లాభాలు:
- KVKK/గోప్యత పరిధిలో రోగి ప్రయోగశాల డేటాను అనామకీకరించే సామర్థ్యం మరియు సురక్షిత సాధనాలు మరియు డేటా ప్రాసెసింగ్ నియమాలను వర్తింపజేయడం
- ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మోడల్స్ యొక్క క్లినికల్ ఉపయోగంలో ధ్రువీకరణ, పనితీరు కొలమానాలు మరియు పక్షపాత నియంత్రణ ఎందుకు తప్పనిసరి అని అర్థం చేసుకోండి.
- కృత్రిమ మేధస్సు యొక్క ప్రతి ఉపయోగంలో నాలుగు నైతిక సూత్రాలు మరియు బాధ్యత యొక్క గొలుసును నేయడం ద్వారా అంతిమ బాధ్యతను స్వీకరించగల సామర్థ్యం
ఆరోగ్య సంరక్షణ వ్యవస్థ యొక్క అత్యంత డేటా-ఇంటెన్సివ్ పాయింట్లలో ప్రయోగశాల ఒకటి. ప్రతి రోగి, ప్రతి పరీక్ష, ప్రతి ఫలితం డేటా యొక్క భాగం, మరియు ఈ ముక్కలు చాలా వరకు సున్నితమైన వ్యక్తిగత డేటా - అంటే ఆరోగ్య డేటా పరిధిలో ఉంటాయి. కృత్రిమ మేధస్సు ఈ డేటాపై పని చేయడం ద్వారా గొప్ప విలువను సృష్టించగలదు, కానీ నిర్లక్ష్యంగా ఉపయోగించినప్పుడు, అదే కృత్రిమ మేధస్సు తీవ్రమైన గోప్యతా ఉల్లంఘనలకు, చట్టపరమైన బాధ్యత మరియు రోగి నమ్మకాన్ని దెబ్బతీస్తుంది. అంతేకాకుండా, ఇది గోప్యత గురించి మాత్రమే కాదు: క్లినికల్ ఉపయోగంలో ఉంచబడిన ఒక కృత్రిమ మేధస్సు మోడల్ నిజంగా నమ్మదగినదని నిరూపించడం వృత్తిపరమైన మరియు నైతిక బాధ్యత - అంటే, ధ్రువీకరణ - మరియు ఆ మోడల్ నిర్దిష్ట రోగుల సమూహాలకు (పక్షపాతం) అన్యాయం కాదని నిర్ధారించుకోవడం.
ఈ యూనిట్లో, KVKK/గోప్యత పరిధిలో రోగి ప్రయోగశాల డేటాను ఎలా రక్షించాలో మీరు నేర్చుకుంటారు; ధ్రువీకరణ, పనితీరు కొలమానాలు మరియు క్లినికల్ AI నమూనాల పక్షపాత నియంత్రణ; మరియు ప్రతి ఉపయోగంలో నైతిక సూత్రాలను ఎలా నేయాలి. ప్రాథమిక సూత్రం: అనామకంగా లేకుండా డేటా ఏ వాహనంలోకి ప్రవేశించదు; మీ స్వంత డేటాపై ధృవీకరించబడే వరకు ఏ మోడల్ క్లినికల్ నిర్ణయాలలో పాల్గొనదు; మరియు అంతిమ బాధ్యత ఎల్లప్పుడూ నిపుణుడిదే.
