Vinster:
- Att kunna urskilja var artificiell intelligens sparar realtid i specialpedagogikens arbetsflöde (utkastskrivning, materialproduktion, sammanfattning) och var beslut som diagnos, placering och målsättning lämnas till experten och IEP-teamet, enligt uppgiftens risknivå.
- Möjlighet att tillämpa en disciplin som verifierar varje artificiell intelligens-utgång genom att koppla den till källan, jämföra den med barnets verkliga profil och föra den genom ett expertfilter.
- Anonymisera student- och familjedata inom ramen för KVKK/sekretess och få vana att välja ett säkert fordon
En speciallärardag går tyst under en hög med papper. En elevs individuella utbildningsprogram (IEP) kommer att förnyas, ett anpassat arbetsblad kommer att förberedas för en annan, beteendet för den tredje kommer att ritas upp och en lägesrapport kommer att skrivas till familjen till den fjärde. Alla dessa kräver att känna barnet, kreativt tänkande och expertis; Men några av dem är också repetitiva, formella och tidskrävande. Artificiell intelligens (AI, eller AI för kort – datorsystem som kan generera text, känna igen mönster, sammanfatta och rita som människor) är en kraftfull hjälpreda för att accelerera exakt denna andra grupp. Den beskriver ett IEP-mål, förenklar en text och sammanfattar en observationsanteckning på några minuter. Men när det används felaktigt kan samma verktyg föra med sig en till synes säker men felaktig utdata i ett barns utbildningsbeslut.
Den första delen av denna modul är inte en programintroduktion. Dess syfte är att klargöra var du ska placera AI i din verksamhet och var du inte ska placera den alls. Eftersom specialpedagogik är ett område som både är "arbetskrävande" och direkt "barnrättskritisk": ett mål du skriver är vad barnet ska lära sig under ett år; Det anpassningsbeslut du fattar avgör om det kommer att förstås i klassrummet. Låt oss lägga upp grundprincipen från början: Artificiell intelligens är en assistent, inte en expert. Ansvar och slutgiltigt godkännande för diagnos, placering, målsättning och beslut som påverkar barnets framtid tillhör den behöriga specialisten, IEP-teamet och familjen.
Lager av specialpedagogisk verksamhet och platsen för AI
Det är användbart att dela upp specialpedagogens arbete i tre lager. Utvärderingslagret är processen att lära känna barnet: observation, utvecklingshistoria, läsning av RAM-rapporten (pedagogisk utvärderingsrapport utarbetad av Guidance Research Center). Planeringsskiktet är att ta fram IEP-mål, material och beteendeplan utifrån detta. Implementerings- och övervakningsskiktet är daglig undervisning, datainsamling och framstegsutvärdering. AI kan röra alla tre skikten; men med olika auktoriteter i varje. I utvärderingsskiktet sammanfattar och redigerar AI endast anonymt, inte diagnoser; är en kraftfull konturgenerator i planeringsskiktet; I övervakningsskiktet sammanfattar den data och föreslår tolkning, men fattar inte beslutet.
Låt oss definiera några grundläggande termer från början. IEP (Individualized Education Program) är en skriftlig plan utarbetad efter en elevs behov och innehållande mål och åtgärder. Utfall är det mätbara läranderesultatet som eleven förväntas uppnå. Boende, underlätta presentationen utan att ändra innehållet; modifiering är en förenkling av själva innehållet. AAC (alternativ och kompletterande kommunikation) är ett tillvägagångssätt som gör att en individ med talsvårigheter kan kommunicera med symboler, kort eller enheter. Vi kommer att förklara dessa begrepp en efter en i följande enheter; För nu, vet detta: AI ger dig konturer och idéer för alla dessa koncept, men det fattar inga beslut.
