Etikk, akademisk integritet, grenser og ende-til-ende arbeidsflyt

Gevinster:

• Evne til å forstå og anvende de etiske prinsippene for bruk av kunstig intelligens i matematikk (å være i tjeneste for læring, åpenhet, menneskelig ansvar, rettferdighet, konfidensialitet).
• Evne til å vurdere personvernrisiko og ta passende forholdsregler i sensitivt innhold som eksamensspørsmål, studentdata og upublisert forskning
• Evne til å kombinere alle deler av modulen (produksjon + verifisering) til en enkelt ende-til-ende arbeidsflyt, og fullføre hvert produksjonstrinn med et verifiseringstrinn og endelig menneskelig godkjenning

I denne siste enheten kombinerer vi to ting: på den ene siden de etiske, akademiske integritets- og konfidensialitetsdimensjonene ved bruk av kunstig intelligens i matematikk; På den annen side, for å samle det vi lærte gjennom modulen i en enkelt ende-til-ende arbeidsflyt. AI i matematikk er et kraftig verktøy, men det kommer med ansvar så vel som makt: hvem du bruker det til, hva du bruker det til og hvordan du bruker det har etiske konsekvenser. En elev som får leksene sine gjort av AI og en lærer som fremskynder kursmateriell med AI, er veldig forskjellige ting. Denne enheten utfyller tekniske ferdigheter med ansvarlig bruk.

Noen få definisjoner. Akademisk integritet betyr å ærlig vise hvem som virkelig eier et verk og ikke snarveier læring. Plagiat er å presentere andres (eller et mediums) produkt som om det var ditt eget originale produkt. Åpenhet betyr tydelig angivelse av hvor AI brukes. Disse konseptene har blitt sentrale i matematikkundervisningen i AI-tiden.

Grunnleggende prinsipper for etisk bruk

1. Ikke i stedet for læring, men i tjeneste for det. AI kan støtte en student i å lære konseptet (forklaring, alternativ forklaring), men bør ikke få ham/henne til å tenke i stedet. Å la AI gjøre leksene undergraver læringen.
2. Åpenhet. Angi hvor AI ble brukt – i en artikkel, kursmateriell eller rapport. Å skjule er uærlig.
3. Ansvaret tilhører mennesker. Alle som publiserer, underviser eller leverer AI-utdata er ansvarlige for nøyaktigheten. "AIen sa det" er ikke en unnskyldning.
4. Rettferdighet. Bruk av AI i vurdering bør styres av like og klare regler for alle elever.
5. Sikkerhet. Ikke skriv inn sensitiv informasjon, som eksamensspørsmål, studentdata eller upublisert forskning, i AI-verktøy hvis konfidensialitet ikke er garantert.

Personvern: hva betyr det i matematikksammenheng?

Selv om matematikk kan virke som om den har «ingen skjulte data», er kontekst viktig. Et upublisert forskningsresultat, en institusjons eksamensspørsmålsbank, studentenes personlige prestasjonsdata eller en bedrifts proprietære algoritme – alle er sensitive. Alt du legger inn i et AI-verktøy kan behandles av det verktøyets leverandør og, i noen tilfeller, brukes til å trene modellen. Så for sensitivt innhold, bruk enten lokalt/institusjonelt sikrede verktøy eller anonymiser innholdet.

Datatype

Risiko

forholdsregel

Publisert teorem/problemstilling

lav

fritt tilgjengelig

Aktive eksamensspørsmål

høy

Ikke gå inn i eller sikre kjøretøyet

Elevens person-/prestasjonsdata

høy

Anonymiser/ikke gå inn

Upublisert forskning

høy

Sikkert/lokalt verktøy

Forelesningsoversikt

lav-middels

Generelt egnet

Forsiktig: Før du går inn i AI for å bekrefte et eksamensspørsmål, bør du vurdere om det spørsmålet skal forbli hemmelig. Spørsmål fra en aktiv eksamen kan teoretisk sett bli eksponert når de legges inn i et AI-verktøy hvis konfidensialitet ikke er garantert. For kritiske eksamener, enten endre spørsmål eller bruk kun bedriftsgodkjente, datapersonvernsikrede verktøy.

