नफा:
- विद्यार्थी डेटा हा वैयक्तिक आणि अनेकदा खाजगी डेटा आहे हे समजून घेणे आणि KVKK आणि व्यावसायिक गोपनीयतेच्या कार्यक्षेत्रातील अनामीकरण आणि स्टोरेज नियम
- सार्वजनिकरित्या उपलब्ध कृत्रिम बुद्धिमत्ता साधनांमध्ये डेटा प्रविष्ट करताना डी-आयडेंटिफिकेशनचा सराव करण्याची आणि सुरक्षित/संस्थात्मक साधन निवडण्याची क्षमता
- डेटा शेअरिंगला संमती समजणे, डेटा कमी करणे आणि शाळा धोरणाचे पालन करणे ही शिक्षकांची जबाबदारी आहे.
शिक्षकाला त्याच्या नोकरीच्या कालावधीत अत्यंत संवेदनशील माहितीमध्ये प्रवेश असतो: ग्रेड, वर्तणूक रेकॉर्ड, आरोग्य स्थिती, कौटुंबिक माहिती, मार्गदर्शन संभाषणे, सामाजिक-आर्थिक डेटा. ही माहिती विद्यार्थ्याच्या सर्वात खाजगी क्षेत्राशी संबंधित आहे आणि जेव्हा ती चुकीच्या हातात पडते तेव्हा ती आयुष्यभराची हानी होऊ शकते. बहुतेक AI टूल्स क्लाउड-आधारित असतात — म्हणजे तुम्ही टाइप केलेला मजकूर तुमच्या कॉम्प्युटरवर नसून रिमोट कंपनी सर्व्हरवर प्रोसेस केला जातो आणि काही टूल्समध्ये ते मॉडेल विकसित करण्यासाठी वापरले जाऊ शकते. त्यामुळे विद्यार्थ्याची माहिती सार्वजनिक AI मध्ये लिहिणे म्हणजे ती तुमच्या नियंत्रणाबाहेर काढणे. हे युनिट अध्यापनात AI वापरण्यासाठी सुरक्षिततेचा सर्वात गंभीर स्तर स्थापित करते. नियम स्पष्ट आहे: प्रथम विद्यार्थ्यांचा डेटा निनावी करा, शक्य असल्यास सुरक्षित/संस्थात्मक साधने वापरा; जबाबदारी शिक्षकावर आहे.
कोणता डेटा संरक्षित आहे? KVKK चे फ्रेमवर्क
वैयक्तिक डेटा ही अशी कोणतीही माहिती आहे जी एखाद्या व्यक्तीला विशिष्ट किंवा ओळखण्यायोग्य बनवते: नाव-आडनाव, शाळा क्रमांक, ओळखपत्र, छायाचित्र किंवा अगदी अप्रत्यक्ष वर्णन जसे की "3-A चा सर्वात उंच विद्यार्थी" एका संदर्भात. विशेष (संवेदनशील) वैयक्तिक डेटा अधिक मजबूतपणे संरक्षित केला जातो: आरोग्य, वांशिकता, धर्म, गुन्हेगारी सिद्धता, बायोमेट्रिक डेटा, असोसिएशन/युनियन सदस्यत्व. विद्यार्थ्याचा आरोग्य अहवाल, शिकण्याच्या अपंगत्वाचे निदान किंवा कौटुंबिक आघात या वर्गवारीत आहेत.
KVKK (वैयक्तिक डेटा संरक्षण कायदा) साठी वैयक्तिक डेटावर कायदेशीररित्या, विशिष्ट हेतूसाठी, मोजमाप आणि सुरक्षित पद्धतीने प्रक्रिया करणे आवश्यक आहे. शिक्षकांसाठी व्यावहारिक परिणाम: फक्त आवश्यकतेनुसार डेटा वापरा (डेटा कमी करणे), डेटाचा गैरवापर करू नका, सुरक्षित ठेवा, परवानगीशिवाय तृतीय पक्षांसह (सार्वजनिक AI सह) सामायिक करू नका. व्यावसायिक गोपनीयतेचे बंधन देखील आहे: शिक्षक विद्यार्थ्याबद्दल आणि त्याच्या कुटुंबाबद्दल शिकलेली माहिती उघड करू शकत नाही.
