倫理、学術的誠実さ、境界およびエンドツーエンドのワークフロー

利益:

数学における人工知能の使用に関する倫理原則を理解し、適用する能力 (学習、透明性、人間の責任、正義、機密保持に奉仕すること)。
プライバシーのリスクを評価し、試験問題、学生データ、未発表の研究などの機密コンテンツに対して適切な予防措置を講じる能力
モジュールのすべての部分 (本番 + 検証) を単一のエンドツーエンドのワークフローに結合し、各本番ステップを検証ステップと最終的な人間の承認で完了する機能

この最後の単元では、2 つのことを組み合わせます。一方では、数学における人工知能の使用の倫理的、学術的完全性、および機密性の側面です。一方、モジュール全体で学んだことを単一のエンドツーエンドのワークフローにまとめます。数学における AI は強力なツールですが、権限だけでなく責任も伴います。誰のために、何のために、どのように使用するかによって倫理的な影響が生じます。生徒が AI に宿題をやってもらうことと、教師が AI で授業の教材をスピードアップすることはまったく別のことです。このユニットは、責任を持って使用することで技術スキルを補完します。

いくつかの定義。学術的誠実とは、作品の実際の所有者が誰であるかを正直に示すことを意味し、学習を手短にしないことを意味します。盗作とは、他人 (または媒体) の製品をあたかも自分のオリジナル製品であるかのように提示することです。透明性とは、AI が使用される場所を明確にすることを意味します。これらの概念は、AI 時代の数学教育の中心となっています。

倫理的使用の基本原則

学習の代わりではなく、学習に役立つのです。 AI は、学生が概念を学習するのをサポートできます (説明、別の説明)。しかし、代わりに学生に考えさせるべきではありません。 AIに宿題をさせると学習が損なわれてしまいます。
透明性。記事、コース教材、レポートなど、AI が使用された場所を示します。隠蔽は不誠実です。
責任は人間にあります。 AI の出力を出版、教育、提供する人は誰でも、その正確さに対して責任を負います。「AIがそう言った」は言い訳になりません。
正義。評価における AI の使用は、すべての生徒に対して平等かつ明確なルールによって管理される必要があります。
安全。試験問題、学生データ、未発表の研究などの機密情報を、機密性が保証されていない AI ツールに入力しないでください。

プライバシー: 数学の文脈ではプライバシーは何を意味しますか?

数学には「隠されたデータがない」ように見えるかもしれませんが、コンテキストは重要です。未発表の研究結果、教育機関の試験問題バンク、学生の個人成績データ、企業独自のアルゴリズムなどはすべて機密です。 AI ツールに入力したものはすべて、そのツールのプロバイダーによって処理され、場合によってはモデルのトレーニングに使用されます。したがって、機密性の高いコンテンツの場合は、ローカルまたは組織的に保護されたツールを使用するか、コンテンツを匿名化します。

データ型

リスク

予防措置

公開された定理/問題

低い

無料で利用可能

アクティブな試験問題

高い

車両に入らない、または車両を確保しないでください

学生の個人/成績データ

高い

匿名化/入力しないでください

未発表の研究

高い

セキュア/ローカルツール

講義概要

低～中

一般的に適切

注意: AI を使って試験問題を検証する前に、その問題を秘密にしておくべきかどうかを検討してください。現在の試験の問題は、機密性が保証されていない AI ツールに入力されると、理論的には暴露される可能性があります。重要な試験の場合は、質問を変更するか、企業が承認したデータプライバシーが保証されたツールのみを使用してください。