End-to-end arbeidsflyt: en eksempeloppgave

La oss si at du må forberede både kursmateriell og en eksamen for et emne innen en uke. Flyten som kombinerer alle delene av modulen kan være slik:

1. Planlegging. Avklar tema, nivå og målsettinger (enhet 7).

2. Utarbeide materialet. La AI produsere nivåtilpassede forelesninger + løste eksempler (enhet 7).

3. Prøveverifisering. Sjekk hvert løst eksempel med SymPy (enhet 4).

4. Visualisering. Produser og gjengi grafikk for å støtte fortellingen med Matplotlib-kode og sammenlign dem med matematikk (enhet 6).

5. Notasjon. Rengjør indeks, gjengi og verifiser formler med LaTeX (enhet 10).

6. Spørsmålsgenerering. Få produsert flervalgsspørsmål + distraktorer til eksamen (enhet 8).

7. Masseverifisering. Løs alle spørsmålene i bulk med SymPy og sjekk svarnøkkelen (enhet 8, 9).

8. Etikk og åpenhetskontroll. Er konfidensialitet riktig? Har du oppgitt bruk av AI i materialet når det er nødvendig? Du har det endelige ansvaret (denne enheten).

9. Menneskelig godkjenning. Se gjennom og bekreft alt en siste gang. Enhver ubekreftet del vil ikke gå på luft/test.

Tips: I en ende-til-ende-arbeidsflyt er den mest effektive strategien å plassere AI som «hastighetslaget», deterministiske verktøy (SymPy, render) som «korrekthetslaget» og deg selv som «dømmekrafts- og ansvarlighetslaget». Hvert produksjonstrinn bør følges av et verifiseringstrinn; Ubekreftet utdata skal ikke overføres til neste trinn.

tre minisaker

Sak 1 – Åpenhet bygde tillit. En akademiker brukte AI i det første utkastet til et lærebokkapittel, verifiserte deretter alle matematiske påstander og uttalte i forordet at "AI-støtte ble oppnådd i produksjonen av manuskriptet, alt innhold ble verifisert av forfatteren." Denne åpenheten økte tilliten til kolleger og opprettholdt standarden for integritet.

Tilfelle 2 – Bruk som undergraver læring. En student fikk AI til å løse hele leksesettet sitt og sende det inn. Han strøk på eksamen i de samme fagene fordi han aldri hadde lært begrepene. Læreren foreslo å bruke AI for å "få løsningen sjekket og få en alternativ forklaring", men for å løse problemene selv først. AI skal være i læringens tjeneste, ikke på sin plass.

Sak 3 – Risiko for brudd på personvernet. En lærer vurderte å hacke seg inn i et generelt AI-verktøy for å verifisere spørsmål til en sentral eksamen som ennå ikke var administrert, men bestemte seg så for det; i stedet løste han spørsmålene i SymPy av seg selv og en kollega. Å legge inn aktive eksamensspørsmål i et eksternt verktøy var en alvorlig personvernrisiko; lokal autentisering ga den sikre banen.

Fire kopierbare maler

1) Bruk som støtter læring (for studenter):

Jeg løste dette problemet FØRST, løsningen min er vedlagt. IKKE gi meg løsningen; bare vis meg hvor jeg tok feil og hvilket konsept jeg misforsto, slik at jeg kan rette det. Min løsning: [her]

2) Generer et åpenhetsmerknad:

Jeg utarbeidet et [kursmateriell/rapport] og brukte AI i utkaststadiet, og verifiserte all matematikken selv. Skriv et kort, profesjonelt åpenhetsnotat som sier dette ærlig.

3) Forhåndssjekk av personvern:

Jeg vil gjerne personvernkvalifisere følgende innhold før jeg legger det inn i et AI-verktøy: [innholdstype]. Betraktes denne typen innhold som sensitiv, hvilke risikoer er det, hvilke forholdsregler (anonymisering, lokalt verktøy) bør jeg ta? Si det kort og tydelig.

