberek pedig az ítélkezési és felelősségi réteg. Minden gyártási lépést ellenőrzési lépésnek kell követnie; Ellenőrizetlen eredmény nem kerülhet publikálásra, előadásra vagy vizsgára. Ez a modul lényege: gyorsabbá válhat a mesterséges intelligencia segítségével, de ellenőrizze és vállalja a felelősséget minden lépésért.

Pályázati feladat

Tervezz meg egy kis léptékű end-to-end feladatot: egy rövid elbeszélés + 1 diagram + 3 feleletválasztós kérdés egy témához. Kövesse a modul menetét: (1) terv, (2) vázlat mesterséges intelligencia segítségével, (3) példák érvényesítése SymPy segítségével, (4) grafikon megjelenítése és ellenőrzése, (5) jelölések tisztítása és renderelése LaTeX segítségével, (6) kötegelt ellenőrzés a kérdések SymPy segítségével, (7) adatvédelmi és átláthatósági ellenőrzés, (8) végső emberi jóváhagyás. Jegyezze fel, milyen ellenőrzést végzett, és mit talált az egyes lépéseknél. A folyamat végén értékelje, hogy a mesterséges intelligencia hol takarít meg időt, és hol nélkülözhetetlen az ítélőképessége.

ellenőrző lista

• [ ] Az AI-t a tanulás szolgálatában (nem helyett) használtam.
• [ ] Szükség esetén átláthatóan jeleztem az AI alkalmazását.
• [ ] Felelősséget vállaltam a végső pontosságért.
• [ ] Nem fértem hozzá bizalmas/érzékeny tartalomhoz nem biztonságos eszközökön keresztül.
• [ ] Minden gyártási lépést követtem egy ellenőrzési lépéssel.
• [ ] Nem vittem be ellenőrizetlen kimenetet az adásba/leckébe/vizsgába.

Modul vizsga

1. Az alábbiak közül melyik a legpontosabb helymeghatározás a mesterséges intelligencia számára a matematikában?

• A) A mesterséges intelligencia stratégia, tervrajz és szervezőeszköz; Az emberen múlik, hogy a pontos számítást és eredményt determinisztikus eszközökkel igazolja ✔
• B) A mesterséges intelligencia olyan, mint egy számológép, és minden általa adott numerikus eredmény pontos
• C) A mesterséges intelligencia soha nem téved az általa magabiztosan levont következtetésekben, ezért az ellenőrzés szükségtelen
• D) A mesterséges intelligencia csak szövegírásra hasznos, semmi köze semmilyen matematikai feladathoz

Leírás: A nagy nyelvi modell egy olyan eszköz, amely statisztikailag generál szöveget; Ez nem számológép vagy bizonylatellenőrző. Legtöbbször helyes matematikát produkál, de nem garantál; tehát minden kimenetet determinisztikus eszközökkel (SymPy, számológép, kézi validálás) kell ellenőrizni, és a felelősség az emberé maradjon.

2. Egy tanuló megkéri a mesterséges intelligenciát egy integrál megoldására, és meg akarja kapni az eredményt. Mi a legmegbízhatóbb módja az eredmény ellenőrzésének?

• A) Az eredmény megkülönböztetése és ellenőrzése, hogy visszatér-e az eredeti funkcióhoz (SymPy vagy manuálisan) ✔
• B) Kérdezd meg a mesterséges intelligenciától, hogy igaz ez? megkérdezni
• C) Az eredmény elfogadása olyannak, amilyen, mert folyékonyan és magabiztosan adják elő.
• D) Továbblép egy másik kérdésre, és egyáltalán nem ellenőrzi az eredményt

Magyarázat: A derivált-integrál inverz egy beépített ellenőrző eszköz a matematikában: a talált eredmény deriváltjának felvétele és annak ellenőrzése, hogy az önállóan visszatér-e az eredeti függvényhez, megerősíti az integrál helyességét. Ugyanez a keresztellenőrzés elvégezhető a SymPy segítségével.

