Faida:
- Kuelewa kuwa data ya mwanafunzi ni ya kibinafsi na mara nyingi ya faragha, na sheria za kutokutambulisha na kuhifadhi ndani ya mawanda ya KVKK na usiri wa kitaalamu.
- Uwezo wa kufanya mazoezi ya kutotambua na kuchagua zana salama/kitaasisi wakati wa kuingiza data kwenye zana za kijasusi za bandia zinazopatikana hadharani.
- Kuelewa kwamba idhini ya kushiriki data, kupunguza data na kufuata sera ya shule ni jukumu la mwalimu.
Mwalimu anaweza kupata taarifa nyeti sana wakati wa kazi yake: alama, rekodi za tabia, hali ya afya, taarifa za familia, mazungumzo ya mwongozo, data ya kijamii na kiuchumi. Taarifa hii ni ya eneo la faragha zaidi la mwanafunzi na inapoangukia kwenye mikono isiyo sahihi, inaweza kusababisha madhara ya maisha yote. Zana nyingi za AI zinategemea wingu - kumaanisha maandishi unayoandika yanachakatwa kwenye seva za kampuni za mbali, si kwenye kompyuta yako, na katika baadhi ya zana zinaweza kutumika kutengeneza modeli. Kwa hivyo kuandika maelezo ya mwanafunzi kwenye AI ya umma kunamaanisha kuiondoa nje ya udhibiti wako. Kitengo hiki kinaweka safu muhimu zaidi ya usalama katika kutumia AI katika ufundishaji. Sheria iko wazi: Usijulishe data ya wanafunzi kwanza, tumia zana salama/kitaasisi ikiwezekana; Jukumu ni la mwalimu.
Data gani inalindwa? Mfumo wa KVKK
Data ya kibinafsi ni taarifa yoyote inayomfanya mtu kuwa mahususi au kutambulika: jina-jina, nambari ya shule, kadi ya kitambulisho, picha, au hata maelezo yasiyo ya moja kwa moja kama vile "mwanafunzi mrefu zaidi wa 3-A" katika muktadha mmoja. Data maalum (nyeti) ya kibinafsi inalindwa kwa nguvu zaidi: afya, kabila, dini, hatia ya uhalifu, data ya kibayometriki, uanachama wa chama/muungano. Ripoti ya afya ya mwanafunzi, utambuzi wa ulemavu wa kujifunza, au kiwewe cha familia ziko katika aina hii.
KVKK (Sheria ya Ulinzi wa Data ya Kibinafsi) inahitaji data ya kibinafsi kuchakatwa kihalali, kwa madhumuni mahususi, kwa njia iliyopimwa na salama. Athari za vitendo kwa mwalimu: tumia data inapohitajika tu (kupunguza data), usitumie data vibaya, ihifadhi salama, usiishiriki na watu wengine (pamoja na AI ya umma) bila ruhusa. Pia kuna wajibu wa usiri wa kitaaluma: mwalimu hawezi kufichua habari anayojifunza kuhusu mwanafunzi na familia yake.
Tahadhari: Kwa kudhani "kampuni haisomi hii hata hivyo" si salama. Baadhi ya zana za bure za AI zinaweza kuhifadhi/kutumia pembejeo katika mafunzo. Baada ya data kutoka, haiwezi kurejeshwa. Jambo salama zaidi ni kutowahi kuchukua data nje.
Kuficha utambulisho: kuifanya kuwa reflex
Kuficha utambulisho kunamaanisha kuondoa vipengele vyote vinavyomtambulisha mtu kutoka kwa data na kuijumlisha bila kutenduliwa. Katika mazoezi:
- Jina la ukoo → "Mwanafunzi A", "mwanafunzi"
- Nambari ya shule, TR ID, tawi la darasa → ondoa kabisa
- Jina la mzazi, simu, anwani → ondoa
- Maelezo adimu/maelezo → kujumlisha (maneno kama "mwanafunzi mmoja anayetumia kiti cha magurudumu" mpe mtu huyo; sema "mwanafunzi mmoja")
- Jina la shule/taasisi → toka au sema "shule yetu"
Kabla ya kutoa maandishi kwa AI, fikiria kuwa mgeni ataisoma: inaweza kueleweka kutoka kwa maandishi haya ni mtoto gani? Ikiwa ni wazi, fanya jumla zaidi.