エンドツーエンドのワークフロー: タスクの例

1 週間以内にコースの教材と科目の試験の両方を準備する必要があるとします。モジュールのすべての部分を組み合わせるフローは次のようになります。

1. 計画。トピック、レベル、目的を明確にする (ユニット 7)。

2. 資料の製図。 AI にレベルに応じた講義 + 解答例を生成させます (ユニット 7)。

3. サンプルの検証。各解答例をSymPy(Unit 4)で確認してください。

4. 視覚化。 Matplotlib コードを使用して物語をサポートするグラフィックを作成およびレンダリングし、それらを数学と比較します (ユニット 6)。

5. 表記法。 LaTeX を使用してインデックスをクリーンアップし、数式をレンダリングして検証します (ユニット 10)。

6. 質問の生成。試験用に作成された多肢選択問題と注意をそらす要素を用意します (ユニット 8)。

7. 一括検証。 SymPy ですべての問題を一括で解き、解答キーを確認します (ユニット 8、9)。

8. 倫理と透明性の管理。守秘義務は適切ですか？必要に応じてAIの活用を資料に記載していますか？最終的な責任はあなた（このユニット）にあります。

9. 人間の承認。最後にもう一度すべてを見直して確認します。未検証の作品は放送/テストされません。

ヒント: エンドツーエンドのワークフローでは、AI を「スピード層」、決定論的ツール (SymPy、レンダリング) を「正確性層」、そして自分自身を「判断と責任の層」として位置付けるのが最も効率的な戦略です。すべての製造ステップの後には検証ステップが続く必要があります。未検証の出力を次のステップに持ち越すべきではありません。

ミニケース3個

ケース 1 — 透明性により信頼が築かれます。ある学者は教科書の章の初稿で AI を使用し、その後すべての数学的主張を検証し、序文で「原稿の作成には AI のサポートが得られ、すべての内容は著者によって検証された」と述べました。この透明性により同僚の信頼が高まり、誠実さの基準が維持されました。

ケース 2 — 学習を損なう使用。ある生徒はAIに宿題を全部解かせて提出させた。彼はその概念を学んだことがなかったため、同じ科目で試験に落ちました。教師は、「解答を確認して別の説明を得る」ために AI を使用することを提案しましたが、まず自分で問題を解決してください。 AI は学習に役立つべきであり、代わりに使用されるべきではありません。

ケース 3 — プライバシー侵害のリスク。ある教師は、まだ実施されていない中央試験の問題を検証するために一般的な AI ツールをハッキングすることを検討しましたが、その後、それを中止しました。代わりに、彼は自分と同僚と一緒に SymPy で問題を解決しました。外部ツールに有効な試験問題を入力することは、重大なプライバシーリスクでした。ローカル認証により安全なパスが提供されました。

コピー可能な 4 つのテンプレート

１）学習をサポートする用途（学生向け）：

私は最初にこの問題を解決しました。私の解決策は添付されています。私に解決策を教えないでください。どこが間違っていたのか、どの概念を誤解していたのかを示して、修正できるようにしてください。私の解決策: [ここ]

2) 透明ノートの生成:

【教材・レポート】を作成し、草稿の段階でAIを活用し、すべての計算を自分で検証しました。これを正直に述べた、専門的な透明性に関する短いメモを作成します。

3) プライバシーの事前チェック:

AI ツールに入力する前に、次のコンテンツのプライバシーを確認したいと考えています: [コンテンツタイプ]。このタイプのコンテンツは機密性が高いとみなされますか、どのようなリスクがありますか、どのような予防策 (匿名化、ローカルツール) をとるべきですか?短く明確に言いましょう。

4) エンドツーエンドの検証制御計画:

[主題] の教材と試験を準備します。生産の各段階でどのような検証を行う必要があるかを管理計画としてリストします。サンプル検証、グラフィック制御、表記法、回答キー、機密保持、人間による承認です。

弱いプロンプト / 強いプロンプト

弱者: 「これらの宿題の質問を解いてください。そうすれば私が提出します。」 (学生)

結果: 学習が省略され、学問的誠実さが侵害され、学生は概念を学習できなくなります。それは倫理的にも教育的にも好ましくありません。

Güçlü: 「この宿題の問題を解こうとしましたが、行き詰まってしまいました。解決策は添付されています。答えを直接言わないでください。どのステップが間違っていたのか、なぜ間違えたのかを手掛かりとともに示し、正しい概念を思い出させてください。その後、もう一度挑戦します。」

結論: AI は学習サービスに使用されます。学生は考え続け、正直さが保たれます。

よくある間違い

学習をスキップするために使用します。 AI に宿題をさせるのは短期的には簡単ですが、長期的には学習を破壊します。
透明ではないこと。 AI の使用を隠すことは学術の誠実さに反します。必要に応じて指定してください。
AIに責任を負わせる。「AIがそう言った」は言い訳にはなりません。出版社/教師が責任を負います。
外部ツールに機密コンテンツを入力する。現在の試験、学生データ、未発表の研究は機密情報です。
検証はワークフローの最後まで残します。検証は各生産ステップの後に行う必要があります。エラーが蓄積してはいけません。