3. Mit jelent a „jó eredmény nem a helyes út” elve a mesterséges intelligenciával történő problémamegoldásban?

• A) A helyes eredmény mindig azt bizonyítja, hogy az út is helyes
• B) Az útvonal nem fontos, csak az eredményt kell pontozni
• C) A hibás közbenső lépések véletlenül a helyes eredményhez vezethetnek; Ezért az eredményt és minden közbenső lépést is ellenőrizni kell ✔
• D) Lehetetlen szilárd utat találni, ezért csak az eredményt nézzük

Magyarázat: Néha rossz közbenső lépések véletlenül vezetnek a megfelelő eredményhez; Még ha az eredmény helyes is, az elérési út érvénytelen lehet. Ezért van az, hogy a matematikában csak a "helyes az eredmény?" hanem "minden közbenső lépés helyes-e?" A kérdés szintén lényeges, és minden lépést felügyelni kell.

4. Mi a teendő, ha a mesterséges intelligencia az „általánosság elvesztése nélkül” kifejezést használja a bizonyításban?

• A) A bizonyítás érvényességének elfogadása, mert az állítás gördülékeny
• B) Indokolja saját magának, hogy az általánosság valójában nincs megtörve; ✔ kérdés nélkül nem fogadja el
• C) A bizonyítást olvasás nélkül is érvényesnek tekintjük
• D) Ennek a kifejezésnek a keresése a forrásból tételnévként

Pontosítás: Az „általánosság elvesztése nélkül” állítás néha érvényes (ha van valódi szimmetria), de néha rejtett hiba. A mesterséges intelligencia sokat használja ezt a kifejezést; Minden alkalommal igazolnia kell magának, hogy az általánosság valóban nem sérül, és nem szabad kérdés nélkül elfogadnia az állítást.

5. Írtál egy SymPy kódot a mesterséges intelligenciának. Hogyan éri el helyesen az eredményt?

• A) A mesterséges intelligencia előrejelzése a kód kimenetét
• B) Feltételezve, hogy a kód helyes anélkül, hogy elolvasná
• C) Bízni az AI által a kimenet értelmezésében
• D) Futtassa a kódot saját maga egy valódi Python környezetben, és nézze meg a pontos kimenetet ✔

Leírás: A SymPy ereje csak akkor derül ki, ha a kód valódi Python környezetben fut. Kérdezd meg a mesterséges intelligenciától, hogy mit produkál ez a kód? A kérdezés nem ellenőrzés, mert a mesterséges intelligencia is létrehozhatja a kód kimenetét. A kódot magának kell futtatnia.

6. Ha egy mesterséges intelligencia által manuálisan talált egyenlet megoldása és a SymPy által adott eredmény különbözik, melyikben érdemes megbízni és miért?

• A) SymPy eredmény, mert determinisztikus és precíz; Ezután a mesterséges intelligencia keresse meg a hibája helyét ✔
• B) A mesterséges intelligencia eredménye, mert gördülékenyebben magyaráz
• C) Véletlenszerűen válasszon egyet, mert mindkettő egyformán megbízható
• D) Mindkettőt elutasítva és a kérdést megoldhatatlannak tekintve

Leírás: A SymPy egy determinisztikus szimbolikus számítástechnikai rendszer: mindig ugyanazt a pontos eredményt adja ugyanarra a bemenetre. A mesterséges intelligencia statisztikailag hoz létre szöveget, és hallucinálhat. A vitában a SymPy-t kell alapul venni, és mesterséges intelligenciával kell megtalálni a tévedésének helyét.

7. Miért nem működik a 0.1 + 0.2 == 0.3 feltétel a Python-kódban, és hogyan javítható?

• A) A kiegészítés megszakadt Pythonban; más nyelvet kell használnia
• B) A pontos egyenlőség nem áll fenn a lebegőpontos számok pontossága miatt; Olyan tűréshatárt kell használni, mint például „abs(a-b) < 1e-9” ✔
• C) A 0,3 érték helytelen; 0,30000000004-et kell írni
• D) A feltétel mindig megfelelően működik, nincs probléma

Magyarázat: A számítógépek a decimális számokat lebegőpontos formátumban, korlátozott pontossággal tárolják; A 0,1 + 0,2 nagyon kis eltéréssel van tárolva, nem pontosan 0,3. Ezért a pontos '==' egyenlőség helyett olyan tűrést kell használni, mint például az 'abs(a-b) < 1e-9'.