Uchaguzi wa gari salama
Sio zana zote za AI zinazofanana. Zana salama zaidi ni za shirika ambazo shule/taasisi yako hutoa, ina makubaliano ya kuchakata data (DPA), na haitumii pembejeo katika elimu. Kwa zana zisizolipishwa, zinazopatikana kwa umma, dhana inapaswa kuwa hali mbaya zaidi. Wakati wa kuchagua zana, uliza: Je, michango yangu imehifadhiwa? Je, inatumika katika elimu? Data inachakatwa wapi? Je, sera ya shule inaidhinisha zana hii? Ikiwa huna uhakika, usitumie data bila kuificha.
Hatua kwa hatua: mtiririko wa kazi kwa usalama wa kibinafsi
- Changanua data ya kibinafsi. Jina, nambari, taasisi, hali nyeti.
- Usijulishe. Badilisha kwa maneno ya jumla; futa maelezo ya utambuzi.
- Tumia kupunguza data. Usiongeze habari yoyote ambayo haihitajiki na kazi.
- Chagua gari. Taasisi ikiwezekana; Ikiwa sivyo, fikiria hali mbaya zaidi.
- Itumie. Fanya kazi na maandishi yasiyojulikana pekee.
- Angalia pato pia. AI inaweza kurudisha nyuma habari unayoipa; Haipaswi kuwa na uvujaji wa utambulisho katika pato.
kesi tatu ndogo
Kesi ya 1 - Kukamata dakika ya mwisho. Mshauri mwelekezi aliiandikia AI kushauriana kuhusu tatizo la familia la mwanafunzi; Maandishi hayo yalijumuisha jina, daraja na "mama yake yuko hospitalini." Aligundua bila kuituma, akaifanya yote kwa ujumla kama "mwanafunzi mwenye umri wa miaka 13, changamoto ya afya katika familia yake." Mapendekezo ya mbinu ya jumla aliyopokea yalifanya kazi; Hakuna data ya kibinafsi iliyovuja.
Kesi 2 - Utambulisho usio wa moja kwa moja. Mwalimu aliandikia AI kwamba ilikuwa "nyenzo kwa mwanafunzi pekee aliye na matatizo ya kuona darasani." Hakukuwa na jina, lakini kifungu hicho kilielezea mvulana huyo shuleni. Alipoona, aliibadilisha kuwa "kwa mwanafunzi anayehitaji usaidizi wa maono." Kuficha utambulisho sio tu juu ya kufuta majina, lakini pia kuficha maelezo ya utambulisho.
Kesi ya 3 - uteuzi wa gari. Shule moja ilipiga marufuku walimu kutumia zana zisizolipishwa zilizo na data ya wanafunzi na kutoa zana ya biashara yenye usalama wa data. Mwalimu mmoja angebandika uchanganuzi wa madokezo kwenye chombo huru bila mazoea; Shukrani kwa kikumbusho cha sera, alitumia zana ya shirika na bado akaficha data. Safu mbili za ulinzi pamoja.
Violezo vinavyoweza kunakiliwa
1) Uchanganuzi wa kutotambulisha majina mapema:
Fikiria kuwa mgeni atasoma maandishi yafuatayo. Je, inaweza kueleweka moja kwa moja AU kwa njia isiyo ya moja kwa moja kutoka kwa maandishi haya ni mwanafunzi gani? Orodhesha misemo yote ambayo hutoa utambulisho (jina, nambari, taasisi, kipengele adimu) na upendekeze mbadala wa jumla kwa kila moja. Maandishi: [bandika]
2) Tathmini salama ya gari:
Andika orodha hakiki ya maswali 6 ili kutathmini zana ya AI ninayozingatia kutumia: hifadhi ya ingizo, matumizi katika elimu, eneo la data, idhini ya taasisi, haki ya kufuta, utiifu nyeti wa data. Ongeza "cha kufanya ikiwa ndio / nini cha kufanya ikiwa hapana" kwa kila swali.
3) Udhibiti wa kupunguza data:
Rahisisha maandishi nitawapa AI kwa kazi ifuatayo: ondoa maelezo yoyote ya kibinafsi / mazingira ambayo kazi HAITAHITAJI, na kuacha tu kile kinachohitajika kufanya kazi. Kazi: [eleza]. Maandishi: [bandika]
4) Rasimu ya sera ya shule (kwa walimu):
Rasimu ya orodha fupi na iliyo wazi ya kanuni 8 ili walimu shuleni watumie zana za AI ili kupata data ya wanafunzi: kutokutambulisha, zana iliyoidhinishwa, data nyeti, kuendelea kubaki, idhini, arifa ya ukiukaji. Hebu kuwe na Kituruki, makala zinazotumika. Nitawasilisha hii kwa usimamizi/ idhini ya kitaalam.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Ahmet Yılmaz, 7-B nambari 214, ni dhaifu sana katika hisabati na babake hajali; Je, nifanye nini kwa mwanafunzi huyu?
