लाभ:
- गणितमा कृत्रिम बुद्धिमत्ता प्रयोग गर्ने नैतिक सिद्धान्तहरू बुझ्न र लागू गर्ने क्षमता (सिकाई, पारदर्शिता, मानव जिम्मेवारी, न्याय, गोपनीयताको सेवामा रहेको)।
- गोपनीयता जोखिमहरू मूल्याङ्कन गर्न र परीक्षा प्रश्नहरू, विद्यार्थी डेटा र अप्रकाशित अनुसन्धान जस्ता संवेदनशील सामग्रीहरूमा उपयुक्त सावधानीहरू लिन सक्ने क्षमता।
- मोड्युलका सबै भागहरू (उत्पादन + प्रमाणिकरण) एकल अन्त-देखि-अन्त कार्यप्रवाहमा संयोजन गर्ने क्षमता, प्रमाणीकरण चरण र अन्तिम मानव अनुमोदनको साथ प्रत्येक उत्पादन चरण पूरा गर्दै।
यस अन्तिम एकाईमा हामी दुई चीजहरू संयोजन गर्छौं: एकातिर, गणितमा कृत्रिम बुद्धिमत्ताको प्रयोगको नैतिक, शैक्षिक अखण्डता र गोपनीयता आयामहरू; अर्कोतर्फ, हामीले मोड्युल भरि सिकेका कुराहरूलाई एकल अन्त-देखि-अन्त कार्यप्रवाहमा सँगै ल्याउन। गणितमा एआई एक शक्तिशाली उपकरण हो, तर यो जिम्मेवारी र शक्तिको साथ आउँदछ: तपाईले यसलाई कसको लागि प्रयोग गर्नुहुन्छ, तपाईले यसलाई केको लागि प्रयोग गर्नुहुन्छ, र तपाईले यसलाई कसरी प्रयोग गर्नुहुन्छ नैतिक परिणामहरू छन्। एआई द्वारा आफ्नो गृहकार्य गरेको विद्यार्थी र एआई मार्फत पाठ्यक्रम सामग्रीलाई गति दिने शिक्षक एकदमै फरक कुरा हुन्। यस इकाईले जिम्मेवार प्रयोगको साथ प्राविधिक सीपलाई पूरक बनाउँछ।
केही परिभाषाहरू। अकादमिक अखण्डता भनेको इमान्दारीपूर्वक कसको कामको मालिक छ भनेर देखाउनु हो र सिकाइलाई सर्टकट गर्नु होइन। साहित्यिक चोरी भनेको अरू कसैको (वा माध्यमको) उत्पादनलाई तपाईंको आफ्नै मौलिक उत्पादनको रूपमा प्रस्तुत गर्नु हो। पारदर्शिता भनेको स्पष्ट रूपमा एआई प्रयोग भएको ठाउँमा उल्लेख गर्नु हो। यी अवधारणाहरू AI को युगमा गणित शिक्षाको केन्द्रबिन्दु भएका छन्।
नैतिक प्रयोगको आधारभूत सिद्धान्तहरू
- सिक्ने ठाउँमा होइन, सेवामा। AI ले विद्यार्थीलाई अवधारणा (स्पष्टीकरण, वैकल्पिक व्याख्या) सिक्न सहयोग गर्न सक्छ तर त्यसको सट्टा उसलाई/उनलाई सोच्न लगाउनु हुँदैन। AI ले गृहकार्य गर्नाले सिकाइलाई कमजोर बनाउँछ।
- पारदर्शिता। लेख, पाठ्यक्रम सामग्री, वा रिपोर्टमा AI कहाँ प्रयोग गरिएको थियो भनेर संकेत गर्नुहोस्। लुकाउनु बेइमान हो।
- जिम्मेवारी मानिसको हो । AI आउटपुट प्रकाशित गर्ने, सिकाउने वा डेलिभर गर्ने कोही पनि यसको शुद्धताका लागि जिम्मेवार छन्। "एआईले त्यसो भन्यो" बहाना होइन।
- न्याय। मूल्याङ्कनमा AI को प्रयोग सबै विद्यार्थीहरूको लागि समान र स्पष्ट नियमहरूद्वारा शासित हुनुपर्छ।
- सुरक्षा। संवेदनशील जानकारी, जस्तै परीक्षा प्रश्न, विद्यार्थी डेटा, वा अप्रकाशित अनुसन्धान, AI उपकरणहरूमा प्रविष्ट नगर्नुहोस् जसको गोपनीयता ग्यारेन्टी छैन।
गोपनीयता: गणितको सन्दर्भमा यसको अर्थ के हो?