Följande tabell sammanfattar rollen och risknivån för AI efter uppdrag:
Quest
AI:s roll
Risknivå
Vem godkänner
Material/arbetsbladsutkast
skissgenerator
låg
speciallärare
Textförenkling, sammanfattning
Redaktör
låg
lärare
Att skriva en IEP-målöversikt
Blueprint generator, anpassning krävs
medium
BEP team + familj
idé om beteendeplan
rekommendationsgenerator
hög
Expert + vägledning
Framstegsgranskning
datasammanfattning
medium
Lärare + expert
Diagnos/placeringsbeslut
Ej tillgängligt
mycket hög
RAM + auktoriserad expert
Tänk på den ena raden i det här diagrammet: när insatserna ökar, krymper AI:s roll och mänskligt samtycke växer. AI har ingen plats i den översta raden; Diagnos och placering tillhör juridiskt och etiskt auktoriserade institutioner.
Varför "verifiering" är hjärtat i denna verksamhet
Artificiell intelligens språkmodeller verkar säkra på sitt svar, men de kanske inte är säkra. På fackspråk kallas detta för hallucination: det är modellens tillverkning av icke-existerande information i en flytande mening, precis som om den vore sann. Detta är en allvarlig fälla inom specialundervisningen. Modellen kan ge dig en tänkt "utvecklingsnorm" ("varje 5-årigt barn kan 200 ord"); kan uppfinna en icke-existerande lagstiftning (en exakt men falsk mening som "BEPs måste förnyas var sjätte månad"); eller så kan han föreslå en "metod" som inte har någon vetenskaplig grund. Eftersom han säger dem alla med samma flyt, är det enda som skiljer rätt från fel din expertis och vana att verifiera.
Verifieringsdisciplinen består av tre steg:
- Länk till källan: Inte till AI:s minne för lagstiftning, utvecklingsnormer, metoder och kriterier; Lita på officiella källor (MEB Special Education Services Regulation, RAM-rapport, institutionella procedurer) och fältlitteratur. Använd AI för att skissera denna information, inte för att komma ihåg den.
- Jämför med barnets verkliga profil: Jämför varje mål, material eller förslag som AI producerar med prestationsnivån för det riktiga barnet du känner. Är den tung, lätt eller lämplig för honom?
- Expertfilter: Testa med expertöga om resultatet är pedagogiskt, etiskt och juridiskt sundt; Rensa upp formuleringar som är stigmatiserande, strafforienterade eller orealistiska.
Varning: Att lägga in ett AI-genererat IEP-mål eller beteendeplan i filen utan att verifiera det är som att fatta ett osignerat expertbeslut. Bara för att resultatet är flytande är det inte sant; Den är inte heller lämplig för barn.
Sekretess: studentdata är privat data
Studentdata (namn, TR ID-nummer, diagnos, RAM-rapport, familjeinformation, beteenderegister) är skyddade enligt KVKK (Personal Data Protection Law) i Türkiye och GDPR i Europa; Hälso- och handikappinformation är speciell kvalitetsdata. Att klistra in en elevs namn, identifikationsnummer, diagnos eller familjehistoria ordagrant i ett offentligt AI-verktyg är en allvarlig överträdelse. Regeln är enkel: anonymisera data och dela inte onödigt. Istället för "Ahmet Yıldız, 9 år, diagnostiserad med autism, protokoll 2024-3312", skriv "9-årig manlig student med begränsad verbal kommunikation". Om möjligt, välj företagsverktyg som har ett databehandlande avtal och använd inte dina data i modellträning; Ladda inte upp känsliga filer från personliga konton.
Tips: Ta för vana att göra en "anonymiseringskontroll": innan du ger en text till AI:n, byt ut namn, ID-/protokollnummer, adress och skolnamn med allmänna fraser som "elev", "familj", "skola". Dessa 30 sekunder skyddar dig från en stor risk.
tre minifodral
Fall 1 — Säker användning. En speciallärare ägnade 4 timmar per vecka till att skapa ett kalkylbladsanpassning för åtta elever. Han gav prestation och elevnivå anonymt (inga namn) till AI och begärde utkast på tre svårighetsnivåer. AI producerade utkast på 8 minuter; Läraren jämförde var och en med barnens faktiska nivå, förenklade två frågor och ändrade en bild. Längd: 50 minuter istället för 4 timmar. AI gav utkastet, expertisen låg kvar hos läraren.