要約すると

数学における AI の使用には、技術的スキルだけでなく倫理的責任も必要です。AI は学習の代わりにではなく、学習に役立つものであり、透明性があり、最終的な責任を保持し、公正なルールを遵守し、機密性を尊重する必要があります。エンドツーエンドのワークフローでは、AI が速度レイヤー、SymPy とレンダリングツールが精度レイヤー、そして人間が判断と責任レイヤーになります。各生産ステップの後には検証ステップが続く必要があります。未検証の成果物を出版、講義、試験に使用してはなりません。これがこのモジュールの本質です。AI を使用して高速化しますが、各ステップを検証し、責任を負います。

アプリケーションタスク

小規模なエンドツーエンドのタスクを設計します。つまり、トピックに対する短い説明 + 1 つのグラフ + 3 つの多肢選択式の質問です。モジュールのフローに従います: (1) 計画、(2) AI によるドラフト、(3) SymPy による例の検証、(4) グラフのレンダリングとチェック、(5) LaTeX による表記のクリーンアップとレンダリング、(6) SymPy による質問のバッチ検証、(7) プライバシーと透明性のチェックを行う、(8) 人間による最終承認。どのような検証を行ったのか、各ステップで何が見つかったのかを記録します。プロセスの最後に、AI によって時間を節約できる部分と、ユーザーの判断が不可欠な部分を評価します。

チェックリスト

[ ] 私は学習 (代わりではなく) のために AI を使用しました。
[ ] 私は必要に応じて AI を使用することを明確に述べてきました。
[ ] 私は最終的な正確性について責任を負います。
[ ] 安全でないツールを使用して機密/機密コンテンツにアクセスしませんでした。
[ ] 各製造ステップを検証ステップで追跡しました。
[ ] 未検証の出力をブロードキャスト/レッスン/試験に持ち込むことはありませんでした。

モジュール試験

1. 数学における人工知能の位置付けとして最も正確なものは次のうちどれですか?

A) 人工知能は戦略、青写真、組織化ツールです。決定論的な手段によって正確な計算と結果を検証するのは人間の責任です ✔
B) 人工知能は計算機のようなもので、人工知能が与える数値結果はすべて正確です
C) 人工知能が自信を持って提示する結論は決して間違っていないため、検証は不要です
D) 人工知能はテキストを書く場合にのみ役立ち、数学的なタスクとは何の関係もありません

説明: 大規模言語モデルは、テキストを統計的に生成するツールです。これは計算機や証明チェッカーではありません。ほとんどの場合、正しい数学が生成されますが、それを保証するものではありません。したがって、すべての出力は決定論的ツール (SymPy、計算機、手動検証) を使用して検証する必要があり、責任は人間にあるべきです。

2. 生徒は人工知能に積分を解くように依頼し、その結果を取得したいと考えています。結果を検証する最も信頼できる方法は何ですか?

A) 結果を微分して元の関数に戻るか確認する(SymPyまたは手動) ✔
B) 人工知能に「これは本当ですか?」と尋ねます。尋ねる
C) 結果が流暢かつ自信を持って提示されているため、結果をそのまま受け入れる。
D) 結果をまったく確認せずに別の質問に進む

説明: 導関数-積分逆関数は、数学に組み込まれた検証ツールです。見つかった結果の導関数を取得し、それが元の関数に戻るかどうかを独立してチェックすることで、積分の正しさが確認されます。同じクロスチェックは SymPy でも実行できます。

3. 人工知能による問題解決における「正しい結果が正しい方法ではない」という原則は何を意味しますか?

A) 正しい結果は常にその道も正しいことを証明します
B) 経路は重要ではない、結果のみが得点されるべきである
C) 中間ステップが間違っていると、偶然正しい結果が得られる可能性があります。したがって、結果と各中間ステップの両方を検査する必要があります ✔
D) 確固たる道を見つけることは不可能だから、結果だけを見る

説明: 中間ステップが間違っていると、偶然正しい結果が得られることがあります。結果が正しくても、パスが無効である可能性があります。だから数学では「結果は正しいか？」だけが問題なのです。むしろ、「中間の各ステップは正しいか?」この質問も重要であり、すべてのステップを監視する必要があります。

4. AI が証明の中で「一般性を失わずに」というフレーズを使用した場合はどうすればよいですか?

A) 発言が流暢であるため、証明が有効であることを受け入れる
B) 一般性が実際には破られていないことを自分自身で正当化する。 ✔ 問答無用で受け付けない
C) まったく読まずに証明が有効であると考える
D) この式を定理名としてソースから検索する

説明: 「一般性を失わずに」という記述は、(真の対称性がある場合には) 有効な場合もありますが、隠れた誤りである場合もあります。人工知能はこの表現をよく使います。一般性が実際には違反していないことを毎回自分自身に正当化する必要があり、その声明を疑問なく受け入れてはなりません。

5. 人工知能用の SymPy コードを作成しました。どうすれば結果を正しく取得できますか?