4) End-to-end verifiseringskontrollplan:

Jeg utarbeider kursmateriell + eksamen for [emne]. Angi som en kontrollplan hva verifisering jeg må gjøre ved hvert trinn i produksjonen: prøveverifisering, grafisk kontroll, notasjon, svarnøkkel, konfidensialitet, menneskelig godkjenning.

Svak forespørsel / Sterk forespørsel

Svak: «Løs disse leksespørsmålene, så skal jeg levere dem inn». (student)

Resultat: Læring hoppes over, akademisk integritet krenkes, eleven klarer ikke å lære konseptet. Det er etisk og pedagogisk kritikkverdig.

Güçlü: "Jeg prøvde å løse dette leksespørsmålet, men jeg kjørte meg fast; løsningen min er vedlagt. Ikke gi svaret direkte; vis meg med en anelse hvilket trinn og hvorfor jeg gjorde feil, minn meg på det riktige konseptet, så vil jeg prøve igjen."

Konklusjon: AI brukes i læringens tjeneste; Eleven fortsetter å tenke, ærligheten opprettholdes.

Vanlige feil

• Bruker den til å hoppe over læring. Å la AI gjøre leksene er enkelt på kort sikt, men ødelegger læringen på lang sikt.
• Ikke være gjennomsiktig. Å skjule bruken av kunstig intelligens strider mot akademisk integritet; spesifisere når det er nødvendig.
• Legger ansvaret på AI. "AIen sa det" er ikke en unnskyldning; Forlaget/læreren er ansvarlig.
• Legge inn konfidensielt innhold i eksternt verktøy. Aktiv eksamen, studentdata, upublisert forskning er sensitive.
• Overlater validering til slutten av arbeidsflyten. Verifisering bør komme etter hvert produksjonstrinn; Feil skal ikke hope seg opp.

Oppsummert

Bruken av kunstig intelligens i matematikk krever etisk ansvar så vel som teknisk dyktighet: det skal være i læringens tjeneste (ikke i stedet for det), være transparent, beholde det endelige ansvaret, overholde rettferdige regler og respektere konfidensialitet. I en ende-til-ende arbeidsflyt er AI hastighetslaget, SymPy og gjengivelsesverktøy er nøyaktighetslaget, og mennesker er dømmekraft og ansvar. Hvert produksjonstrinn bør følges av et verifiseringstrinn; Ingen ubekreftede utdata skal gå inn i publisering, forelesning eller eksamen. Det er essensen av denne modulen: bli raskere med AI, men verifiser og ta ansvar for hvert trinn.

Søknadsoppgave

Design en ende-til-ende-oppgave i liten skala: en kort fortelling + 1 diagram + 3 flervalgsspørsmål for et emne. Følg flyten i modulen: (1) planlegg, (2) utkast med AI, (3) valider eksempler med SymPy, (4) gjengi og kontroller grafen, (5) rengjør og gjengi notasjonen med LaTeX, (6) batchvalider spørsmålene med SymPy, (7) gjør en personvern- og åpenhetssjekk, (8) gi endelig godkjenning av mennesker. Registrer hvilken verifisering du gjorde og hva du fant på hvert trinn. På slutten av prosessen, evaluer hvor AI sparer tid og hvor din dømmekraft er uunnværlig.

sjekkliste

• [ ] Jeg brukte AI i tjeneste for (ikke i stedet for) læring.
• [ ] Jeg har åpent oppgitt bruk av AI der det er nødvendig.
• [ ] Jeg har påtatt meg ansvaret for den ultimate nøyaktigheten.
• [ ] Jeg fikk ikke tilgang til konfidensielt/sensitivt innhold gjennom usikrede verktøy.
• [ ] Jeg fulgte hvert produksjonstrinn med et verifiseringstrinn.
• [ ] Jeg tok ikke med meg noe ubekreftet utdata i kringkastingen/leksjonen/eksamenen.

