Etyka, uczciwość akademicka, granice i kompleksowy przepływ pracy

Zyski:

• Umiejętność zrozumienia i stosowania zasad etycznych wykorzystania sztucznej inteligencji w matematyce (służenie uczeniu się, przejrzystość, odpowiedzialność człowieka, sprawiedliwość, poufność).
• Umiejętność oceny zagrożeń dla prywatności i podjęcia odpowiednich środków ostrożności w przypadku wrażliwych treści, takich jak pytania egzaminacyjne, dane uczniów i niepublikowane badania
• Możliwość połączenia wszystkich części modułu (produkcja + weryfikacja) w jeden kompleksowy przepływ pracy, kończący każdy etap produkcji etapem weryfikacji i końcową akceptacją człowieka

W tej ostatniej jednostce łączymy dwie rzeczy: z jednej strony wymiar etyczny, uczciwość akademicką i poufność wykorzystania sztucznej inteligencji w matematyce; Z drugiej strony, aby połączyć to, czego nauczyliśmy się podczas całego modułu, w jednym, kompleksowym procesie pracy. Sztuczna inteligencja w matematyce to potężne narzędzie, ale wiąże się z odpowiedzialnością i władzą: dla kogo, do czego jej używasz i jak jej używasz, ma konsekwencje etyczne. Uczeń odrabiający pracę domową za pomocą sztucznej inteligencji i nauczyciel przyspieszający materiał za pomocą sztucznej inteligencji to dwie różne rzeczy. Urządzenie to uzupełnia umiejętności techniczne odpowiedzialnym użytkowaniem.

Kilka definicji. Uczciwość akademicka oznacza uczciwe pokazywanie, kto naprawdę jest właścicielem dzieła, i nie skracanie nauki. Plagiat polega na prezentowaniu produktu innej osoby (lub produktu medium) tak, jakby był to Twój własny, oryginalny produkt. Przejrzystość oznacza jasne określenie, gdzie wykorzystywana jest sztuczna inteligencja. Koncepcje te stały się centralnym elementem edukacji matematycznej w dobie sztucznej inteligencji.

Podstawowe zasady etycznego użytkowania

1. Nie w miejscu nauki, ale w jej służbie. Sztuczna inteligencja może wspierać ucznia w nauce danego pojęcia (wyjaśnienie, alternatywne wyjaśnienie), ale nie powinna zamiast tego zmuszać go do myślenia. Odrabianie zadań domowych przez sztuczną inteligencję utrudnia proces uczenia się.
2. Przezroczystość. Wskaż, gdzie wykorzystano sztuczną inteligencję – w artykule, materiałach szkoleniowych lub raporcie. Ukrywanie jest nieuczciwe.
3. Odpowiedzialność należy do ludzi. Każdy, kto publikuje, uczy lub dostarcza wyniki sztucznej inteligencji, jest odpowiedzialny za jej dokładność. „AI tak powiedziała” nie jest wymówką.
4. Sprawiedliwość. Stosowanie sztucznej inteligencji w procesie oceniania powinno podlegać jednakowym i jasnym zasadom dla wszystkich uczniów.
5. Bezpieczeństwo. Nie wprowadzaj poufnych informacji, takich jak pytania egzaminacyjne, dane uczniów lub niepublikowane badania, do narzędzi AI, których poufność nie jest gwarantowana.

Prywatność: co to oznacza w kontekście matematyki?

Chociaż może się wydawać, że matematyka „nie ma ukrytych danych”, kontekst jest ważny. Niepublikowane wyniki badań, bank pytań egzaminacyjnych instytucji, dane dotyczące osiągnięć uczniów lub zastrzeżony algorytm firmy – wszystkie są wrażliwe. Wszystko, co wprowadzisz do narzędzia AI, może zostać przetworzone przez dostawcę tego narzędzia i, w niektórych przypadkach, wykorzystane do szkolenia modelu. Dlatego w przypadku treści wrażliwych użyj narzędzi zabezpieczonych lokalnie/instytucjonalnie lub zanonimizuj treść.