यद्यपि गणितमा "कुनै लुकेको डाटा" छैन जस्तो लाग्न सक्छ, सन्दर्भ महत्त्वपूर्ण छ। अप्रकाशित अनुसन्धान नतिजा, संस्थाको परीक्षा प्रश्न बैंक, विद्यार्थीहरूको व्यक्तिगत कार्यसम्पादन डेटा, वा कम्पनीको स्वामित्वको एल्गोरिदम—सबै संवेदनशील हुन्छन्। तपाईंले AI उपकरणमा इनपुट गर्ने सबै कुरा त्यो उपकरणको प्रदायकद्वारा प्रशोधन गर्न सकिन्छ र, केही अवस्थामा, मोडेललाई प्रशिक्षण दिन प्रयोग गरिन्छ। त्यसैले संवेदनशील सामग्रीको लागि, या त स्थानीय रूपमा/संस्थागत रूपमा सुरक्षित उपकरणहरू प्रयोग गर्नुहोस् वा सामग्री गुमनाम गर्नुहोस्।
डाटा प्रकार
जोखिम
सावधानी
प्रकाशित प्रमेय/समस्या
कम
स्वतन्त्र रूपमा उपलब्ध
सक्रिय परीक्षा प्रश्नहरू
उच्च
सवारी साधनमा प्रवेश वा सुरक्षित नगर्नुहोस्
विद्यार्थी व्यक्तिगत/प्रदर्शन डाटा
उच्च
बेनामी / प्रविष्ट नगर्नुहोस्
अप्रकाशित अनुसन्धान
उच्च
सुरक्षित/स्थानीय उपकरण
व्याख्यान रूपरेखा
कम-मध्यम
सामान्यतया उपयुक्त
सावधानी: परीक्षा प्रश्न प्रमाणित गर्न AI मा जानु अघि, त्यो प्रश्न गोप्य रहनु पर्छ कि भनेर विचार गर्नुहोस्। सक्रिय परीक्षाका प्रश्नहरू सैद्धान्तिक रूपमा खुलासा गर्न सकिन्छ जब एआई उपकरणमा प्रवेश गरिन्छ जसको गोपनीयता ग्यारेन्टी छैन। महत्वपूर्ण परीक्षाहरूको लागि, या त प्रश्नहरू परिवर्तन गर्नुहोस् वा केवल कर्पोरेट-अनुमोदित, डेटा गोपनीयता-आश्वासित उपकरणहरू प्रयोग गर्नुहोस्।
अन्त-देखि-अन्त कार्यप्रवाह: एक उदाहरण कार्य
मानौं तपाईले एक हप्ता भित्र पाठ्यक्रम सामग्री र एक विषयको लागि परीक्षा दुवै तयार गर्न आवश्यक छ। मोड्युलको सबै भागहरू संयोजन गर्ने प्रवाह यस्तो हुन सक्छ:
1. योजना। विषय, स्तर र उद्देश्यहरू स्पष्ट गर्नुहोस् (एकाइ 7)।
2. सामग्री ड्राफ्ट गर्दै। AI ले स्तर-उपयुक्त व्याख्यानहरू + समाधान गरिएका उदाहरणहरू (एकाइ 7) उत्पादन गर्नुहोस्।
3. नमूना प्रमाणिकरण। SymPy (इकाई 4) को साथ प्रत्येक हल गरिएको उदाहरण जाँच गर्नुहोस्।
4. दृश्यावलोकन। Matplotlib कोडको साथ कथालाई समर्थन गर्न ग्राफिक्स उत्पादन र रेन्डर गर्नुहोस् र तिनीहरूलाई गणित (इकाई 6) सँग तुलना गर्नुहोस्।
5. नोटेशन। LaTeX (इकाई 10) सँग सूत्रहरू सफा गर्नुहोस्, रेन्डर गर्नुहोस् र प्रमाणित गर्नुहोस्।
6. प्रश्न उत्पादन। बहुविकल्पीय प्रश्नहरू + परीक्षाको लागि उत्पादित डिस्ट्रक्टरहरू (इकाई 8)।
7. बल्क प्रमाणीकरण। SymPy मार्फत सबै प्रश्नहरू थोकमा समाधान गर्नुहोस् र उत्तर कुञ्जी जाँच गर्नुहोस् (एकाइ 8, 9)।
8. नैतिकता र पारदर्शिता नियन्त्रण। के गोपनीयता उपयुक्त छ? के तपाईंले आवश्यक हुँदा सामग्रीमा AI को प्रयोग बताउनुभएको छ? तपाईंसँग अन्तिम जिम्मेवारी छ (यो एकाइ)।
9. मानव अनुमोदन। अन्तिम पटक सबै कुराको समीक्षा र पुष्टि गर्नुहोस्। कुनै पनि अप्रमाणित टुक्रा एयर/परीक्षणमा जानेछैन।
सुझाव: अन्त-देखि-अन्त कार्यप्रवाहमा, सबैभन्दा प्रभावकारी रणनीति भनेको AI लाई "स्पीड लेयर", नियतात्मक उपकरण (SymPy, रेन्डर) लाई "करेक्टनेस लेयर" को रूपमा र आफैलाई "न्याय र उत्तरदायित्व तह" को रूपमा राख्नु हो। प्रत्येक उत्पादन चरण प्रमाणीकरण चरण द्वारा पछ्याउनुपर्दछ; अप्रमाणित आउटपुट अर्को चरणमा अगाडि बढ्नु हुँदैन।