Moduleksamen

1. Hvilken av følgende er den mest nøyaktige posisjoneringen for kunstig intelligens i matematikk?

• A) Kunstig intelligens er et strategi-, blåkopi- og organiseringsverktøy; Det er opp til mennesket å verifisere den nøyaktige beregningen og resultatet med deterministiske midler ✔
• B) Kunstig intelligens er som en kalkulator, og hvert numeriske resultat den gir er nøyaktig
• C) Kunstig intelligens er aldri feil i konklusjonene den presenterer selvsikkert, så verifisering er unødvendig
• D) Kunstig intelligens er kun nyttig for å skrive tekst, det har ingenting å gjøre med noen matematiske oppgaver

Beskrivelse: En stor språkmodell er et verktøy som statistisk genererer tekst; Det er ikke en kalkulator eller beviskontroll. Det produserer korrekt matematikk mesteparten av tiden, men det garanterer ikke; så hver utgang bør verifiseres med deterministiske verktøy (SymPy, kalkulator, manuell validering) og ansvaret bør forbli hos mennesket.

2. En elev ber kunstig intelligens løse en integral og ønsker å få resultatet. Hva er den mest pålitelige måten å verifisere resultatet på?

• A) Differensiere resultatet og sjekke om det går tilbake til den opprinnelige funksjonen (SymPy eller manuelt) ✔
• B) Spør kunstig intelligens 'er dette sant?' å spørre
• C) Godta resultatet som det er fordi det presenteres flytende og trygt.
• D) Gå videre til et annet spørsmål og ikke sjekke resultatet i det hele tatt

Forklaring: Den deriverte-integral-inverse er et innebygd verifikasjonsverktøy i matematikk: å ta den deriverte av resultatet som ble funnet og sjekke om det returnerer til den opprinnelige funksjonen uavhengig bekrefter riktigheten av integralet. Den samme krysssjekkingen kan gjøres med SymPy.

3. Hva betyr prinsippet om 'riktig resultat er ikke riktig vei' i problemløsning med kunstig intelligens?

• A) Riktig resultat beviser alltid at veien også er rett
• B) Banen er uviktig, kun resultatet skal scores
• C) Feil mellomtrinn kan føre til riktig resultat ved en tilfeldighet; Derfor må både resultatet og hvert mellomtrinn inspiseres ✔
• D) Det er umulig å finne en solid vei, så vi ser kun på utfallet

Forklaring: Noen ganger fører feil mellomtrinn til riktig resultat ved en tilfeldighet; Selv om resultatet er riktig, kan banen være ugyldig. Derfor er det i matematikk bare 'er resultatet riktig?' men heller 'er hvert mellomtrinn riktig?' Spørsmålet er også viktig, og hvert trinn bør overvåkes.

4. Hva bør du gjøre når AI bruker uttrykket 'uten tap av generalitet' i et bevis?

• A) Godta at beviset er gyldig fordi utsagnet er flytende
• B) Å rettferdiggjøre for deg selv at generaliteten faktisk ikke er brutt; ✔ godtar ikke uten spørsmål
• C) Betrakter beviset som gyldig uten å lese det i det hele tatt
• D) Søke etter dette uttrykket fra kilden som et teoremnavn

Forklaring: Utsagnet "uten tap av generalitet" er noen ganger gyldig (hvis det er ekte symmetri), men noen ganger er det en skjult feil. Kunstig intelligens bruker dette uttrykket mye; Du må begrunne for deg selv hver gang at allmennheten egentlig ikke er krenket, og du må ikke akseptere utsagnet uten spørsmål.

5. Du skrev en SymPy-kode til den kunstige intelligensen. Hvordan får du resultatet riktig?

• A) Å få kunstig intelligens til å forutsi utgangen av koden
• B) Forutsatt at koden er riktig uten å lese den
• C) Å stole på AIs tolkning av utgangen
• D) Kjør koden selv i et ekte Python-miljø og se nøyaktig utdata ✔

Beskrivelse: Kraften til SymPy avsløres bare når koden kjøres i et ekte Python-miljø. Spør kunstig intelligens "hva produserer denne koden?" å spørre er ikke verifisering, fordi AI også kan utgjøre kodeutgangen. Du må kjøre koden selv.

6. Hvis løsningen av en ligning funnet manuelt av kunstig intelligens og resultatet gitt av SymPy er annerledes, hvilken bør du stole på og hvorfor?