Typ danych

Ryzyko

środek ostrożności

Opublikowane twierdzenie/problem

niski

swobodnie dostępne

Aktywne pytania egzaminacyjne

wysoki

Nie wchodź ani nie zabezpieczaj pojazdu

Dane osobowe/wyniki ucznia

wysoki

Anonimizuj/nie wpisuj

Niepublikowane badania

wysoki

Bezpieczne/lokalne narzędzie

Konspekt wykładu

nisko-średni

Ogólnie odpowiednie

Uwaga: zanim przejdziesz do sztucznej inteligencji, aby zweryfikować pytanie egzaminacyjne, zastanów się, czy pytanie to powinno pozostać tajemnicą. Pytania z aktywnego egzaminu teoretycznie mogą zostać ujawnione po wprowadzeniu do narzędzia AI, którego poufność nie jest gwarantowana. W przypadku egzaminów krytycznych zmień pytania lub korzystaj wyłącznie z narzędzi zatwierdzonych przez firmę i zapewniających ochronę danych.

Kompleksowy przepływ pracy: przykładowe zadanie

Załóżmy, że musisz przygotować zarówno materiały szkoleniowe, jak i egzamin z danego przedmiotu w ciągu tygodnia. Przepływ łączący wszystkie części modułu mógłby wyglądać następująco:

1. Planowanie. Wyjaśnij temat, poziom i cele (Część 7).

2. Opracowanie materiału. Niech sztuczna inteligencja przygotuje wykłady na odpowiednim poziomie i rozwiązane przykłady (Część 7).

3. Weryfikacja próbki. Sprawdź każdy rozwiązany przykład za pomocą SymPy (część 4).

4. Wizualizacja. Twórz i renderuj grafiki wspierające narrację za pomocą kodu Matplotlib i porównuj je z matematyką (Część 6).

5. Notacja. Oczyść indeks, renderuj i weryfikuj formuły za pomocą LaTeX (część 10).

6. Generacja pytań. Przygotuj na egzamin pytania wielokrotnego wyboru + elementy rozpraszające (część 8).

7. Weryfikacja zbiorcza. Rozwiąż wszystkie pytania zbiorczo za pomocą SymPy i sprawdź klucz odpowiedzi (część 8, 9).

8. Kontrola etyki i przejrzystości. Czy poufność jest właściwa? Czy w razie potrzeby określiłeś wykorzystanie sztucznej inteligencji w materiale? Ponosisz ostateczną odpowiedzialność (to urządzenie).

9. Ludzka akceptacja. Przejrzyj i potwierdź wszystko jeszcze raz. Żaden niezweryfikowany utwór nie zostanie wyemitowany/testowany.

Wskazówka: w przypadku kompleksowego przepływu pracy najskuteczniejszą strategią jest ustawienie sztucznej inteligencji jako „warstwy szybkości”, narzędzi deterministycznych (SymPy, renderowanie) jako „warstwy poprawności”, a siebie jako „warstwy oceny i odpowiedzialności”. Po każdym etapie produkcji powinien nastąpić etap weryfikacji; Niezweryfikowanych wyników nie należy przenosić do następnego kroku.

trzy mini etui

Przypadek 1 – Zaufanie zbudowane w oparciu o przejrzystość. Jeden z naukowców użył sztucznej inteligencji w pierwszej wersji rozdziału podręcznika, następnie zweryfikował każde twierdzenie matematyczne i we wstępie stwierdził, że „przy tworzeniu rękopisu uzyskano wsparcie sztucznej inteligencji, cała treść została zweryfikowana przez autora”. Ta przejrzystość zwiększyła zaufanie współpracowników i utrzymała standardy uczciwości.

Przypadek 2 — Użycie, które utrudnia naukę. Uczeń poprosił sztuczną inteligencję o rozwiązanie całego zestawu zadań domowych i przesłanie go. Nie zdał egzaminu z tych samych przedmiotów, ponieważ nigdy nie nauczył się tych pojęć. Nauczyciel zasugerował użycie sztucznej inteligencji, aby „sprawdzić rozwiązanie i uzyskać alternatywne wyjaśnienie”, ale najpierw samodzielnie rozwiązać problemy. Sztuczna inteligencja powinna służyć nauce, a nie ją zastępować.