A) 人工知能にコードの出力を予測させる
B) コードを読まずに正しいと仮定する
C) AI による出力の解釈を信頼する
D) 実際の Python 環境でコードを自分で実行し、正確な出力を確認します ✔

説明: SymPy の能力は、コードが実際の Python 環境で実行される場合にのみ明らかになります。人工知能に「このコードは何を生成しますか?」と尋ねます。 AI がコード出力を構成することもできるため、質問することは検証ではありません。コードは自分で実行する必要があります。

6. 人工知能によって手動で見つけられた方程式の解と SymPy によって与えられた結果が異なる場合、どちらを信頼すべきですか?またその理由は何ですか?

A) SymPy の結果は決定論的で正確であるため、次に、人工知能に間違いの場所を見つけてもらいます ✔
B) より流暢に説明してくれる人工知能の成果
C) どちらも同等に信頼できるため、ランダムに 1 つを選択する
D) 両方を拒否し、問題は解決不可能であると考える

説明: SymPy は決定論的シンボリックコンピューティングシステムです。同じ入力に対して常に同じ正確な正しい結果を返します。人工知能は統計的にテキストを生成し、幻覚を引き起こす可能性があります。この論争では、SymPy を基礎として、人工知能に間違いの場所を見つけさせる必要があるとされています。

7. 条件 '0.1 + 0.2 == 0.3' が Python コードで期待どおりに機能しないのはなぜですか?その修正方法は何ですか?

A) Python では加算が機能しません。別の言語を使用する必要がある
B) 浮動小数点数の精度のため、完全な等価性は成立しません。「abs(a-b) < 1e-9」などの許容誤差を使用する必要があります ✔
C) 値 0.3 は正しくありません。 0.30000000004と書く必要があります
D) 条件は常に正しく動作し、問題はありません

説明: コンピュータは、精度が制限された浮動小数点形式で 10 進数を格納します。 0.1 + 0.2 は、正確に 0.3 ではなく、非常に小さな偏差で保存されます。したがって、厳密な等価性「==」の代わりに、「abs(a-b) < 1e-9」などの許容誤差を使用する必要があります。

8. 実際の問題にスカラー根探索コードを適用する前に行う最良の「常識テスト」は何ですか?

A) コードをまったくテストせずに実際の問題に直接適用する
B) コードの長さを確認し、長い場合は正しく数えます。
C) 答えがわかっている単純な入力 (例: x²-4=0 ルート ±2) でコードをテストし、期待どおりの結果が得られることを確認する ✔
D) コードが正しいことを人工知能に確認する

説明: 答えがすでにわかっている単純な入力 (たとえば、根が明らかな x²-4=0 の ±2) を使用してコードをテストするのが、最も安価で効果的な検証です。コードが既知の状況を正確に示している場合、未知の問題に対して信頼できる可能性が高くなります。

9. 視覚化において、グラフが数学を正しく反映していることをどのように確認しますか?

A) グラフが見た目に美しい場合、それは正しいとみなされます。
B) グラフを関数の既知の特性および少なくとも 1 つの点の真の値と比較する ✔
C) 軸ラベルをまったく見ていない
D) AI によるグラフの口頭説明に依存する

説明: 見栄えの良いグラフィックは正確である必要はありません。 AI は、間違った関数、間違った範囲、または歪んだ漸近線を描画する可能性があります。関数の既知の特性 (振動範囲、対称性、漸近線) および少なくとも 1 つの点の計算とグラフを比較すると、エラーが見つかります。

10. 人工知能で作成された教材で最も重要な検証ポイントは何ですか?またその理由は何ですか?