Jina, nambari, darasa, mamlaka ya familia - ukiukaji mkubwa wa usiri; Data iko nje ya udhibiti wako.
Agizo lenye nguvu:
Pendekeza mikakati 3 ya usaidizi ambayo inaweza kutekelezwa shuleni kwa mwanafunzi wa darasa la 7 ambaye ana shida na shughuli za kimsingi za hisabati, ikizingatiwa kuwa kuna usaidizi mdogo nyumbani. (Mwanafunzi asiyejulikana; sishiriki maelezo yoyote ya kibinafsi.)
Aina ya data
mfano
Je, inatolewa kwa AI?
Jinsi gani
kitambulisho cha moja kwa moja
Jina, nambari, TR
hapana
Ondoa kabisa
kitambulisho kisicho cha moja kwa moja
"Mwanafunzi mmoja mlemavu"
hapana
kujumlisha
Data nyeti
Afya, utambuzi, familia
makini sana
Chombo kisichojulikana + cha biashara
Hali ya jumla ya ufundishaji
"Mwanafunzi mwenye shida"
Ndiyo
bila kujulikana
Makosa ya kawaida
- Futa tu jina. Ikiwa nambari, darasa au ufafanuzi usio wa moja kwa moja unabaki, utambulisho bado uko wazi.
- Kuzingatia ufafanuzi usio wa moja kwa moja. Maneno kama "Wewe ndiye pekee katika darasa lako ..." mpe mtu huyo.
- Kuchukua data nyeti kirahisi. Taarifa za afya/familia ni data maalum na zinahitaji ulinzi wa juu zaidi.
- Kuzingatia usalama wa gari. Ni hatari kudhani kuwa chombo cha bure hakihifadhi data; Fikiria mbaya zaidi.
- Sio kudhibiti pato. AI inaweza kurudia kitambulisho unachotoa katika jibu; safisha pato pia.
Kidokezo: "Sheria ya dakika mbili": kabla ya kubandika maandishi yoyote yanayohusiana na mwanafunzi kwenye AI, chukua dakika mbili kufuta jina, nambari, taasisi na maelezo ya utambuzi. Tabia hii ndogo huzuia ukiukwaji mkubwa zaidi.
Kwa muhtasari
Data ya wanafunzi ni ya kibinafsi, mara nyingi ya faragha na inalindwa chini ya KVKK na usiri wa kitaalamu. Zana za AI za umma zinatokana na wingu; Kutoa data jinsi ilivyo huiacha nje ya udhibiti. Njia sahihi: kuficha utambulisho wa habari ya kibinafsi na isiyo ya moja kwa moja, shiriki tu kile kinachohitajika (kupunguza data), tumia zana za ushirika na zilizoidhinishwa ikiwezekana, na kukagua matokeo. Jukumu ni la mwalimu.
Jukumu la maombi
Chukua maandishi kuhusu mwanafunzi ambaye umeandika (au unafikiria kumwandikia) kwa AI katika wiki iliyopita. Gundua na ujaze vitambulishi vyote vya moja kwa moja na visivyo vya moja kwa moja kwa kiolezo cha "uchunguzi wa kutokutambulisha". Kisha tathmini zana ya AI unayotumia dhidi ya orodha ya "Zana salama ya kujitathmini" na uamue ni aina gani ya data unayoweza kutumia na zana hii.
orodha ya ukaguzi
- [ ] Je, nimeondoa vitambulishi vya moja kwa moja kama vile jina, nambari, TR ID, taasisi?
- [ ] Je, nimejumlisha vifafanuzi visivyo vya moja kwa moja kama vile "Ya pekee katika darasa lako..."?
- [ ] Je, nimeshughulikia data nyeti (ya afya/familia) kwa ulinzi wa ziada?
- [ ] Je, nimekagua sera ya data na idhini ya shule ya gari ninalotumia?
- [ ] Je, nimekagua uvujaji wa utambulisho kwenye matokeo pia?