Przypadek 3 – Ryzyko naruszenia prywatności. Jeden z nauczycieli rozważał włamanie się do ogólnego narzędzia sztucznej inteligencji w celu weryfikacji pytań do egzaminu centralnego, który nie został jeszcze przeprowadzony, ale ostatecznie zrezygnował; zamiast tego rozwiązał pytania w SymPy samodzielnie i z kolegą. Wprowadzanie aktywnych pytań egzaminacyjnych do zewnętrznego narzędzia stanowiło poważne zagrożenie dla prywatności; uwierzytelnianie lokalne zapewnia bezpieczną ścieżkę.

Cztery szablony do kopiowania

1) Zastosowanie wspomagające naukę (dla uczniów):

Najpierw rozwiązałem ten problem, moje rozwiązanie jest w załączniku. NIE dawaj mi rozwiązania; po prostu pokaż mi, gdzie popełniłem błąd i jaką koncepcję źle zrozumiałem, abym mógł to poprawić. Moje rozwiązanie: [tutaj]

2) Generowanie notatki przezroczystości:

Przygotowałem [materiały szkoleniowe/raport] i wykorzystałem sztuczną inteligencję na etapie szkicu, samodzielnie weryfikując całą matematykę. Napisz krótką, profesjonalną notatkę dotyczącą przejrzystości, w której szczerze to określisz.

3) Wstępna kontrola prywatności:

Chciałbym zakwalifikować pod kątem prywatności następujące treści przed wprowadzeniem ich do narzędzia AI: [typ treści]. Czy tego typu treści są uważane za wrażliwe, jakie ryzyko się z nimi wiąże, jakie środki ostrożności (anonimizacja, narzędzie lokalne) powinienem podjąć? Powiedz to krótko i wyraźnie.

4) Kompleksowy plan kontroli weryfikacyjnej:

Przygotowuję materiały szkoleniowe + egzamin z [przedmiotu]. Wypisz jako plan kontroli, jaką weryfikację muszę przeprowadzić na każdym etapie produkcji: weryfikacja próbki, kontrola graficzna, notacja, klucz odpowiedzi, poufność, zatwierdzenie przez człowieka.

Słaba zachęta/silna zachęta

Słabe: „Rozwiąż te pytania domowe, a ja je oddam”. (uczeń)

Wynik: nauka jest pomijana, uczciwość akademicka zostaje naruszona, studentowi nie udaje się opanować tej koncepcji. Jest to naganne etycznie i pedagogicznie.

Güçlü: „Próbowałem rozwiązać to pytanie domowe, ale utknąłem; moje rozwiązanie jest w załączniku. Nie podawaj odpowiedzi bezpośrednio; pokaż mi, który krok i dlaczego zrobiłem źle, przypomnij mi o właściwej koncepcji, a następnie spróbuję ponownie.”

Wniosek: sztuczna inteligencja jest wykorzystywana w służbie uczenia się; Uczeń nadal myśli, uczciwość zostaje zachowana.

Typowe błędy

• Używanie go do pomijania nauki. Zlecanie sztucznej inteligencji do odrabiania zadań domowych jest łatwe na krótką metę, ale w dłuższej perspektywie niszczy proces uczenia się.
• Brak przejrzystości. Ukrywanie wykorzystania sztucznej inteligencji jest sprzeczne z uczciwością akademicką; określić, kiedy jest to konieczne.
• Przerzucanie odpowiedzialności na sztuczną inteligencję. „AI tak powiedziała” nie jest wymówką; Odpowiedzialność ponosi wydawca/nauczyciel.
• Wprowadzanie poufnych treści do zewnętrznego narzędzia. Aktywny egzamin, dane studenta, niepublikowane badania są wrażliwe.
• Pozostawienie walidacji na koniec przepływu pracy. Weryfikacja powinna następować po każdym etapie produkcji; Błędy nie powinny się kumulować.

Podsumowując

Stosowanie sztucznej inteligencji w matematyce wymaga odpowiedzialności etycznej, a także umiejętności technicznych: powinna służyć uczeniu się (a nie zamiast niej), być przejrzysta, zachować ostateczną odpowiedzialność, przestrzegać uczciwych zasad i szanować poufność. W kompleksowym przepływie pracy sztuczna inteligencja to warstwa szybkości, SymPy i narzędzia renderujące to warstwa dokładności, a ludzie to warstwa oceny i odpowiedzialności. Po każdym etapie produkcji powinien nastąpić etap weryfikacji; Żaden niezweryfikowany dorobek nie powinien zostać opublikowany w publikacji, wykładzie ani na egzaminie. To właśnie jest istotą tego modułu: działaj szybciej dzięki AI, ale weryfikuj i bierz odpowiedzialność za każdy krok.