A) 素材のフォントと配色
B) 資料の長さとページ数
C) 解決された例の正確さ。生徒が彼らをモデルとして間違った例や間違った方法を教えるからです ✔
D) 材料の生産速度

説明: 解決された例は学生によってモデルとして取り上げられます。間違って解かれた例は、生徒に間違った方法を直接教えることになります。したがって、解決された各サンプルは、SymPy または手動で段階的に個別に検証する必要があります。主題の説明における多少のあいまいさは補うことができますが、間違った例は連鎖的な損害を引き起こします。

11. 人工知能によって生成された多肢選択式の質問セットを検証する最も効率的で信頼性の高い方法は何ですか?

A) 質問が正しいかどうかをもう一度人工知能に尋ねます
B) いくつかの質問だけをランダムにチェックし、残りを信頼する
C) 解答キーを何もチェックせずにそのまま使用する
D) SymPy ですべての質問を解決するコードを印刷して実行することで、回答キーをまとめて決定的に確認する ✔

説明: 人工知能は、解答キーを間違ってマークしたり、複数またはゼロの正しい選択肢を生成したりするなどの間違いを最も頻繁に犯します。 SymPy を使用してすべての質問を一度に解決するコードを作成して実行することは、解答キーを決定論的に一括して確認する最も効率的な方法です。

12. 人工知能が数学で間違いを犯す主な理由は次のうちどれですか?

A) 人工知能は言語モデルです。論理的妥当性をチェックせず、テキストを統計的に生成します ✔
B) 人工知能は数学を学んだことがない
C) 人工知能は間違った答えを返すように意図的にプログラムされています
D) 人工知能は非常に難しい問題でのみ間違いを犯し、簡単な問題では決して間違いを犯しません。

説明: 人工知能は論理エンジンではなく、統計的パターンを持つテキストを生成する言語モデルです。ステップの論理的妥当性をチェックする内部メカニズムはありません。彼にとって「3桁の掛け算」による「有効な証明」は、同じ種類の文章を生成するという作業であり、その正しさは保証されない。

13. 確率の問題の結果が 1.4 の場合、詳細を説明せずに、エラーがあるとどのように判断できますか?

A) 結果は 1.4 なので計算は正しいですが、確率は 1 を超える可能性があります。
B) 確率の符号は重要ではなく、値は関係なく受け入れられます。
C) エラーがあることが理解されていないため、結果は最終的なものとみなされます。
D) 確率は 0 から 1 の間である必要があります。 ✔ 1.4 がこの制限を超えているため、常識的なテストではエラーが示されます

説明: 常識と大きさのテストは、結果が妥当な範囲内であるかどうかを数秒以内にチェックします。確率は定義上、0 から 1 の間でなければなりません。 1.4 はこの制限の外にあるため、計算の詳細を見なくても間違いがあることは明らかです。

14. LaTeX では「e^x^2」ではなく「e^{x^2}」と書くことが重要なのはなぜですか?

A) それらは全く同じです、違いは見た目の違いだけです
B) 中括弧は指数の範囲を決定します。これがないと式は不正確または曖昧になるため、複数文字の指数 {} は必須です ✔
C) LaTeX では中括弧は役に立ちません
D) 「e^x^2」は常に true であり、「{}」の使用は不要です

説明: LaTeX で最も一般的なエラーはスコープエラーです。中括弧 '{}' が複数文字の指数、添え字、または分数で使用されていない場合、最初の文字だけがカバーされ、式は正しくなくなります (または曖昧になります)。 'e^{x^2}' は、指数全体が x² であることを明らかにします。コードはレンダリングされ、目視検査によって検証される必要があります。

15. 現役のセンター試験の問題を人工知能によって検証させたいと考えています。倫理とプライバシーの観点から最善のアプローチは何ですか?

A) 数学には機密データが含まれないため、一般的な AI ツールに自由に質問を入力できます
B) 試験問題を検証せずに使用すること
C) 安全な/ネイティブツール (SymPy など) を使用して質問を検証するか、プライバシーが保証されたエンタープライズツールのみを使用して質問を検証する ✔
D) ソーシャルメディアで質問を共有し、他の人にコントロールを求める

説明: 現在の試験の問題は機密性の高いものです。理論的には、機密性が保証されていない人工知能ツールがハッキングされた場合に暴露される可能性があります。正しいアプローチは、安全な/ネイティブツール (SymPy の同僚など) を使用して質問を検証するか、企業認定のデータプライバシーが保証されたツールのみを使用することです。