खबरदारी: "कंपनी तरीही हे वाचत नाही" असे गृहीत धरणे सुरक्षित नाही. काही मोफत AI टूल्स प्रशिक्षणात इनपुट साठवू/ वापरू शकतात. एकदा डेटा संपला की तो परत मिळवता येत नाही. सर्वात सुरक्षित गोष्ट म्हणजे डेटा कधीही बाहेर न घेणे.
अनामिकरण: ते एक प्रतिक्षेप बनवणे
अनामिकरण म्हणजे डेटामधून एखाद्या व्यक्तीला ओळखणारे सर्व घटक काढून टाकणे आणि त्याचे अपरिवर्तनीयपणे सामान्यीकरण करणे. सराव मध्ये:
- नाव-आडनाव → "विद्यार्थी A", "एक विद्यार्थी"
- शाळा क्रमांक, टीआर आयडी, वर्ग-शाखा → पूर्णपणे काढून टाका
- पालकांचे नाव, फोन, पत्ता → काढून टाका
- दुर्मिळ/वर्णनात्मक तपशील → सामान्यीकरण ("एक विद्यार्थी जो व्हीलचेअर वापरतो" सारखी वाक्ये त्या व्यक्तीला सोडून देतात; म्हणा "एक विद्यार्थी")
- शाळा/संस्थेचे नाव → बाहेर पडा किंवा "आमची शाळा" म्हणा
AI ला मजकूर देण्यापूर्वी, एखादा अनोळखी व्यक्ती तो वाचेल असे गृहीत धरा: या मजकुरावरून ते कोणते मूल आहे हे समजू शकते का? जर ते स्पष्ट असेल तर पुढे सामान्यीकरण करा.
सुरक्षित वाहन निवड
सर्व AI साधने सारखी नसतात. तुमची शाळा/संस्थेद्वारे प्रदान केलेली कॉर्पोरेट साधने सर्वात सुरक्षित आहेत, त्यांच्याकडे डेटा प्रोसेसिंग करार (DPA) आहे आणि शिक्षणामध्ये इनपुट वापरत नाहीत. विनामूल्य, सार्वजनिकरित्या उपलब्ध साधनांसह, गृहीतक सर्वात वाईट परिस्थिती असावी. एखादे साधन निवडताना, विचारा: माझे इनपुट जतन केले आहेत का? त्याचा उपयोग शिक्षणात होतो का? डेटावर प्रक्रिया कुठे केली जाते? शाळेचे धोरण या साधनाला मान्यता देते का? तुम्हाला खात्री नसल्यास, डेटा अज्ञात न ठेवता वापरू नका.
चरण-दर-चरण: खाजगी-सुरक्षित कार्यप्रवाह
- वैयक्तिक डेटासाठी स्कॅन करा. नाव, संख्या, संस्था, संवेदनशील परिस्थिती.
- अनामिक करा. सामान्य अभिव्यक्तींसह पुनर्स्थित करा; ओळखीचे तपशील हटवा.
- डेटा मिनिमायझेशन लागू करा. कार्यासाठी आवश्यक नसलेली कोणतीही माहिती जोडू नका.
- वाहन निवडा. शक्य असल्यास संस्थात्मक; नसल्यास, सर्वात वाईट परिस्थिती गृहीत धरा.
- त्याचा वापर करा. केवळ निनावी मजकूरासह कार्य करा.
- आउटपुट देखील तपासा. AI तुम्ही दिलेली माहिती परत प्रतिबिंबित करू शकते; आउटपुटमध्ये कोणतीही ओळख गळती नसावी.
तीन लहान प्रकरणे
केस 1 - शेवटच्या मिनिटात कॅप्चर. एका मार्गदर्शन समुपदेशकाने विद्यार्थ्याच्या कौटुंबिक समस्येबद्दल सल्ला घेण्यासाठी AI ला लिहिले; मजकुरात नाव, श्रेणी आणि "त्याची आई रुग्णालयात आहे." त्याने ते न पाठवता लक्षात घेतले, "13 वर्षांचा विद्यार्थी, त्याच्या कुटुंबातील आरोग्याचे आव्हान" असे सर्व सामान्यीकरण केले. त्याला मिळालेल्या सामान्य दृष्टिकोनाच्या सूचना कामी आल्या; कोणताही वैयक्तिक डेटा लीक झाला नाही.