• A) SymPy-resultat fordi det er deterministisk og presist; La så den kunstige intelligensen finne stedet for feilen sin ✔
• B) Resultatet av kunstig intelligens fordi den forklarer mer flytende
• C) Å velge en tilfeldig fordi de begge er like pålitelige
• D) Å avvise begge og vurdere spørsmålet som uløselig

Beskrivelse: SymPy er et deterministisk symbolsk databehandlingssystem: det gir alltid det samme nøyaktige resultatet til den samme inngangen. Kunstig intelligens produserer tekst statistisk og kan hallusinere. I tvisten bør SymPy legges til grunn, og den kunstige intelligensen bør gjøres for å finne plasseringen av feilen.

7. Hvorfor fungerer ikke betingelsen '0.1 + 0.2 == 0.3' som forventet i en Python-kode, og hvordan fikser jeg det?

• A) Addisjon er brutt i Python; trenger å bruke et annet språk
• B) Nøyaktig likhet holder ikke på grunn av flytende tallpresisjon; En toleranse som 'abs(a-b) < 1e-9' bør brukes ✔
• C) Verdien 0,3 er feil; Det er nødvendig å skrive 0,30000000004
• D) Tilstanden fungerer alltid korrekt, det er ikke noe problem

Forklaring: Datamaskiner lagrer desimaltall i flyttallformat med begrenset presisjon; 0,1 + 0,2 er lagret med et veldig lite avvik, ikke akkurat 0,3. Derfor, i stedet for den eksakte likheten '==', bør en toleranse som 'abs(a-b) < 1e-9' brukes.

8. Hva er den beste "sunn fornuft-testen" før du bruker en skalar rotfunnkode på det virkelige problemet?

• A) Bruke koden direkte på det faktiske problemet uten å teste det i det hele tatt
• B) Sjekk lengden på koden og tell den riktig hvis den er lang.
• C) Teste koden med en enkel inngang hvis svaret er kjent (f.eks. x²-4=0 røtter ±2) og sjekke at den gir det forventede resultatet ✔
• D) Bekreftelse overfor kunstig intelligens at koden er korrekt

Forklaring: Å teste koden med en enkel inngang hvis svar du allerede vet (f.eks. ±2 for x²-4=0 med åpenbare røtter) er den billigste og mest effektive verifiseringen. Hvis koden gir den kjente situasjonen riktig, øker sannsynligheten for at den er pålitelig for problemer du ikke kjenner.

9. I visualisering, hvordan sjekker du at en graf gjenspeiler matematikken riktig?

• A) Hvis grafen ser estetisk tiltalende ut, anses den som riktig.
• B) Sammenligning av grafen med kjente egenskaper for funksjonen og den sanne verdien av minst ett punkt ✔
• C) Ser ikke på aksemerkene i det hele tatt
• D) Stole på AIs verbale beskrivelse av grafen

Forklaring: En grafikk som ser fin ut trenger ikke å være nøyaktig; AI kan tegne feil funksjon, i feil område, eller med en forvrengt asymptote. Sammenligning av grafen med kjente egenskaper for funksjonen (oscillasjonsområde, symmetri, asymptote) og minst ett punktberegning fanger opp feil.

10. Hva er det mest kritiske verifikasjonspunktet i et kursmateriell produsert med kunstig intelligens og hvorfor?

• A) Font og fargeskjema for materialet
• B) Lengde på materialet og antall sider
• C) Nøyaktighet av løste eksempler; fordi elevene tar dem som modeller og lærer feil eksempel og feil metode ✔
• D) Hvor raskt materialet produseres

Forklaring: Løste eksempler tas som modeller av elevene; Et feilløst eksempel lærer elevene direkte feil metode. Derfor må hvert løst eksempel verifiseres individuelt, trinn for trinn, enten med SymPy eller manuelt. En liten uklarhet i forklaringen av emnet kan kompenseres, men feil eksempel forårsaker kaskadeskader.

11. Hva er den mest effektive og pålitelige måten å verifisere et sett med flervalgsspørsmål generert av kunstig intelligens?