तीन मिनी केसहरू
केस १ - पारदर्शिताले विश्वास निर्माण गर्यो। एक प्राज्ञिकले पाठ्यपुस्तकको अध्यायको पहिलो मस्यौदामा AI प्रयोग गर्यो, त्यसपछि प्रत्येक गणितीय दावी प्रमाणित गर्यो र प्रस्तावनामा भने कि "एआई समर्थन पाण्डुलिपिको उत्पादनमा प्राप्त भएको थियो, सबै सामग्री लेखकद्वारा प्रमाणित गरिएको थियो।" यो पारदर्शिताले सहकर्मीहरूको विश्वास बढायो र निष्ठाको स्तर कायम राख्यो।
केस २ - सिकाइलाई कमजोर बनाउने प्रयोग गर्नुहोस्। एक विद्यार्थीले AI लाई आफ्नो सम्पूर्ण गृहकार्य सेट हल गरेर बुझाउन लगाए। उनी सोही विषयमा परीक्षामा फेल भए किनभने उनले अवधारणाहरू कहिल्यै सिकेका थिएनन्। शिक्षकले AI को प्रयोग गरेर "समाधान जाँच गर्न र वैकल्पिक व्याख्या प्राप्त गर्न" सुझाव दिए, तर पहिले समस्या आफैं समाधान गर्न। एआई सिकाइको सेवामा हुनुपर्छ, आफ्नो ठाउँमा होइन।
केस ३ - गोपनीयता भंगको जोखिम। एक शिक्षकले केन्द्रीय परीक्षाका लागि प्रश्नहरू प्रमाणीकरण गर्न सामान्य एआई उपकरणमा ह्याक गर्ने विचार गरे जुन अहिलेसम्म प्रशासित थिएन, तर त्यसपछि यसको विरुद्ध निर्णय गरियो; बरु उसले आफै र एक सहकर्मीद्वारा SymPy मा प्रश्नहरू हल गर्यो। बाह्य उपकरणमा सक्रिय परीक्षा प्रश्नहरू प्रविष्ट गर्नु एक गम्भीर गोपनीयता जोखिम थियो; स्थानीय प्रमाणीकरणले सुरक्षित मार्ग प्रदान गर्यो।
चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू
1) सिकाइलाई समर्थन गर्ने प्रयोग गर्नुहोस् (विद्यार्थीहरूको लागि):
मैले यो समस्यालाई पहिले समाधान गरें, मेरो समाधान संलग्न छ। मलाई समाधान नदिनुहोस्; केवल मलाई देखाउनुहोस् कि म कहाँ गल्ती भएको छु र मैले कुन अवधारणालाई गलत बुझें ताकि म यसलाई सच्याउन सक्छु। मेरो समाधान: [यहाँ]
2) पारदर्शिता नोट उत्पन्न गर्दै:
मैले [पाठ्यक्रम सामग्री/रिपोर्ट] तयार गरें र मस्यौदा चरणमा AI प्रयोग गरें, सबै गणित आफैं प्रमाणित गर्दै। एउटा छोटो, व्यावसायिक पारदर्शिता नोट लेख्नुहोस् जसले यसलाई इमानदारीपूर्वक बताउँछ।
3) गोपनीयता पूर्व-जाँच:
म निम्न सामग्रीलाई AI उपकरणमा प्रविष्ट गर्नु अघि गोपनीयता-योग्य बनाउन चाहन्छु: [सामग्री प्रकार]। के यस प्रकारको सामग्रीलाई संवेदनशील मानिन्छ, त्यहाँ के जोखिमहरू छन्, मैले के सावधानीहरू (अनामकरण, स्थानीय उपकरण) लिनुपर्छ? यसलाई छोटो र स्पष्ट भन्नुहोस्।
4) अन्त-देखि-अन्त प्रमाणिकरण नियन्त्रण योजना:
म [विषय] को लागि पाठ्यक्रम सामग्री + परीक्षा तयार गर्छु। उत्पादनको प्रत्येक चरणमा मैले कुन प्रमाणीकरण गर्न आवश्यक छ भनेर नियन्त्रण योजनाको रूपमा सूची बनाउनुहोस्: नमूना प्रमाणीकरण, ग्राफिक नियन्त्रण, नोटेशन, उत्तर कुञ्जी, गोपनीयता, मानव अनुमोदन।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर: "यी गृहकार्य प्रश्नहरू समाधान गर्नुहोस् र म तिनीहरूलाई फर्काउनेछु।" (विद्यार्थी)
नतिजा: सिकाइ छोडियो, शैक्षिक अखण्डता उल्लङ्घन भयो, विद्यार्थीले अवधारणा सिक्न असफल भयो। यो नैतिक र शैक्षिक दृष्टिले आपत्तिजनक छ।