केस 2 - अप्रत्यक्ष ओळख. एका शिक्षकाने AI ला लिहिले की ते "वर्गातील केवळ दृष्टिहीन विद्यार्थ्यासाठी साहित्य आहे." नाव नव्हते, पण शाळेत त्या मुलाचे वर्णन नक्कीच होते. जेव्हा त्याच्या लक्षात आले, तेव्हा त्याने ते बदलून "अशा विद्यार्थ्यासाठी ज्याला दृष्टी समर्थनाची आवश्यकता आहे." अनामिकरण म्हणजे केवळ नावे हटवणे नव्हे तर ओळखीचे तपशील लपवणे.
केस 3 - वाहन निवड. एका शाळेने शिक्षकांना विद्यार्थ्यांच्या डेटासह विनामूल्य साधने वापरण्यास बंदी घातली आणि डेटा सुरक्षिततेसह एंटरप्राइझ टूल प्रदान केले. एक शिक्षक सवयीबाहेर मोफत साधनात नोट विश्लेषण पेस्ट करेल; पॉलिसी रिमाइंडरबद्दल धन्यवाद, त्याने कॉर्पोरेट टूलवर स्विच केले आणि तरीही डेटा अनामित केला. संरक्षणाचे दोन स्तर एकत्र.
कॉपी करण्यायोग्य टेम्पलेट्स
1) प्री-अनामायझेशन स्कॅनिंग:
असे गृहीत धरा की एक अनोळखी व्यक्ती खालील मजकूर वाचेल. तो कोणता विद्यार्थी आहे हे या मजकुरावरून प्रत्यक्ष किंवा अप्रत्यक्षपणे समजू शकते का? ओळख (नाव, संख्या, संस्था, दुर्मिळ वैशिष्ट्य) देणाऱ्या सर्व अभिव्यक्तींची यादी करा आणि प्रत्येकासाठी एक सामान्य पर्याय सुचवा. मजकूर: [पेस्ट]
२) सुरक्षित वाहनाचे स्व-मूल्यांकन:
मी वापरत असलेल्या AI साधनाचे मूल्यांकन करण्यासाठी 6 प्रश्नांची चेकलिस्ट लिहा: इनपुट स्टोरेज, शिक्षणात वापर, डेटा स्थान, संस्थात्मक मान्यता, हटविण्याचा अधिकार, संवेदनशील डेटा अनुपालन. प्रत्येक प्रश्नात "होय असल्यास काय करावे/नाही असल्यास काय करावे" जोडा.
3) डेटा किमान नियंत्रण:
पुढील कार्यासाठी मी AI ला देईन तो मजकूर सोपा करा: कार्यासाठी आवश्यक नसलेले कोणतेही वैयक्तिक/संदर्भ तपशील काढून टाका, फक्त काम करण्यासाठी जे आवश्यक आहे ते सोडून द्या. कार्य: [वर्णन]. मजकूर: [पेस्ट]
४) मसुदा शाळा धोरण (शिक्षकांसाठी):
विद्यार्थ्यांचा डेटा सुरक्षित करण्यासाठी AI टूल्स वापरण्यासाठी शाळेतील शिक्षकांसाठी नियमांची एक लहान, स्पष्ट 8-बिंदू सूची तयार करा: अनामिकरण, मंजूर साधन, संवेदनशील डेटा, धारणा, संमती, उल्लंघन सूचना. तेथे तुर्की, लागू लेख असू द्या. मी हे व्यवस्थापन/तज्ञांच्या मान्यतेसाठी सबमिट करेन.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
Ahmet Yılmaz, 7-B क्रमांक 214, गणितात खूप कमकुवत आहे आणि त्याचे वडील उदासीन आहेत; मी या विद्यार्थ्यासाठी काय करावे?
नाव, संख्या, वर्ग, कौटुंबिक अधिकार क्षेत्र - गोपनीयतेचे घोर उल्लंघन; डेटा तुमच्या नियंत्रणाबाहेर आहे.
शक्तिशाली सूचना:
3 समर्थन धोरणे सुचवा ज्या 7 व्या वर्गातील विद्यार्थ्यासाठी शाळेत लागू केल्या जाऊ शकतात ज्यांना गणितातील मूलभूत ऑपरेशन्समध्ये अडचण येत आहे, गृहीत धरून की घरी मर्यादित समर्थन आहे. (विद्यार्थी निनावी; मी कोणतीही वैयक्तिक माहिती सामायिक करत नाही.)
