Vinster:
- Förståelse av att studentdata är personlig och ofta privat data, och reglerna för anonymisering och lagring inom ramen för KVKK och professionell sekretess
- Förmåga att öva på avidentifiering och välja ett säkert/institutionellt verktyg vid inmatning av data i allmänt tillgängliga verktyg för artificiell intelligens
- Att förstå att samtycke till datadelning, dataminimering och efterlevnad av skolans policy är lärarens ansvar.
En lärare har tillgång till mycket känslig information under sitt arbete: betyg, beteendejournaler, hälsotillstånd, familjeinformation, vägledningssamtal, socioekonomiska uppgifter. Denna information tillhör elevens mest privata område och när den hamnar i orätta händer kan den orsaka livslång skada. De flesta AI-verktyg är molnbaserade – vilket innebär att texten du skriver bearbetas på fjärranslutna företagsservrar, inte på din dator, och i vissa verktyg kan den användas för att utveckla modellen. Så att skriva en elevs information till en offentlig AI innebär att du tar den utanför din kontroll. Den här enheten etablerar det mest kritiska lagret av säkerhet vid användning av AI i undervisningen. Regeln är tydlig: Anonymisera elevdata först, använd säkra/institutionella verktyg om möjligt; Ansvaret ligger på läraren.
Vilken data är skyddad? Ramen för KVKK
Personuppgifter är all information som gör en person specifik eller identifierbar: namn-efternamn, skolnummer, ID-kort, fotografi eller till och med indirekta beskrivningar som "den längsta eleven i 3-A" i ett sammanhang. Särskilda (känsliga) personuppgifter skyddas starkare: hälsa, etnicitet, religion, brottsdom, biometriska uppgifter, förenings-/fackföreningsmedlemskap. Elevens hälsorapport, diagnos av inlärningssvårigheter eller familjetrauma är i denna kategori.
KVKK (Personal Data Protection Law) kräver att personuppgifter behandlas lagligt, för ett specifikt ändamål, på ett uppmätt och säkert sätt. Praktiska konsekvenser för läraren: använd data endast vid behov (dataminimering), missbruk inte data, håll den säker, dela den inte med tredje part (inklusive offentlig AI) utan tillstånd. Det finns också en tystnadsplikt: läraren kan inte avslöja den information han får veta om eleven och hans familj.
Varning: Att anta att "företaget inte läser detta ändå" är inte säkert. Vissa gratis AI-verktyg kan lagra/använda indata under träning. När data väl är ute kan den inte hämtas. Det säkraste är att aldrig ta ut data.
Anonymisering: gör det till en reflex
Anonymisering innebär att ta bort alla element som identifierar en person från data och oåterkalleligt generalisera den. I praktiken:
- Namn-efternamn → "Student A", "en student"
- Skolnummer, TR-ID, klass-gren → ta bort helt
- Förälders namn, telefon, adress → ta bort
- Sällsynta/beskrivande detaljer → generalisera (fraser som "en elev som använder rullstol" ger bort personen; säg "en elev")
- Skolans/institutionens namn → gå ur eller säg "vår skola"
Innan du ger en text till AI:n, anta att en främling kommer att läsa den: kan det förstås utifrån denna text vilket barn det är? Om det är tydligt, generalisera ytterligare.
Säkert val av fordon
Alla AI-verktyg är inte likadana. Det säkraste är företagsverktyg som din skola/institution tillhandahåller, har ett databehandlingsavtal (DPA) och inte använder indata i utbildningen. Med gratis, allmänt tillgängliga verktyg borde antagandet vara det värsta scenariot. När du väljer ett verktyg, fråga: Är mina indata sparade? Används det i utbildningen? Var behandlas uppgifterna? Godkänner skolans policy detta verktyg? Om du är osäker, använd inte uppgifterna utan att anonymisera den.
Steg för steg: privatsäkert arbetsflöde
- Skanna efter personuppgifter. Namn, nummer, institution, känslig situation.
- Anonymisera. Ersätt med allmänna uttryck; radera identifieringsuppgifter.
- Använd dataminimering. Lägg inte till någon information som inte krävs för uppgiften.
- Välj fordon. Institutionell om möjligt; Om inte, anta det värsta scenariot.
- Använd den. Arbeta endast med anonym text.
- Kontrollera också utgången. AI kan återspegla informationen du ger den; Det ska inte finnas något identitetsläckage i utgången.
tre minifodral
Fall 1 — Sista minuten-fångst. En vägledare skrev till AI för att rådgöra om en elevs familjeproblem; Texten innehöll namn, årskurs och "hans mamma ligger på sjukhuset". Han märkte utan att skicka det, generaliserade det hela som "13-årig student, en hälsoutmaning i hans familj." De allmänna förslagen han fick fungerade; Inga personuppgifter har läckt ut.
Fall 2 – Indirekt identifiering. En lärare skrev till AI att det var "material för den enda synskadade eleven i klassen." Det fanns inget namn, men frasen beskrev definitivt den där pojken i skolan. När han märkte det ändrade han det till "för en elev som behöver synstöd." Anonymisering handlar inte bara om att radera namn, utan också att dölja identifierande detaljer.