Zadanie aplikacji

Zaprojektuj kompleksowe zadanie na małą skalę: krótka narracja + 1 wykres + 3 pytania wielokrotnego wyboru dotyczące danego tematu. Postępuj zgodnie z przebiegiem modułu: (1) planuj, (2) szkicuj za pomocą AI, (3) sprawdzaj przykłady w SymPy, (4) renderuj i sprawdzaj wykres, (5) czyść i renderuj notację za pomocą LaTeX, (6) wsadowo sprawdzaj pytania za pomocą SymPy, (7) sprawdź prywatność i przejrzystość, (8) wyraź ostateczną zgodę człowieka. Zapisz, jaką weryfikację przeprowadziłeś i co odkryłeś na każdym kroku. Na koniec procesu oceń, gdzie sztuczna inteligencja oszczędza czas, a gdzie Twój osąd jest niezbędny.

lista kontrolna

• [ ] Wykorzystałem sztuczną inteligencję w służbie (a nie zamiast) nauce.
• [ ] W przejrzysty sposób stwierdziłem, że w razie potrzeby należy zastosować sztuczną inteligencję.
• [ ] Przyjąłem na siebie odpowiedzialność za najwyższą dokładność.
• [ ] Nie uzyskałem dostępu do poufnych/wrażliwych treści za pośrednictwem niezabezpieczonych narzędzi.
• [ ] Po każdym etapie produkcji przeprowadzono etap weryfikacji.
• [ ] Nie wniosłem żadnych niezweryfikowanych wyników do audycji/lekcji/egzaminu.

Egzamin modułowy

1. Które z poniższych jest najdokładniejszym umiejscowieniem sztucznej inteligencji w matematyce?

• A) Sztuczna inteligencja jest strategią, planem i narzędziem organizacyjnym; Do człowieka należy weryfikacja dokładnych obliczeń i wyników za pomocą środków deterministycznych ✔
• B) Sztuczna inteligencja jest jak kalkulator i każdy wynik liczbowy, który podaje, jest dokładny
• C) Sztuczna inteligencja nigdy się nie myli we wnioskach, które z pewnością przedstawia, więc weryfikacja nie jest konieczna
• D) Sztuczna inteligencja przydaje się tylko do pisania tekstu, nie ma ona nic wspólnego z żadnymi zadaniami matematycznymi

Opis: Duży model językowy to narzędzie generujące statystycznie tekst; To nie jest kalkulator ani moduł sprawdzający. W większości przypadków generuje poprawną matematykę, ale nie gwarantuje; dlatego każdy wynik powinien być weryfikowany za pomocą narzędzi deterministycznych (SymPy, kalkulator, walidacja ręczna), a odpowiedzialność powinna pozostać po stronie człowieka.

2. Uczeń prosi sztuczną inteligencję o rozwiązanie całki i chce uzyskać wynik. Jaki jest najbardziej niezawodny sposób weryfikacji wyniku?

• A) Różnicowanie wyniku i sprawdzenie, czy powraca do pierwotnej funkcji (SymPy lub ręcznie) ✔
• B) Zapytaj sztuczną inteligencję „czy to prawda?” zapytać
• C) Zaakceptowanie wyniku takim, jaki jest, ponieważ został przedstawiony płynnie i pewnie.
• D) Przechodząc do innego pytania i w ogóle nie sprawdzając wyniku

Wyjaśnienie: Odwrotność pochodno-całkowa jest wbudowanym narzędziem weryfikacyjnym w matematyce: samodzielne pobranie pochodnej znalezionego wyniku i sprawdzenie, czy powraca ona do pierwotnej funkcji, potwierdza poprawność całki. To samo sprawdzanie krzyżowe można przeprowadzić za pomocą SymPy.

3. Co oznacza zasada „właściwy wynik nie jest właściwą drogą” w rozwiązywaniu problemów za pomocą sztucznej inteligencji?