Güçlü: "मैले यो गृहकार्य प्रश्न समाधान गर्ने प्रयास गरेँ, तर म अड्किए; मेरो समाधान संलग्न छ। सीधै जवाफ नदिनुहोस्; मलाई कुन चरण र किन गल्ती गरें भन्ने संकेत दिनुहोस्, मलाई सही अवधारणा सम्झाउनुहोस्, त्यसपछि म फेरि प्रयास गर्नेछु।"
निष्कर्ष: एआई सिक्ने सेवामा प्रयोग गरिन्छ; विद्यार्थीले सोचिरहन्छ, इमानदारी कायम हुन्छ।
सामान्य गल्तीहरू
- यसलाई प्रयोग गरेर सिक्न छोड्नुहोस्। AI ले गृहकार्य गर्नु छोटो अवधिमा सजिलो हुन्छ, तर लामो अवधिमा सिकाइलाई नष्ट गर्छ।
- पारदर्शी नहुनु । AI को प्रयोग लुकाउनु शैक्षिक अखण्डता विरुद्ध हो; आवश्यक हुँदा निर्दिष्ट गर्नुहोस्।
- AI मा जिम्मेवारी राख्दै। "एआईले त्यसो भन्यो" बहाना होइन; प्रकाशक/शिक्षक जिम्मेवार छन्।
- बाह्य उपकरणमा गोप्य सामग्री प्रविष्ट गर्दै। सक्रिय परीक्षा, विद्यार्थी डेटा, अप्रकाशित अनुसन्धान संवेदनशील छन्।
- कार्यप्रवाहको अन्त्यमा प्रमाणीकरण छोड्दै। प्रमाणीकरण प्रत्येक उत्पादन चरण पछि आउनु पर्छ; त्रुटिहरू जम्मा हुनु हुँदैन।
संक्षेपमा
गणितमा AI को प्रयोगलाई नैतिक जिम्मेवारी र प्राविधिक सीप चाहिन्छ: यो सिक्ने सेवामा हुनुपर्छ (यसको ठाउँमा होइन), पारदर्शी हुनुपर्दछ, अन्तिम जिम्मेवारी कायम राख्नुपर्दछ, निष्पक्ष नियमहरूको पालना गर्नुहोस्, र गोपनीयताको सम्मान गर्नुहोस्। अन्त-देखि-अन्त कार्यप्रवाहमा, AI गति तह हो, SymPy र रेन्डरिङ उपकरणहरू सटीकता तह हुन्, र मानवहरू निर्णय र जिम्मेवारी तह हुन्। प्रत्येक उत्पादन चरण प्रमाणीकरण चरण द्वारा पछ्याउनुपर्दछ; कुनै अप्रमाणित आउटपुट प्रकाशन, व्याख्यान, वा परीक्षामा जान हुँदैन। यो यस मोड्युलको सार हो: AI सँग छिटो हुनुहोस्, तर प्रमाणित गर्नुहोस् र प्रत्येक चरणको लागि जिम्मेवारी लिनुहोस्।
आवेदन कार्य
एउटा सानो स्केलको अन्त्य-देखि-अन्त कार्य डिजाइन गर्नुहोस्: छोटो कथा + 1 चार्ट + 3 विषयको लागि बहु विकल्प प्रश्नहरू। मोड्युलको प्रवाहलाई पछ्याउनुहोस्: (1) योजना, (2) AI सँग मस्यौदा, (3) SymPy मार्फत उदाहरणहरू प्रमाणित गर्नुहोस्, (4) ग्राफ रेन्डर गर्नुहोस् र जाँच गर्नुहोस्, (5) LaTeX को साथ नोटेशन सफा गर्नुहोस् र रेन्डर गर्नुहोस्, (6) ब्याचले SymPy मार्फत प्रश्नहरू प्रमाणीकरण गर्नुहोस्, (7) गोपनीयता र पारदर्शिता 8 मानवीय जाँच गर्नुहोस्। तपाईंले के प्रमाणीकरण गर्नुभयो र तपाईंले प्रत्येक चरणमा के फेला पार्नुभयो रेकर्ड गर्नुहोस्। प्रक्रियाको अन्त्यमा, मूल्याङ्कन गर्नुहोस् जहाँ AI ले समय बचत गर्छ र जहाँ तपाईंको निर्णय अपरिहार्य छ।
चेकलिस्ट
- [] मैले सिकाइको सेवामा (सट्टा होइन) AI प्रयोग गरें।
- [ ] मैले पारदर्शी रूपमा AI को प्रयोग आवश्यक भएको बताएको छु।
- [ ] मैले अन्तिम शुद्धताको लागि जिम्मेवारी लिएको छु।
- [] मैले असुरक्षित उपकरणहरू मार्फत गोप्य/संवेदनशील सामग्री पहुँच गरेन।
- [ ] मैले प्रमाणीकरण चरणको साथ प्रत्येक उत्पादन चरण अनुसरण गरें।
- [] मैले प्रसारण/पाठ/परीक्षामा कुनै अप्रमाणित आउटपुट बोकेको छैन।
मोड्युल परीक्षा
1. गणितमा आर्टिफिसियल इन्टेलिजेन्सको लागि निम्न मध्ये कुन सबैभन्दा सही स्थिति हो?
