Gevinster:
- Forståelse av at studentdata er personlige og ofte private data, og reglene for anonymisering og lagring innenfor rammen av KVKK og faglig konfidensialitet
- Evne til å øve på avidentifikasjon og å velge et sikkert/institusjonelt verktøy når data legges inn i offentlig tilgjengelige verktøy for kunstig intelligens
- Å forstå at samtykke til datadeling, dataminimering og overholdelse av skolens retningslinjer er lærerens ansvar.
En lærer har tilgang til svært sensitiv informasjon i løpet av jobben: karakterer, atferdsjournaler, helseforhold, familieinformasjon, veiledningssamtaler, sosioøkonomiske data. Denne informasjonen tilhører elevens mest private område og når den kommer i feil hender, kan den forårsake livslang skade. De fleste AI-verktøy er skybaserte – noe som betyr at teksten du skriver blir behandlet på eksterne bedriftsservere, ikke på datamaskinen din, og i noen verktøy kan den brukes til å utvikle modellen. Så å skrive en elevs informasjon inn i en offentlig AI betyr å ta den ut av din kontroll. Denne enheten etablerer det mest kritiske sikkerhetslaget ved bruk av AI i undervisningen. Regelen er klar: Anonymiser studentdata først, bruk sikre/institusjonelle verktøy hvis mulig; Ansvaret ligger på læreren.
Hvilke data er beskyttet? Rammeverket til KVKK
Personopplysninger er all informasjon som gjør en person spesifikk eller identifiserbar: navn-etternavn, skolenummer, ID-kort, fotografi, eller til og med indirekte beskrivelser som "den høyeste eleven av 3-A" i én sammenheng. Spesielle (sensitive) personopplysninger beskyttes sterkere: helse, etnisitet, religion, straffedom, biometriske data, forenings-/fagforeningsmedlemskap. Elevens helserapport, diagnose av lærevansker eller familietraumer er i denne kategorien.
KVKK (Personal Data Protection Law) krever at personopplysninger behandles lovlig, for et bestemt formål, på en avmålt og sikker måte. Praktiske implikasjoner for læreren: bruk data kun etter behov (dataminimering), ikke misbruk data, hold dem sikre, ikke del dem med tredjeparter (inkludert offentlig AI) uten tillatelse. Det er også taushetsplikt: Læreren kan ikke avsløre informasjonen han får om eleven og hans familie.
Forsiktig: Å anta at "bedriften ikke leser dette uansett" er ikke trygt. Noen gratis AI-verktøy kan lagre/bruke innganger i trening. Når data først er ute, kan de ikke hentes. Det tryggeste er å aldri ta ut dataene.
Anonymisering: gjør det til en refleks
Anonymisering betyr å fjerne alle elementer som identifiserer en person fra dataene og generalisere dem irreversibelt. I praksis:
- Navn-etternavn → "Student A", "en student"
- Skolenummer, TR ID, klasse-gren → fjern fullstendig
- Foreldernavn, telefon, adresse → fjern
- Sjeldne/beskrivende detaljer → generaliser (setninger som "én elev som bruker rullestol" gir bort personen; si "én elev")
- Navn på skole/institusjon → gå ut eller si "skolen vår"
Før du gir en tekst til AI, anta at en fremmed leser den: kan det forstås ut fra denne teksten hvilket barn det er? Hvis det er tydelig, generaliser videre.
Sikkert kjøretøyvalg
Ikke alle AI-verktøy er like. Det sikreste er bedriftsverktøy som din skole/institusjon leverer, har en databehandleravtale (DPA), og ikke bruker input i utdanning. Med gratis, offentlig tilgjengelige verktøy bør antakelsen være det verste scenarioet. Når du velger et verktøy, spør: Er inndataene mine lagret? Brukes det i utdanning? Hvor behandles dataene? Godkjenner skolepolitikken dette verktøyet? Hvis du er usikker, ikke bruk dataene uten å anonymisere dem.
Trinn for trinn: privatsikker arbeidsflyt
- Skann etter personlige data. Navn, nummer, institusjon, sensitiv situasjon.
- Anonymiser. Erstatt med generelle uttrykk; slette identifiserende detaljer.
- Bruk dataminimering. Ikke legg til informasjon som ikke kreves av oppgaven.
- Velg kjøretøy. Institusjonell hvis mulig; Hvis ikke, anta det verste tilfellet.
- Bruk den. Arbeid kun med anonym tekst.
- Sjekk utgangen også. AI kan reflektere informasjonen du gir den; Det skal ikke være noen identitetslekkasje i utgangen.
tre minisaker
Tilfelle 1 - Last minute-fangst. En veileder skrev til AI for å konsultere om en students familieproblem; Teksten inkluderte navn, karakter og "moren hans er på sykehuset." Han la merke til det uten å sende det, generaliserte det hele som "13 år gammel student, en helseutfordring i familien hans." De generelle tilnærmingsforslagene han fikk fungerte; Ingen personopplysninger ble lekket.
Tilfelle 2 — Indirekte identifikasjon. En lærer skrev til AI at det var «materiale for den eneste synshemmede eleven i klassen». Det var ikke noe navn, men uttrykket beskrev definitivt den gutten på skolen. Da han la merke til det, endret han det til "for en student som trenger synsstøtte." Anonymisering handler ikke bare om å slette navn, men også å skjule identifiserende detaljer.