डेटा प्रकार
उदाहरण
ते AI ला दिले जाते का?
कसे
थेट ओळख
नाव, क्रमांक, टीआर
नाही
पूर्णपणे काढून टाका
अप्रत्यक्ष ओळख
"अविकलांग विद्यार्थी"
नाही
सामान्यीकरण
संवेदनशील डेटा
आरोग्य, निदान, कुटुंब
खूप सावध
अनामित + एंटरप्राइझ साधन
सामान्य शैक्षणिक परिस्थिती
"एक धडपडणारा विद्यार्थी"
होय
अनामितपणे
सामान्य चुका
- फक्त नाव हटवा. संख्या, वर्ग किंवा अप्रत्यक्ष व्याख्या राहिल्यास, ओळख अद्याप स्पष्ट आहे.
- अप्रत्यक्ष व्याख्येकडे दुर्लक्ष करणे. "तुम्ही तुमच्या वर्गात एकटेच आहात..." यासारखे अभिव्यक्ती त्या व्यक्तीला सोडून देतात.
- संवेदनशील डेटा हलके घेणे. आरोग्य/कौटुंबिक माहिती विशेष डेटा आहे आणि उच्च संरक्षण आवश्यक आहे.
- वाहन सुरक्षा गृहीत धरून. विनामूल्य साधन डेटा संचयित करत नाही असे मानणे धोकादायक आहे; सर्वात वाईट गृहीत धरा.
- आउटपुट नियंत्रित करत नाही. AI तुम्ही प्रतिसादात प्रदान केलेल्या क्रेडेन्शियलची पुनरावृत्ती करू शकते; आउटपुट देखील स्वच्छ करा.
टीप: “दोन मिनिटांचा नियम”: AI मध्ये कोणताही विद्यार्थी-संबंधित मजकूर पेस्ट करण्यापूर्वी, नाव, क्रमांक, संस्था आणि ओळख तपशील साफ करण्यासाठी दोन मिनिटे द्या. ही लहान सवय सर्वात मोठ्या उल्लंघनांना प्रतिबंधित करते.
सारांशात
विद्यार्थ्यांचा डेटा हा वैयक्तिक असतो, अनेकदा खाजगी डेटा असतो आणि तो KVKK आणि व्यावसायिक गोपनीयतेखाली संरक्षित असतो. सार्वजनिक AI साधने क्लाउड-आधारित आहेत; डेटा जसा आहे तसा दिल्याने तो नियंत्रणाबाहेर जातो. योग्य मार्ग: वैयक्तिक आणि अप्रत्यक्षपणे ओळखणारी माहिती निनावी करण्यासाठी, आवश्यक तेच शेअर करा (डेटा कमी करणे), शक्य असल्यास कॉर्पोरेट आणि मंजूर साधने वापरा आणि आउटपुटचे ऑडिट करा. जबाबदारी शिक्षकावर आहे.
अर्ज कार्य
तुम्ही गेल्या आठवड्यात AI वर लिहिलेल्या (किंवा लिहिण्याच्या विचारात आहात) विद्यार्थ्याबद्दल मजकूर घ्या. सर्व प्रत्यक्ष आणि अप्रत्यक्ष अभिज्ञापक "प्री-ॲनोनायझेशन स्क्रीनिंग" टेम्प्लेटसह शोधा आणि सामान्यीकृत करा. त्यानंतर तुम्ही वापरत असलेल्या AI टूलचे “Secure टूल सेल्फ-ॲसेसमेंट” सूचीच्या विरूद्ध मूल्यांकन करा आणि या टूलसह तुम्ही कोणत्या प्रकारचा डेटा वापरू शकता ते ठरवा.
चेकलिस्ट
- [ ] मी नाव, क्रमांक, टीआर आयडी, संस्था यासारखे डायरेक्ट आयडेंटिफायर काढले आहेत का?
- [ ] मी अप्रत्यक्ष वर्णन करणारे सामान्यीकृत केले आहेत जसे की "तुमच्या वर्गातील एकमेव..."?
- [ ] मी संवेदनशील (आरोग्य/कुटुंब) डेटावर अतिरिक्त संरक्षणासह उपचार केले आहेत का?
- मी वापरत असलेल्या वाहनाची डेटा पॉलिसी आणि शाळेची मान्यता तपासली आहे का?
- [ ] मी आउटपुटमध्ये देखील ओळख लीक तपासली आहे का?