Fall 2 — Overifierad informationsfälla. En lärare frågade AI:n "Hur många siffror kan barn med lindrig utvecklingsstörning som mest lägga till?" AI:n gav ett säkert "Upp till 3 siffror" svar. Läraren skrev detta som en gräns i IEP. Det finns dock ingen sådan "regel"; Varje barn är individuellt och den riktiga studenten kunde göra 4-stegsprocessen. Misstag: Att förlita sig på en allmän "norm" som består av AI:n snarare än barnets faktiska prestation.
Fall 3 – Integritetskränkning. En anställd laddade upp en lista med namn, diagnoser och familjenummer för alla elever i sin klass till ett offentligt verktyg och "genererade en klassrapport från dessa", sa han. Uppgifterna gick till en extern server och ett KVKK-klagomål väcktes. Det korrekta sättet var att utelämna namn, diagnos och kontaktuppgifter och endast arbeta med den anonyma nivåinformationen ("tre elever på förläsnivå").
Svag prompt / Stark prompt
Svag uppmaning:
Skriv ett IEP-mål för den här eleven.
Detta påstående är fel: AI känner inte barnet, prestationsnivån är inte klar, det finns inget fält och inget kriterium. Resultatet är en allmän mening i luften som inte passar barnet.
Kraftfull uppmaning:
Din roll: assistent som hjälper specialläraren. Student (anonym): 8 år gammal, på förläsnivå, etablerar delvis bokstavs-ljud-relationer. Område: läsning. Uppgift: Skriv ett UTKAST med 1 långsiktiga och 3 kortsiktiga (mätbara) mål. Inkludera tillstånd + observerbart beteende + kriterium (procent/prov) i varje kort mål. Gör inte normativa påståenden som du inte är säker på; Antag att detta är ett utkast och kommer att anpassas av BEP-teamet.
I denna uppmaning är rollen, den anonyma profilen, domänen, utdataformatet och "utkastet" tydliga. Du jämför och anpassar fortfarande produktionen till barnets faktiska nivå.
Vanliga misstag
- Väntar på diagnos eller placeringsbeslut från AI. Denna auktoritet tillhör RAM och auktoriserade experter; AI kan inte användas i detta fält.
- Dela barnets identitet. Namn, ID, protokoll och familjeinformation kan inte anges i något fordon utan anonymisering.
- Att förlita sig på påhittade "normer". Genom att ersätta generaliseringar som "Varje X barn gör Y" med den verkliga profilen.
- Använder utkastet som det är. Att överföra den overifierade utdata ordagrant till IEP, familjetext eller beteendeplan.
- Att inte uppmärksamma stigmatiserande språk. AI kan ibland ge negativa etiketter som "otillräcklig", "misslyckande"; Dessa måste passera expertfiltrering.
Sammanfattningsvis
Artificiell intelligens är en kraftfull assistent inom specialpedagogik: den utarbetar, förenklar, sammanfattar, öppnar idéer och sparar tid. Men den ställer ingen diagnos, den placerar den inte, den gör inte syftet säkert. Varje utdata verifieras genom tre steg: länk till källa, jämför med barnets faktiska profil, expertfilter. Studentdata är speciell kvalitetsdata; Den delas inte utan att vara anonymiserad. I takt med att risken ökar blir AI:s roll mindre och mänskligt ansvar växer. Dessa principer är ryggraden i resten av modulen.
Applikationsuppgift
Välj en av dina egna elever och anonymisera hans profil (utan namn, ID, skolnamn; bara ålder, ämne och prestationsnivå) och förvandla den till en text. Fråga sedan AI om en översikt över avsikten med hjälp av mallen "Kraftfull prompt" ovan. Undersök resultatet med tre verifieringssteg (källa, faktisk profil, expertfilter) och korrigera minst två punkter. Skriv ner i en mening vad du ändrade och varför.
checklista
- [ ] Jag tog bort student-ID (namn, ID, protokoll, skola) från texten.
- [ ] Rollen, den anonyma profilen och utdataformatet är tydliga i uppmaningen jag gav till AI.
- [ ] Jag jämförde resultatet med barnets faktiska prestationsnivå.
- [ ] Jag kollade efter några påhittade "normer" eller lagkrav.
- [ ] Jag överlät inte diagnosen/placeringsbeslutet till AI.
- [ ] Jag noterade att det slutliga godkännandet tillhör specialisten och BEP-teamet.