8. Mi a legjobb „józan ész teszt”, mielőtt skalárgyökér keresőkódot alkalmaznánk a valódi problémára?

• A) A kód közvetlenül az aktuális problémára történő alkalmazása anélkül, hogy tesztelné
• B) Ellenőrizze a kód hosszát, és számolja meg helyesen, ha hosszú.
• C) A kód tesztelése egyszerű bemenettel, amelynek válasza ismert (pl. x²-4=0 gyök ±2), és annak ellenőrzése, hogy a várt eredményt adja-e ✔
• D) A kód helyességének megerősítése a mesterséges intelligencia felé

Magyarázat: A kód tesztelése egyszerű bemenettel, amelynek válaszát már tudja (pl. ±2 x²-4=0 esetén, nyilvánvaló gyökerekkel) a legolcsóbb és leghatékonyabb ellenőrzés. Ha a kód helyesen adja meg az ismert helyzetet, megnő annak a valószínűsége, hogy az Ön által nem ismert problémák esetén megbízható lesz.

9. A vizualizáció során hogyan ellenőrizhető, hogy a grafikon megfelelően tükrözi-e a matematikát?

• A) Ha a grafikon esztétikusnak tűnik, akkor helyesnek tekinthető.
• B) A gráf összehasonlítása a függvény ismert tulajdonságaival és legalább egy ✔ pont valódi értékével
• C) Egyáltalán nem nézi a tengelycímkéket
• D) Az AI gráf szóbeli leírására támaszkodva

Magyarázat: Egy szépnek látszó grafikának nem kell pontosnak lennie; Az AI rossz függvényt rajzolhat meg, rossz tartományban vagy torz aszimptotával. Ha összehasonlítjuk a gráfot a függvény ismert tulajdonságaival (oszcillációs tartomány, szimmetria, aszimptota) és legalább egy pontszámítást, hibákat észlel.

10. Mi a legkritikusabb igazolási pont egy mesterséges intelligenciával készült tananyagban és miért?

• A) Az anyag betűtípusa és színvilága
• B) Az anyag terjedelme és az oldalak száma
• C) Megoldott példák pontossága; mert a diákok modellnek veszik őket, és rossz példát és rossz módszert tanítanak ✔
• D) Milyen gyorsan készül el az anyag

Magyarázat: A megoldott példákat modellnek veszik a tanulók; Egy rosszul megoldott példa közvetlenül a rossz módszerre tanítja a tanulókat. Ezért minden megoldott példát külön-külön, lépésről lépésre kell ellenőrizni, akár a SymPy segítségével, akár manuálisan. A téma magyarázatának kis félreértése kompenzálható, de a rossz példa lépcsőzetes károkat okoz.

11. Mi a leghatékonyabb és legmegbízhatóbb módja a mesterséges intelligencia által generált feleletválasztós kérdéssor ellenőrzésének?

• A) Még egyszer kérdezzük meg a mesterséges intelligenciát, hogy helyesek-e a kérdések
• B) Csak néhány kérdést kell véletlenszerűen ellenőrizni, a többiben pedig megbízni
• C) Használja a válaszbillentyűt úgy, ahogy van, anélkül, hogy bármelyiket ellenőrizné
• D) A válaszkulcs együttes és determinisztikus ellenőrzése egy kód kinyomtatásával és futtatásával, amely az összes kérdést megoldja a SymPy segítségével ✔

Magyarázat: A mesterséges intelligencia leggyakrabban hibázik, például helytelenül jelöli meg a válaszbillentyűt, és több/nulla helyes opciót állít elő. Az összes kérdést egyszerre megoldó kód írása és futtatása a SymPy segítségével a válaszkulcs determinisztikus és tömeges ellenőrzésének leghatékonyabb módja.