• A) Właściwy wynik zawsze dowodzi, że ścieżka jest również właściwa
• B) Ścieżka nie jest ważna, liczy się tylko wynik
• C) Nieprawidłowe kroki pośrednie mogą przez przypadek doprowadzić do prawidłowego wyniku; Dlatego należy sprawdzić zarówno wynik, jak i każdy etap pośredni ✔
• D) Nie da się znaleźć solidnej ścieżki, więc patrzymy tylko na wynik

Wyjaśnienie: Czasami błędne kroki pośrednie prowadzą przez przypadek do właściwego rezultatu; Nawet jeśli wynik jest poprawny, ścieżka może być nieprawidłowa. Dlatego w matematyce pyta się po prostu: „czy wynik jest poprawny?”. ale raczej „czy każdy etap pośredni jest prawidłowy?” Pytanie jest również istotne i każdy krok powinien być nadzorowany.

4. Co należy zrobić, gdy sztuczna inteligencja używa w dowodzie wyrażenia „bez utraty ogólności”?

• A) Uznanie, że dowód jest ważny, ponieważ stwierdzenie jest płynne
• B) Uzasadnienie dla siebie, że ogólność w rzeczywistości nie jest złamana; ✔ nie przyjmujemy bez pytania
• C) Uznanie dowodu za ważny bez jego czytania
• D) Wyszukiwanie tego wyrażenia ze źródła jako nazwy twierdzenia

Wyjaśnienie: Stwierdzenie „bez utraty ogólności” jest czasami słuszne (jeśli istnieje rzeczywista symetria), ale czasami jest ukrytym błędem. Sztuczna inteligencja często używa tego wyrażenia; Za każdym razem, gdy zasada ogólności nie została naruszona, musisz się przed sobą usprawiedliwiać i nie możesz akceptować tego stwierdzenia bez zastrzeżeń.

5. Napisałeś kod SymPy do sztucznej inteligencji. Jak uzyskać prawidłowy wynik?

• A) Sprawienie, by sztuczna inteligencja przewidywała wynik kodu
• B) Zakładając, że kod jest poprawny bez jego czytania
• C) Ufanie interpretacji wyników dokonanej przez sztuczną inteligencję
• D) Uruchom kod samodzielnie w prawdziwym środowisku Pythona i zobacz dokładny wynik ✔

Opis: Moc SymPy ujawnia się dopiero wtedy, gdy kod zostanie uruchomiony w prawdziwym środowisku Pythona. Zapytaj sztuczną inteligencję „co tworzy ten kod?” pytanie nie jest weryfikacją, ponieważ sztuczna inteligencja może również utworzyć kod wyjściowy. Kod musisz uruchomić samodzielnie.

6. Jeżeli rozwiązanie równania znalezionego ręcznie przez sztuczną inteligencję i wynik podany przez SymPy różnią się, któremu warto zaufać i dlaczego?

• A) Wynik SymPy, ponieważ jest deterministyczny i precyzyjny; Następnie poproś sztuczną inteligencję o znalezienie lokalizacji swojego błędu ✔
• B) Wynik sztucznej inteligencji, ponieważ wyjaśnia płynniej
• C) Wybór jednego losowo, ponieważ oba są równie niezawodne
• D) Odrzucenie obu i uznanie kwestii za nierozwiązywalną

Opis: SymPy to deterministyczny symboliczny system obliczeniowy: zawsze daje ten sam, dokładny, poprawny wynik na tym samym wejściu. Sztuczna inteligencja tworzy tekst statystycznie i może mieć halucynacje. W sporze za podstawę należy przyjąć SymPy i nakłonić sztuczną inteligencję do znalezienia miejsca jej błędu.

7. Dlaczego warunek „0,1 + 0,2 == 0,3” nie działa zgodnie z oczekiwaniami w kodzie Pythona i jak to naprawić?

• A) Dodawanie jest zepsute w Pythonie; trzeba używać innego języka
• B) Dokładna równość nie jest spełniona ze względu na precyzję liczb zmiennoprzecinkowych; Należy zastosować tolerancję taką jak „abs(a-b) < 1e-9” ✔
• C) Wartość 0,3 jest nieprawidłowa; Konieczne jest wpisanie 0,30000000004
• D) Stan zawsze działa poprawnie, nie ma problemu

Objaśnienie: Komputery przechowują liczby dziesiętne w formacie zmiennoprzecinkowym z ograniczoną precyzją; Wartość 0,1 + 0,2 jest zapisywana z bardzo małym odchyleniem, a nie dokładnie 0,3. Dlatego zamiast dokładnej równości „==” należy zastosować tolerancję taką jak „abs(a-b) < 1e-9”.