- क) आर्टिफिसियल इन्टेलिजेन्स एक रणनीति, खाका र संगठित उपकरण हो; सही गणना र नतिजालाई नियतात्मक माध्यमबाट प्रमाणित गर्ने कुरा मानिसमा निर्भर छ ✔
- ख) कृत्रिम बुद्धि भनेको क्याल्कुलेटर जस्तै हो र यसले दिने हरेक संख्यात्मक नतिजा सटीक हुन्छ
- C) आर्टिफिसियल इन्टेलिजेन्सले आत्मविश्वासका साथ प्रस्तुत गरेको निष्कर्षमा कहिल्यै गलत हुँदैन, त्यसैले प्रमाणीकरण अनावश्यक छ।
- घ) आर्टिफिसियल इन्टेलिजेन्स पाठ लेख्नका लागि मात्र उपयोगी छ, यसको कुनै पनि गणितीय कार्यसँग कुनै सरोकार छैन।
विवरण: ठूलो भाषा मोडेल एउटा उपकरण हो जसले सांख्यिकीय रूपमा पाठ उत्पन्न गर्दछ; यो क्याल्कुलेटर वा प्रमाण जाँचकर्ता होइन। यसले अधिकांश समय सही गणित उत्पादन गर्छ, तर यसले ग्यारेन्टी गर्दैन; त्यसैले प्रत्येक आउटपुट निर्धारणात्मक उपकरणहरू (SymPy, क्याल्कुलेटर, म्यानुअल प्रमाणीकरण) द्वारा प्रमाणित गरिनु पर्छ र जिम्मेवारी मानवमा रहनुपर्छ।
2. एक विद्यार्थीले कृत्रिम बुद्धिमत्तालाई अभिन्न समाधान गर्न सोध्छ र परिणाम प्राप्त गर्न चाहन्छ। नतिजा प्रमाणित गर्ने सबैभन्दा भरपर्दो तरिका के हो?
- A) नतिजालाई फरक पार्दै र यो मूल प्रकार्य (SymPy वा म्यानुअल रूपमा) मा फर्कन्छ कि भनेर जाँच गर्दै ✔
- ख) आर्टिफिसियल इन्टेलिजेन्सलाई सोध्नुहोस् 'के यो सत्य हो?' सोध्न
- ग) नतिजालाई जस्तै स्वीकार गर्ने किनभने यो धाराप्रवाह र आत्मविश्वासका साथ प्रस्तुत गरिएको छ।
- D) अर्को प्रश्नमा जानुहोस् र परिणाम जाँच नगर्नुहोस्
स्पष्टीकरण: डेरिभेटिभ-इन्टिग्रल इन्भर्स गणितमा निर्मित प्रमाणीकरण उपकरण हो: फेला परेको नतिजाको व्युत्पन्न लिने र यो मूल प्रकार्यमा फर्कन्छ कि भनेर जाँच गर्ने स्वतन्त्र रूपमा पूर्णांकको शुद्धता पुष्टि गर्दछ। समान क्रस-चेकिङ SymPy को साथ गर्न सकिन्छ।
3. कृत्रिम बुद्धिमत्ताको साथ समस्या समाधानमा 'सही परिणाम सही तरिका होइन' को सिद्धान्तको अर्थ के हो?
- क) सही नतिजाले बाटो पनि सही छ भन्ने प्रमाणित गर्छ
- ख) पथ महत्वहीन छ, नतिजा मात्र प्राप्त गर्नुपर्छ
- ग) गलत मध्यवर्ती चरणहरूले संयोगले सही परिणाम ल्याउन सक्छ; तसर्थ, नतिजा र प्रत्येक मध्यवर्ती चरण दुबै निरीक्षण गरिनु पर्छ ✔
- घ) ठोस बाटो भेट्टाउन असम्भव छ, त्यसैले हामी नतिजालाई मात्र हेर्छौं
स्पष्टीकरण: कहिलेकाहीँ गलत मध्यवर्ती चरणहरूले संयोगले सही परिणाम निम्त्याउँछ; नतिजा सही भए पनि बाटो अवैध हुन सक्छ। त्यसैले गणितमा ‘के नतिजा सहि हो?' बरु 'के प्रत्येक मध्यवर्ती कदम सही छ?' प्रश्न पनि अत्यावश्यक छ र हरेक कदम पर्यवेक्षण गर्नुपर्छ।
4. AI ले प्रमाणमा 'सामान्यताको हानि बिना' वाक्यांश प्रयोग गर्दा तपाईंले के गर्नुपर्छ?
- क) बयान धाराप्रवाह भएकोले प्रमाण मान्य छ भनी स्वीकार गर्दै
- ख) आफ्नो लागि औचित्य प्रमाणित गर्दै कि सामान्यता वास्तवमा तोडिएको छैन; ✔ बिना प्रश्न स्वीकार गर्दैन
- ग) कुनै पनि नपढाई प्रमाणलाई वैध मान्ने
- D) स्रोतबाट प्रमेय नामको रूपमा यो अभिव्यक्ति खोज्दै
स्पष्टीकरण: कथन 'सामान्यताको हानि बिना' कहिलेकाहीँ मान्य हुन्छ (यदि त्यहाँ वास्तविक सममिति छ) तर कहिलेकाहीँ यो लुकेको त्रुटि हो। आर्टिफिसियल इन्टेलिजेन्सले यो अभिव्यक्ति धेरै प्रयोग गर्दछ; तपाईले प्रत्येक पटक आफैलाई औचित्य दिनुपर्छ कि सामान्यता वास्तवमा उल्लङ्घन गरिएको छैन, र तपाईले कथन बिना प्रश्न स्वीकार गर्नु हुँदैन।
5. तपाईंले कृत्रिम बुद्धिमत्तामा SymPy कोड लेख्नुभयो। तपाईं कसरी सही परिणाम प्राप्त गर्नुहुन्छ?