• A) Spør den kunstige intelligensen igjen om spørsmålene er riktige
• B) Sjekker bare noen få spørsmål tilfeldig og stoler på resten
• C) Bruke svartasten som den er uten å krysse av for noe av den
• D) Sjekke svarnøkkelen kollektivt og deterministisk ved å skrive ut og kjøre en kode som løser alle spørsmålene med SymPy ✔

Forklaring: Kunstig intelligens gjør oftest feil som å merke svarnøkkelen feil og produsere flere/null riktige alternativer. Å skrive og kjøre en kode som løser alle spørsmålene samtidig med SymPy er den mest effektive måten å sjekke svarnøkkelen deterministisk og i bulk.

12. Hvilken av følgende er hovedårsaken til at kunstig intelligens gjør feil i matematikk?

• A) Kunstig intelligens er en språkmodell; sjekker ikke logisk gyldighet, genererer tekst statistisk ✔
• B) Kunstig intelligens har aldri lært matematikk
• C) Kunstig intelligens er bevisst programmert til å gi feil svar
• D) Kunstig intelligens gjør feil bare i svært vanskelige problemer, aldri i lette.

Beskrivelse: Kunstig intelligens er ikke en logisk motor, men en språkmodell som produserer tekst med statistiske mønstre; Den har ingen intern mekanisme for å kontrollere den logiske gyldigheten av trinnene. 'Et gyldig bevis' med '3-sifret multiplikasjon' er for ham oppgaven med å produsere samme type tekst, så korrektheten kan ikke garanteres.

13. Når resultatet av et sannsynlighetsproblem er 1,4, hvordan vet du at det er en feil uten å gå i detalj?

• A) Regnestykket er riktig fordi resultatet er 1,4, sannsynligheten kan overstige 1
• B) Tegnet på sannsynligheten er uviktig, verdien aksepteres uansett
• C) Det er ikke forstått at det er en feil, resultatet anses som endelig.
• D) Sannsynlighet må være mellom 0 og 1; ✔ Testing av sunn fornuft indikerer en feil fordi 1.4 overskrider denne grensen

Beskrivelse: Testen for sunn fornuft og størrelsesorden sjekker i løpet av sekunder om resultatet er innenfor et rimelig område. En sannsynlighet må per definisjon være mellom 0 og 1; 1,4 er utenfor denne grensen, så det er åpenbart at det er en feil uten å se på detaljene i beregningen.

14. Hvorfor er det viktig å skrive 'e^{x^2}' i stedet for 'e^x^2' i LaTeX?

• A) De er nøyaktig like, forskjellen er bare estetisk
• B) Krøllete parenteser bestemmer omfanget av eksponenten; Uten det ville uttrykket være feil eller tvetydig, så flertegnseksponenten {} er viktig ✔
• C) Krøllete parenteser er ubrukelige i LaTeX
• D) 'e^x^2' er alltid sant, bruk av '{}' er unødvendig

Forklaring: Den vanligste feilen i LaTeX er scope-feilen: hvis de krøllede parentesene '{}' ikke brukes i en flertegnseksponent, subscript eller brøk, dekkes bare det første tegnet og uttrykket blir feil (eller til og med tvetydig). 'e^{x^2}' gjør det klart at hele eksponenten er x²; Koden skal gjengis og verifiseres ved visuell inspeksjon.

15. Du ønsker å få verifisert spørsmålene til en aktiv sentral eksamen med kunstig intelligens. Hva er den beste tilnærmingen når det gjelder etikk og personvern?

• A) Skriv inn spørsmål fritt i alle generelle AI-verktøy fordi matematikk ikke inneholder konfidensielle data
• B) Bruke spørsmål i eksamen uten å verifisere dem
• C) Validere spørsmål med et sikkert/native verktøy (f.eks. SymPy) eller kun bruke personvernsikrede bedriftsverktøy ✔
• D) Dele spørsmål på sosiale medier og be andre om kontroll

Beskrivelse: Aktive eksamensspørsmål er sensitive; Det kan teoretisk sett bli avslørt når et kunstig intelligensverktøy hvis konfidensialitet ikke er garantert, blir hacket. Den riktige tilnærmingen er enten å validere spørsmål med et sikkert/native verktøy (f.eks. med en kollega i SymPy) eller å bruke bare bedriftssertifiserte, datapersonvernssikrede verktøy.