Fall 3 — Val av fordon. En skola förbjöd lärare att använda gratisverktyg med elevdata och tillhandahöll ett företagsverktyg med datasäkerhet. En lärare skulle klistra in notanalys i det kostnadsfria verktyget av vana; Tack vare policypåminnelsen bytte han till företagsverktyget och anonymiserade fortfarande uppgifterna. Två lager av skydd kombinerat.
Kopierbara mallar
1) Pre-anonymiseringsskanning:
Antag att en främling kommer att läsa följande text. Kan det direkt ELLER indirekt av denna text förstås vilken elev han är? Lista alla uttryck som ger bort identiteten (namn, nummer, institution, sällsynt särdrag) och föreslå ett allmänt alternativ för varje. Text: [klistra in]
2) Säker självbedömning av fordon:
Skriv en checklista med 6 frågor för att utvärdera ett AI-verktyg som jag överväger att använda: indatalagring, användning inom utbildning, dataplats, institutionellt godkännande, rätt att radera, efterlevnad av känslig data. Lägg till "vad ska man göra om ja / vad man ska göra om nej" till varje fråga.
3) Dataminimeringskontroll:
Förenkla texten jag kommer att ge AI för följande uppgift: ta bort alla personliga/kontextuella detaljer som uppgiften INTE KRÄVER, lämna bara det som är nödvändigt för att utföra jobbet. Uppgift: [beskriv]. Text: [klistra in]
4) Utkast till skolpolicy (för lärare):
Utarbeta en kort, tydlig 8-punktslista med regler för lärare i en skola att använda AI-verktyg för att säkra elevdata: anonymisering, godkänt verktyg, känslig data, lagring, samtycke, meddelande om intrång. Låt det finnas turkiska, tillämpliga artiklar. Jag kommer att överlämna detta till ledningens/expertens godkännande.
Svag prompt / Stark prompt
Svag uppmaning:
Ahmet Yılmaz, 7-B nummer 214, är mycket svag i matematik och hans far är likgiltig; Vad ska jag göra för den här studenten?
Namn, nummer, klass, familjejurisdiktion — ett grovt brott mot konfidentialitet; Uppgifterna ligger utanför din kontroll.
Kraftfull uppmaning:
Föreslå 3 stödstrategier som kan implementeras i skolan för en elev i 7:an som har svårt med grundläggande operationer i matematik, förutsatt att det finns begränsat stöd hemma. (Studenten är anonym; jag delar ingen personlig information.)
Datatyp
exempel
Är det givet till AI?
Hur
direkt identifiering
Namn, nummer, TR
nej
Ta bort helt
indirekt identifiering
"Ensamstående funktionshindrad student"
nej
generalisera
Känsliga data
Hälsa, diagnos, familj
mycket försiktig
Anonymt + företagsverktyg
Allmän pedagogisk situation
"En kämpande student"
Ja
anonymt
Vanliga misstag
- Ta bara bort namnet. Om numret, klassen eller den indirekta definitionen finns kvar är identiteten fortfarande tydlig.
- Förbise den indirekta definitionen. Uttryck som "Du är den enda i din klass..." ger bort personen.
- Att ta lätt på känsliga uppgifter. Hälso-/familjeinformation är speciell data och kräver högre skydd.
- Utgår från fordonssäkerhet. Det är riskabelt att anta att det kostnadsfria verktyget inte lagrar data; Anta det värsta.
- Styr inte utgången. AI:n kan upprepa inloggningsuppgifterna du anger i svaret; rengör utgången också.
Tips: "Tvåminutersregel": innan du klistrar in någon studentrelaterad text i AI:n, ta två minuter att rensa namn, nummer, institution och identifierande detaljer. Denna lilla vana förhindrar de största kränkningarna.
Sammanfattningsvis
Studentuppgifter är personliga, ofta privata uppgifter och skyddas under KVKK och yrkessekretess. Offentliga AI-verktyg är molnbaserade; Att ge data som den är lämnar den utom kontroll. Rätt sätt: att anonymisera personlig och indirekt identifierande information, dela bara det som är nödvändigt (dataminimering), använd företagsverktyg och godkända verktyg om möjligt och granska resultatet. Ansvaret ligger på läraren.
Applikationsuppgift
Ta en text om en elev som du har skrivit (eller funderar på att skriva) till AI den senaste veckan. Upptäck och generalisera alla direkta och indirekta identifierare med mallen "screening före anonymisering". Utvärdera sedan AI-verktyget du använder mot listan "Secure Tool Self Assessment" och bestäm vilken typ av data du kan använda med det här verktyget.
checklista
- [ ] Har jag tagit bort direkta identifierare som namn, nummer, TR ID, institution?
- [ ] Har jag generaliserat indirekta deskriptorer som "Den enda i din klass..."?
- [ ] Har jag behandlat känsliga (hälso-/familje)uppgifter med extra skydd?
- [ ] Har jag kontrollerat datapolicyn och skolans godkännande för fordonet jag använder?
- [ ] Har jag kollat efter identitetsläckor i utdata också?