12. Az alábbiak közül melyik a fő oka annak, hogy a mesterséges intelligencia hibázik a matematikában?

• A) A mesterséges intelligencia egy nyelvi modell; nem ellenőrzi a logikai érvényességet, statisztikailag generál szöveget ✔
• B) A mesterséges intelligencia soha nem tanulta meg a matematikát
• C) A mesterséges intelligencia szándékosan arra van programozva, hogy rossz válaszokat adjon
• D) A mesterséges intelligencia csak nagyon nehéz problémákban hibázik, könnyűekben soha.

Leírás: A mesterséges intelligencia nem logikai motor, hanem nyelvi modell, amely statisztikai mintákkal rendelkező szöveget állít elő; Nincs belső mechanizmusa a lépések logikai érvényességének ellenőrzésére. Az „érvényes bizonyítás” „3 számjegyű szorzással” számára azonos típusú szöveg előállítása, így annak helyessége nem garantálható.

13. Ha egy valószínűségi probléma eredménye 1,4, honnan lehet tudni, hogy hiba történt anélkül, hogy részleteznénk?

• A) A számítás helyes, mert az eredmény 1,4, a valószínűség meghaladhatja az 1-et
• B) A valószínűség előjele nem fontos, az értéket ettől függetlenül elfogadjuk
• C) Nem érthető, hogy hiba van, az eredmény véglegesnek minősül.
• D) A valószínűségnek 0 és 1 között kell lennie; ✔ A józan ész tesztelése hibát jelez, mert az 1.4 meghaladja ezt a határt

Leírás: A józan ész és a nagyságrendi teszt másodperceken belül ellenőrzi, hogy az eredmény ésszerű tartományon belül van-e. A valószínűségnek definíció szerint 0 és 1 között kell lennie; Az 1.4 kívül esik ezen a határon, így nyilvánvaló, hogy hiba történt anélkül, hogy megnéznénk a számítás részleteit.

14. Miért fontos, hogy 'e^{x^2}'-t írjunk az 'e^x^2' helyett a LaTeX-ben?

• A) Teljesen egyformák, csak esztétikai a különbség
• B) A göndör zárójelek határozzák meg a kitevő hatókörét; Enélkül a kifejezés helytelen vagy kétértelmű lenne, ezért a többkarakteres {} kitevő elengedhetetlen ✔
• C) A göndör zárójelek használhatatlanok a LaTeX-ben
• D) Az 'e^x^2' mindig igaz, a '{}' használata szükségtelen

Magyarázat: A LaTeX leggyakoribb hibája a hatókörhiba: ha a '{}' göndör zárójeleket nem használja többkarakteres kitevőben, alsó indexben vagy törtrészben, akkor csak az első karakter kerül lefedésre, és a kifejezés helytelenné (vagy akár kétértelművé) válik. Az 'e^{x^2}' egyértelművé teszi, hogy a teljes kitevő x²; A kódot elő kell írni és szemrevételezéssel ellenőrizni kell.

15. Egy aktív központi vizsga kérdéseit szeretné mesterséges intelligenciával ellenőriztetni. Mi a legjobb megközelítés az etika és az adatvédelem szempontjából?

• A) Kérdések szabad beírása bármely általános mesterséges intelligencia eszközbe, mivel a matematika nem tartalmaz bizalmas adatokat
• B) Kérdések használata a vizsgán azok ellenőrzése nélkül
• C) Kérdések ellenőrzése biztonságos/natív eszközzel (pl. SymPy) vagy csak a magánélet védelmét biztosító vállalati eszközök használatával ✔
• D) Kérdések megosztása a közösségi médiában és mások ellenőrzése

Leírás: Az aktív vizsgakérdések érzékenyek; Elméletileg kiderülhet, ha egy mesterséges intelligencia-eszközt feltörnek, amelynek titkossága nem garantált. A helyes megközelítés az, ha a kérdéseket egy biztonságos/natív eszközzel érvényesítjük (például egy SymPy-ben dolgozó kollégával), vagy csak vállalati tanúsítvánnyal rendelkező, adatvédelemmel ellátott eszközöket használunk.