- A) कृत्रिम बुद्धिमत्ता बनाउने कोडको आउटपुट भविष्यवाणी
- ख) कोड नपढाई सही छ भनी मान्नु
- C) आउटपुटको एआईको व्याख्यामा विश्वास गर्दै
- D) कोड आफैलाई वास्तविक पाइथन वातावरणमा चलाउनुहोस् र सही आउटपुट हेर्नुहोस् ✔
विवरण: SymPy को शक्ति तब मात्र प्रकट हुन्छ जब कोड वास्तविक पाइथन वातावरणमा चलाइन्छ। आर्टिफिसियल इन्टेलिजेन्सलाई सोध्नुहोस् 'यो कोडले के उत्पादन गर्छ?' सोध्नु प्रमाणिकरण होइन, किनकि AI ले कोड आउटपुट पनि बनाउन सक्छ। तपाईंले कोड आफैं चलाउनु पर्छ।
6. यदि कृत्रिम बुद्धिमत्ता द्वारा म्यानुअल रूपमा फेला परेको समीकरणको समाधान र SymPy द्वारा दिइएको नतिजा फरक छ भने, तपाईंले कुनलाई विश्वास गर्नुपर्छ र किन?
- A) SymPy परिणाम किनभने यो निर्धारणात्मक र सटीक छ; त्यसपछि आर्टिफिसियल इन्टेलिजेन्सले आफ्नो गल्तीको स्थान पत्ता लगाउनुहोस् ✔
- ख) आर्टिफिसियल इन्टेलिजेन्सको नतिजा किनभने यसले अधिक धाराप्रवाह वर्णन गर्दछ
- C) अनियमित रूपमा एउटा छनौट गर्नुहोस् किनभने तिनीहरू दुवै समान रूपमा विश्वसनीय छन्
- घ) दुवैलाई अस्वीकार गर्ने र प्रश्नलाई समाधान गर्न नसकिने गरी विचार गर्ने
विवरण: SymPy एक निश्चित प्रतीकात्मक कम्प्युटिङ् प्रणाली हो: यसले सधैं उही इनपुटमा उही सटीक सही परिणाम दिन्छ। आर्टिफिसियल इन्टेलिजेन्सले पाठलाई सांख्यिकीय रूपमा उत्पादन गर्छ र भ्रम फैलाउन सक्छ। विवादमा SymPy लाई आधार मानेर त्यसको गल्तीको स्थान पत्ता लगाउन आर्टिफिसियल इन्टेलिजेन्स बनाउनुपर्छ ।
7. पाइथन कोडमा '0.1 + 0.2 == 0.3' सर्त किन अपेक्षित रूपमा काम गर्दैन र यसलाई कसरी ठीक गर्ने?
- A) थप पाइथन मा भाँचिएको छ; अर्को भाषा प्रयोग गर्न आवश्यक छ
- ख) फ्लोटिंग-पोइन्ट नम्बर सटीकताको कारणले सटीक समानता राख्दैन; 'abs(a-b) < 1e-9' जस्ता सहिष्णुता ✔ प्रयोग गर्नुपर्छ
- C) मान ०.३ गलत छ; यो 0.30000000004 लेख्न आवश्यक छ
- D) अवस्था सधैं सही काम गर्दछ, त्यहाँ कुनै समस्या छैन
स्पष्टीकरण: कम्प्युटरहरूले दशमलव संख्याहरूलाई फ्लोटिंग-पोइन्ट ढाँचामा सीमित परिशुद्धताका साथ भण्डारण गर्दछ; ०.१ + ०.२ धेरै सानो विचलनसँग भण्डार गरिएको छ, ठ्याक्कै ०.३ होइन। त्यसैले, सटीक समानता '==' को सट्टा, 'abs(a-b) < 1e-9' जस्ता सहिष्णुता प्रयोग गर्नुपर्छ।
8. वास्तविक समस्यामा स्केलर रूट खोजी कोड लागू गर्नु अघि सबैभन्दा राम्रो 'सामान्य ज्ञान परीक्षण' के हो?
- A) कोडलाई सिधै वास्तविक समस्यामा परीक्षण नगरी लागू गर्दै
- B) कोडको लम्बाइ जाँच गर्नुहोस् र यदि यो लामो छ भने सही रूपमा गणना गर्नुहोस्।
- C) साधारण इनपुटको साथ कोड परीक्षण गर्दै जसको जवाफ थाहा छ (जस्तै x²-4=0 जरा ±2) र जाँच गर्दै कि यसले अपेक्षित परिणाम दिन्छ ✔
- D) कोड सही छ भनेर कृत्रिम बुद्धिमत्ता पुष्टि गर्दै
स्पष्टीकरण: एउटा साधारण इनपुटको साथ कोड परीक्षण गर्नु जसको जवाफ तपाईलाई पहिले नै थाहा छ (उदाहरणका लागि ±2 x²-4=0 स्पष्ट जराहरू सहित) सबैभन्दा सस्तो र प्रभावकारी प्रमाणीकरण हो। यदि कोडले ज्ञात अवस्था सही रूपमा दिन्छ भने, तपाइँलाई थाहा नभएको समस्याहरूको लागि यो विश्वसनीय हुने सम्भावना बढ्छ।
9. भिजुअलाइजेशनमा, ग्राफले गणितलाई सही रूपमा प्रतिबिम्बित गर्छ भनेर कसरी जाँच गर्नुहुन्छ?