8. Jaki jest najlepszy „test zdrowego rozsądku” przed zastosowaniem kodu skalarnego do wyszukiwania pierwiastka skalarnego do prawdziwego problemu?

• A) Zastosowanie kodu bezpośrednio do rzeczywistego problemu bez jego testowania
• B) Sprawdź długość kodu i policz go poprawnie, jeśli jest długi.
• C) Testowanie kodu prostym wejściem, którego odpowiedź jest znana (np. x²-4=0 pierwiastki ±2) i sprawdzanie, czy daje oczekiwany wynik ✔
• D) Potwierdzenie sztucznej inteligencji, że kod jest poprawny

Objaśnienie: Testowanie kodu za pomocą prostego wejścia, którego odpowiedź już znasz (np. ±2 dla x²-4=0 z oczywistymi pierwiastkami) jest najtańszą i najskuteczniejszą weryfikacją. Jeśli kod poprawnie podaje znaną sytuację, wzrasta prawdopodobieństwo, że będzie on wiarygodny w przypadku problemów, których nie znasz.

9. Jak w wizualizacji sprawdzić, czy wykres poprawnie odzwierciedla matematykę?

• A) Jeśli wykres wygląda estetycznie, uznaje się go za poprawny.
• B) Porównanie wykresu ze znanymi właściwościami funkcji i prawdziwą wartością przynajmniej jednego punktu ✔
• C) W ogóle nie patrzę na etykiety osi
• D) Poleganie na słownym opisie wykresu dokonanym przez sztuczną inteligencję

Wyjaśnienie: Grafika, która wygląda ładnie, nie musi być dokładna; Sztuczna inteligencja może narysować niewłaściwą funkcję, w niewłaściwym zakresie lub ze zniekształconą asymptotą. Porównanie wykresu ze znanymi właściwościami funkcji (zakres oscylacji, symetria, asymptota) i obliczenie przynajmniej jednego punktu wyłapuje błędy.

10. Jaki jest najważniejszy punkt weryfikacji materiału szkoleniowego wyprodukowanego przy użyciu sztucznej inteligencji i dlaczego?

• A) Czcionka i kolorystyka materiału
• B) Długość materiału i liczba stron
• C) Dokładność rozwiązanych przykładów; ponieważ uczniowie biorą ich za wzorce i uczą złego przykładu i złej metody ✔
• D) Jak szybko materiał jest wytwarzany

Wyjaśnienie: Rozwiązane przykłady są traktowane przez uczniów jako modele; Nieprawidłowo rozwiązany przykład bezpośrednio uczy uczniów niewłaściwej metody. Dlatego każdy rozwiązany przykład należy zweryfikować indywidualnie, krok po kroku, za pomocą SymPy lub ręcznie. Niewielką dwuznaczność w wyjaśnieniu tematu można zrekompensować, ale zły przykład powoduje kaskadowe szkody.

11. Jaki jest najskuteczniejszy i niezawodny sposób weryfikacji zestawu pytań wielokrotnego wyboru generowanego przez sztuczną inteligencję?

• A) Jeszcze raz zadaj sztucznej inteligencji pytanie, czy pytania są prawidłowe
• B) Sprawdzanie losowo tylko kilku pytań i ufanie reszcie
• C) Używanie klucza odpowiedzi w obecnej postaci, bez sprawdzania któregokolwiek z nich
• D) Zbiorowe i deterministyczne sprawdzenie klucza odpowiedzi poprzez wydrukowanie i uruchomienie kodu, który rozwiązuje wszystkie pytania za pomocą SymPy ✔

Wyjaśnienie: Sztuczna inteligencja najczęściej popełnia błędy, takie jak nieprawidłowe zaznaczanie klucza odpowiedzi i generowanie wielu/zero poprawnych opcji. Napisanie i uruchomienie kodu, który rozwiązuje wszystkie pytania na raz za pomocą SymPy, to najskuteczniejszy sposób na deterministyczne i zbiorcze sprawdzenie klucza odpowiedzi.