Tilfelle 3 — Valg av kjøretøy. En skole forbød lærere å bruke gratisverktøy med elevdata og ga et bedriftsverktøy med datasikkerhet. En lærer ville limt inn notatanalyse i gratisverktøyet av vane; Takket være policypåminnelsen byttet han til bedriftsverktøyet og anonymiserte fortsatt dataene. To lag med beskyttelse kombinert.
Kopierbare maler
1) Pre-anonymiseringsskanning:
Anta at en fremmed leser følgende tekst. Kan det forstås direkte ELLER indirekte ut fra denne teksten hvilken elev han er? List opp alle uttrykkene som gir bort identiteten (navn, nummer, institusjon, sjeldent trekk) og foreslå et generelt alternativ for hver. Tekst: [lim inn]
2) Selvevaluering av sikker kjøretøy:
Skriv en sjekkliste med 6 spørsmål for å evaluere et AI-verktøy jeg vurderer å bruke: inndatalagring, bruk i utdanning, dataplassering, institusjonell godkjenning, rett til å slette, overholdelse av sensitive data. Legg til "hva du skal gjøre hvis ja / hva du skal gjøre hvis nei" til hvert spørsmål.
3) Dataminimeringskontroll:
Forenkle teksten jeg vil gi AI for følgende oppgave: fjern eventuelle personlige/kontekstuelle detaljer som oppgaven IKKE KREVER, og la bare det som er nødvendig for å utføre jobben. Oppgave: [beskriv]. Tekst: [lim inn]
4) Utkast til skolepolitikk (for lærere):
Lag en kort, oversiktlig 8-punkts liste over regler for lærere på en skole for å bruke AI-verktøy for å sikre elevdata: anonymisering, godkjent verktøy, sensitive data, oppbevaring, samtykke, varsling om brudd. La det være tyrkiske, gjeldende artikler. Jeg vil sende dette til ledelsen/ekspertgodkjenning.
Svak forespørsel / Sterk forespørsel
Svak melding:
Ahmet Yılmaz, 7-B nummer 214, er veldig svak i matematikk og faren er likegyldig; Hva bør jeg gjøre for denne studenten?
Navn, nummer, klasse, familiejurisdiksjon - et grovt brudd på konfidensialitet; Dataene er utenfor din kontroll.
Kraftig ledetekst:
Foreslå 3 støttestrategier som kan implementeres på skolen for en elev på 7. trinn som har vansker med grunnleggende operasjoner i matematikk, forutsatt at det er begrenset støtte hjemme. (Studenten er anonym; jeg deler ingen personlig informasjon.)
Datatype
eksempel
Er det gitt til AI?
Hvordan
direkte identifikasjon
Navn, nummer, TR
nei
Fjern helt
indirekte identifikasjon
"Enslig funksjonshemmet student"
nei
generalisere
Sensitive data
Helse, diagnose, familie
veldig forsiktig
Anonym + bedriftsverktøy
Generell pedagogisk situasjon
"En student som sliter"
Ja
anonymt
Vanlige feil
- Bare slett navnet. Hvis nummeret, klassen eller indirekte definisjonen består, er identiteten fortsatt klar.
- Overser den indirekte definisjonen. Uttrykk som «Du er den eneste i klassen din...» gir bort personen.
- Tar lett på sensitive data. Helse-/familieinformasjon er spesielle data og krever høyere beskyttelse.
- Forutsatt kjøretøysikkerhet. Det er risikabelt å anta at gratisverktøyet ikke lagrer data; Anta det verste.
- Kontrollerer ikke utgangen. AI kan gjenta legitimasjonen du oppgir i svaret; rengjør utgangen også.
Tips: «To-minutters regel»: før du limer inn studentrelatert tekst i AI-en, bruk to minutter på å fjerne navn, nummer, institusjon og identifiserende detaljer. Denne lille vanen forhindrer de største bruddene.
Oppsummert
Studentdata er personlige, ofte private data og er beskyttet under KVKK og faglig konfidensialitet. Offentlige AI-verktøy er skybaserte; Å gi dataene som de er, gjør dem ute av kontroll. Den riktige måten: å anonymisere personlig og indirekte identifiserende informasjon, dele bare det som er nødvendig (dataminimering), bruk bedriftens og godkjente verktøy hvis mulig, og revidere resultatet. Ansvaret ligger på læreren.
Søknadsoppgave
Ta en tekst om en elev du har skrevet (eller vurderer å skrive) til AI den siste uken. Oppdag og generaliser alle direkte og indirekte identifikatorer med malen "pre-anonymiseringsscreening". Evaluer deretter AI-verktøyet du bruker mot listen "Secure tool self-assessment" og bestem hvilken type data du kan bruke med dette verktøyet.
sjekkliste
- [ ] Har jeg fjernet direkte identifikatorer som navn, nummer, TR ID, institusjon?
- [ ] Har jeg generalisert indirekte deskriptorer som "Den eneste i klassen din..."?
- [ ] Har jeg behandlet sensitive (helse/familie) data med ekstra beskyttelse?
- [ ] Har jeg sjekket datapolicyen og skolegodkjenningen for kjøretøyet jeg bruker?
- [ ] Har jeg sjekket for identitetslekkasjer i utgangen også?