- A) यदि ग्राफ सौन्दर्य रूपले मनमोहक देखिन्छ भने, यो सही मानिन्छ।
- ख) प्रकार्यको ज्ञात गुणहरू र कम्तिमा एक बिन्दुको वास्तविक मानसँग ग्राफ तुलना गर्दै ✔
- C) अक्ष लेबलहरू हेर्दै छैन
- D) ग्राफको AI को मौखिक विवरणमा भर पर्दै
स्पष्टीकरण: राम्रो देखिने ग्राफिक सही हुनु पर्दैन; AI ले गलत प्रकार्य, गलत दायरामा, वा विकृत एसिम्प्टोटको साथ कोर्न सक्छ। प्रकार्यको ज्ञात गुणहरू (ओसिलेशन दायरा, सममिति, एसिम्प्टोट) र कम्तिमा एक बिन्दु गणनाले त्रुटिहरू समात्न ग्राफलाई तुलना गर्छ।
10. आर्टिफिसियल इन्टेलिजेन्सको साथ उत्पादन गरिएको पाठ्यक्रम सामग्रीमा सबैभन्दा महत्त्वपूर्ण प्रमाणीकरण बिन्दु के हो र किन?
- A) सामग्रीको फन्ट र रंग योजना
- ख) सामग्रीको लम्बाइ र पृष्ठहरूको संख्या
- ग) हल गरिएका उदाहरणहरूको शुद्धता; किनभने विद्यार्थीहरूले तिनीहरूलाई मोडेलको रूपमा लिन्छन् र गलत उदाहरण र गलत विधि सिकाउँछन् ✔
- D) सामग्री कति छिटो उत्पादन हुन्छ
स्पष्टीकरण: समाधान गरिएका उदाहरणहरू विद्यार्थीहरूद्वारा नमूनाको रूपमा लिइन्छ; गलत तरिकाले हल गरिएको उदाहरणले विद्यार्थीहरूलाई गलत तरिका सिकाउँछ। त्यसकारण, प्रत्येक समाधान गरिएको उदाहरण व्यक्तिगत रूपमा प्रमाणित गरिनुपर्छ, चरण-दर-चरण, या त SymPy वा म्यानुअल रूपमा। विषयको व्याख्यामा सानो अस्पष्टता क्षतिपूर्ति गर्न सकिन्छ, तर गलत उदाहरणले क्यास्केडिङ क्षति निम्त्याउँछ।
11. आर्टिफिसियल इन्टेलिजेन्सद्वारा उत्पन्न गरिएको बहुविकल्पीय प्रश्न सेट प्रमाणित गर्ने सबैभन्दा प्रभावकारी र भरपर्दो तरिका के हो?
- क) प्रश्नहरू सही छन् भने एक पटक फेरि कृत्रिम बुद्धिमत्तालाई सोध्नुहोस्
- ख) अनियमित रूपमा केहि प्रश्नहरू मात्र जाँच गर्दै र बाँकीलाई विश्वास गर्दै
- ग) उत्तर कुञ्जीलाई कुनै पनि जाँच नगरी जस्तै प्रयोग गर्ने
- D) SymPy मार्फत सबै प्रश्नहरू समाधान गर्ने कोड छापेर र चलाएर सामूहिक र निश्चित रूपमा उत्तर कुञ्जी जाँच गर्दै ✔
स्पष्टीकरण: आर्टिफिसियल इन्टेलिजेन्सले प्रायजसो गल्तीहरू गर्छ जस्तै उत्तर कुञ्जीलाई गलत रूपमा चिन्ह लगाउने र धेरै/शून्य सही विकल्पहरू उत्पादन गर्ने। SymPy सँग सबै प्रश्नहरू एकैचोटि समाधान गर्ने कोड लेख्नु र चलाउनु भनेको उत्तर कुञ्जीलाई निश्चित रूपमा र बल्कमा जाँच गर्ने सबैभन्दा प्रभावकारी तरिका हो।
12. आर्टिफिसियल इन्टेलिजेन्सले गणितमा गल्ती गर्नुको मुख्य कारण निम्न मध्ये कुन हो?