12. Który z poniższych powodów jest głównym powodem, dla którego sztuczna inteligencja popełnia błędy w matematyce?

• A) Sztuczna inteligencja jest modelem językowym; nie sprawdza poprawności logicznej, generuje tekst statystycznie ✔
• B) Sztuczna inteligencja nigdy nie uczyła się matematyki
• C) Sztuczna inteligencja jest celowo zaprogramowana tak, aby podawać błędne odpowiedzi
• D) Sztuczna inteligencja popełnia błędy tylko w bardzo trudnych problemach, nigdy w łatwych.

Opis: Sztuczna inteligencja nie jest silnikiem logicznym, ale modelem językowym generującym tekst zawierający wzorce statystyczne; Nie posiada wewnętrznego mechanizmu sprawdzającego logiczną ważność kroków. „Ważny dowód” z „3-cyfrowym mnożeniem” jest dla niego zadaniem wytworzenia tego samego rodzaju tekstu, więc nie można zagwarantować jego poprawności.

13. Jeśli wynik problemu prawdopodobieństwa wynosi 1,4, skąd wiesz, że wystąpił błąd, bez wchodzenia w szczegóły?

• A) Obliczenie jest prawidłowe, ponieważ wynik wynosi 1,4, prawdopodobieństwo może przekroczyć 1
• B) Znak prawdopodobieństwa jest nieistotny, wartość przyjmuje się niezależnie
• C) Nie przyjmuje się, że wystąpił błąd, wynik uważa się za ostateczny.
• D) Prawdopodobieństwo musi mieścić się w przedziale od 0 do 1; ✔ Testowanie zdroworozsądkowe wskazuje na błąd, ponieważ 1,4 przekracza ten limit

Opis: Zdrowy rozsądek i test rzędu wielkości sprawdzają w ciągu kilku sekund, czy wynik mieści się w rozsądnym zakresie. Prawdopodobieństwo musi z definicji mieścić się w przedziale od 0 do 1; 1,4 wykracza poza tę granicę, zatem oczywiste jest, że wystąpił błąd, nie patrząc na szczegóły obliczeń.

14. Dlaczego w LaTeX-u ważne jest pisanie „e^{x^2}” zamiast „e^x^2”?

• A) Są dokładnie takie same, różnica jest tylko estetyczna
• B) Nawiasy klamrowe określają zakres wykładnika; Bez tego wyrażenie byłoby niepoprawne lub niejednoznaczne, dlatego wieloznakowy wykładnik {} jest niezbędny ✔
• C) Nawiasy klamrowe są bezużyteczne w LaTeX-ie
• D) „e^x^2” jest zawsze prawdziwe, użycie „{}” jest niepotrzebne

Objaśnienie: Najczęstszym błędem w języku LaTeX jest błąd zakresu: jeśli nawiasy klamrowe „{}” nie zostaną użyte w wieloznakowym wykładniku, indeksie dolnym lub ułamku, zasłonięty zostanie tylko pierwszy znak, a wyrażenie stanie się niepoprawne (lub nawet niejednoznaczne). „e^{x^2}” wyjaśnia, że ​​cały wykładnik to x²; Kod powinien zostać wyrenderowany i zweryfikowany poprzez oględziny wizualne.

15. Chcesz, aby pytania aktywnego egzaminu centralnego weryfikowane były przez sztuczną inteligencję. Jakie podejście jest najlepsze pod względem etyki i prywatności?

• A) Swobodne wprowadzanie pytań do dowolnego ogólnego narzędzia AI, ponieważ matematyka nie zawiera poufnych danych
• B) Używanie pytań na egzaminie bez ich weryfikacji
• C) Sprawdzanie poprawności pytań za pomocą bezpiecznego/natywnego narzędzia (np. SymPy) lub korzystanie wyłącznie z narzędzi dla przedsiębiorstw zapewniających ochronę prywatności ✔
• D) Dzielenie się pytaniami w mediach społecznościowych i proszenie innych o kontrolę

Opis: Aktywne pytania egzaminacyjne są wrażliwe; Teoretycznie może zostać ujawniony w przypadku zhakowania narzędzia sztucznej inteligencji, którego poufność nie jest gwarantowana. Prawidłowym podejściem jest albo sprawdzanie pytań za pomocą bezpiecznego/natywnego narzędzia (np. z kolegą z SymPy), albo używanie wyłącznie narzędzi certyfikowanych przez firmę i zapewniających ochronę danych.