- क) कृत्रिम बुद्धिमत्ता एक भाषा मोडेल हो; तार्किक वैधता जाँच गर्दैन, पाठलाई सांख्यिकीय रूपमा उत्पन्न गर्दछ ✔
- ख) आर्टिफिसियल इन्टेलिजेन्सले कहिल्यै गणित सिकेको छैन
- C) कृत्रिम बुद्धिमत्ता जानाजानी गलत जवाफ दिन प्रोग्राम गरिएको छ
- D) आर्टिफिसियल इन्टेलिजेन्सले धेरै कठिन समस्याहरूमा मात्र गल्ती गर्छ, सजिलोमा कहिल्यै हुँदैन।
विवरण: आर्टिफिसियल इन्टेलिजेन्स तर्क इन्जिन होइन, तर एक भाषा मोडेल हो जसले सांख्यिकीय ढाँचाको साथ पाठ उत्पादन गर्दछ; यससँग चरणहरूको तार्किक वैधता जाँच गर्ने कुनै आन्तरिक संयन्त्र छैन। '3-अङ्कको गुणन' भएको 'वैध प्रमाण' उसको लागि समान प्रकारको पाठ उत्पादन गर्ने कार्य हो, त्यसैले यसको शुद्धताको ग्यारेन्टी हुन सक्दैन।
13. जब सम्भाव्यता समस्याको नतिजा 1.4 हुन्छ, तपाईलाई विस्तृत विवरणमा नजाइकन त्रुटि छ भनेर कसरी थाहा हुन्छ?
- A) गणना सही छ किनभने परिणाम 1.4 छ, सम्भावना 1 भन्दा बढी हुन सक्छ
- B) सम्भाव्यताको चिन्ह महत्वहीन छ, मान स्वीकार गरिन्छ
- ग) त्रुटि छ भन्ने बुझिएन, नतिजा अन्तिम मानिन्छ ।
- D) सम्भाव्यता ० र १ को बीचमा हुनुपर्छ; ✔ सामान्य ज्ञान परीक्षणले त्रुटिलाई संकेत गर्दछ किनभने १.४ ले यो सीमा नाघ्यो
विवरण: परिमाण परीक्षणको सामान्य ज्ञान र अर्डरले सेकेन्डमा परिणाम उचित दायरा भित्र छ कि छैन भनेर जाँच गर्दछ। परिभाषा अनुसार सम्भाव्यता ० र १ को बीचमा हुनुपर्छ; 1.4 यो सीमा बाहिर छ, त्यसैले यो स्पष्ट छ कि त्यहाँ गणना को विवरण नहेरी त्रुटि छ।
14. LaTeX मा 'e^x^2' को सट्टा 'e^{x^2}' लेख्नु किन महत्त्वपूर्ण छ?
- क) तिनीहरू ठ्याक्कै उस्तै छन्, फरक केवल सौन्दर्य हो
- B) घुमाउरो कोष्ठकहरूले घातांकको दायरा निर्धारण गर्दछ; यो बिना अभिव्यक्ति गलत वा अस्पष्ट हुनेछ, त्यसैले बहु-वर्ण घातांक {} आवश्यक छ ✔
- C) घुमाउरो कोष्ठकहरू LaTeX मा बेकार छन्
- D) 'e^x^2' सधैँ सत्य हुन्छ, '{}' प्रयोग गर्नु अनावश्यक हुन्छ
स्पष्टीकरण: LaTeX मा सबैभन्दा सामान्य त्रुटि स्कोप त्रुटि हो: यदि घुमाउरो कोष्ठक '{}' बहु-क्यारेक्टर एक्सपोनन्ट, सबस्क्रिप्ट वा अंशमा प्रयोग गरिएको छैन भने, केवल पहिलो क्यारेक्टर कभर हुन्छ र अभिव्यक्ति गलत (वा अस्पष्ट पनि) हुन्छ। 'e^{x^2}' ले सम्पूर्ण घातांक x² हो भनेर स्पष्ट पार्छ; कोड रेन्डर र भिजुअल निरीक्षण द्वारा प्रमाणित गरिनु पर्छ।
15. तपाईं एक सक्रिय केन्द्रीय परीक्षाका प्रश्नहरू कृत्रिम बुद्धिमत्ताद्वारा प्रमाणित गर्न चाहनुहुन्छ। नैतिकता र गोपनीयता को मामला मा सबै भन्दा राम्रो दृष्टिकोण के हो?
- A) कुनै पनि सामान्य AI उपकरणमा स्वतन्त्र रूपमा प्रश्नहरू प्रविष्टि गर्दै किनभने गणितमा गोप्य डाटा समावेश हुँदैन
- ख) प्रमाणीकरण नगरी परीक्षामा प्रश्नहरू प्रयोग गर्ने
- C) सुरक्षित/नेटिभ उपकरण (जस्तै SymPy) वा केवल गोपनीयता-आश्वासित उद्यम उपकरणहरू प्रयोग गरेर प्रश्नहरू मान्य गर्दै ✔
- D) सामाजिक सञ्जालमा प्रश्नहरू साझेदारी गर्दै र अरूलाई नियन्त्रणको लागि सोध्दै
विवरण: सक्रिय परीक्षा प्रश्नहरू संवेदनशील छन्; यो सैद्धान्तिक रूपमा खुलासा गर्न सकिन्छ जब एक कृत्रिम बुद्धिमत्ता उपकरण जसको गोपनीयता ग्यारेन्टी छैन ह्याक गरिन्छ। सही दृष्टिकोण भनेको सुरक्षित/नेटिभ उपकरण (जस्तै SymPy मा एक सहकर्मीसँग) वा केवल कर्पोरेट-प्रमाणित, डाटा गोपनीयता-आश्वासित उपकरणहरू प्रयोग गरेर प्रश्नहरूको प्रमाणीकरण गर्नु हो।