గోప్యత: ఏ డేటా, దానిని ఎలా రక్షించాలి
పేషెంట్ లేబొరేటరీ డేటా (ఫలితాలు, రోగ నిర్ధారణ, ప్రోటోకాల్ నంబర్, గుర్తింపు) ఐరోపాలోని Türkiye, GDPRలో KVKK (పర్సనల్ డేటా ప్రొటెక్షన్ లా) కింద రక్షించబడింది మరియు ఆరోగ్య డేటా "ప్రత్యేక స్వభావం" అయినందున అదనపు రక్షణ అవసరం. కృత్రిమ మేధస్సును ఉపయోగిస్తున్నప్పుడు మూడు ప్రాథమిక నియమాలు:
- అజ్ఞాతం చేయండి. పేరు, TR ID, ప్రోటోకాల్/ఫైల్ నంబర్, పుట్టిన తేదీ, సంప్రదింపు మరియు సంస్థ సమాచారాన్ని తీసివేయండి. "68 ఏళ్ల మహిళా రోగి" సరిపోతుంది; "Ayşe Yılmaz, 12.03.1957" కాదు. అరుదైన వ్యాధి + చిన్న ప్రదేశం వంటి కలయికలు పరోక్షంగా గుర్తింపును బహిర్గతం చేయవచ్చని గమనించండి.
- కనీస డేటా విధానం. విధికి అవసరమైన కనీస డేటాను భాగస్వామ్యం చేయండి. సూచన పరిధి ప్రశ్నకు మొత్తం రోగి ఫైల్ అవసరం లేదు.
- సురక్షితమైన వాహనం ఎంపిక. డేటా ప్రాసెసింగ్ ఒప్పందాన్ని కలిగి ఉన్న కార్పొరేట్ సాధనాలను ఎంచుకోండి మరియు మోడల్ శిక్షణలో మీ డేటాను ఉపయోగించవద్దు. ముడి రోగి ఫైల్ను పబ్లిక్ సాధనానికి అప్లోడ్ చేయడం అత్యంత సాధారణ మరియు అత్యంత తీవ్రమైన ఉల్లంఘన.
డేటా రకం
ప్రమాదం
సరైన ప్రవర్తన
పేరు, TR ID, ప్రోటోకాల్ నంబర్
ప్రత్యక్ష గుర్తింపు
సంగ్రహించండి, అజ్ఞాతీకరించండి
పుట్టిన తేదీ, చిరునామా
పరోక్ష గుర్తింపు
వయస్సు పరిధికి డౌన్లోడ్ చేయండి, చిరునామాను తీసివేయండి
ఫలితాల విలువలు
ఆరోగ్య డేటా
అనామకంగా, కనిష్టంగా భాగస్వామ్యం చేయండి
చిత్రం (స్మెర్, పాథాలజీ)
ఆరోగ్య డేటా + ID క్లూ
ధృవీకరించబడిన క్లినికల్ సిస్టమ్లో ఉంచండి; ఓపెన్ వాహనంలోకి లోడ్ చేస్తోంది
శ్రద్ధ: "నేను దానిని గుప్తీకరించాను, కాబట్టి నేను పేరును కూడా పంపగలను" తప్పు. ఎన్క్రిప్షన్ రవాణాను సురక్షితంగా చేస్తుంది, కానీ AI సాధనానికి గుర్తింపు డేటాను పంపడాన్ని సమర్థించదు. గుర్తింపు డేటా సంగ్రహించబడింది.
మోడల్ ధ్రువీకరణ: ఎందుకు "ప్రచురించబడింది" సరిపోదు
AI మోడల్ (ఉదా. ఇమేజ్ క్లాసిఫైయర్ లేదా ఇంటర్ప్రెటేషన్ ఇంజిన్) ఒకే చోట బాగా పని చేస్తుంది కాబట్టి, అది మీ ల్యాబ్లో బాగా పని చేస్తుందని కాదు. మోడల్ మరొక జనాభా, మరొక పరికరం, మరొక స్టెయినింగ్ ప్రోటోకాల్పై శిక్షణ పొంది ఉండవచ్చు; మీ నమూనాలలో దీని పనితీరు భిన్నంగా ఉండవచ్చు. దీనిని డిస్ట్రిబ్యూషన్ షిఫ్ట్ అంటారు. అందువల్ల, క్లినికల్ ఉపయోగంలో ఉంచబడే ప్రతి మోడల్ మీ స్వంత డేటాపై ధృవీకరించబడాలి, దాని పనితీరును క్రమం తప్పకుండా కొలవాలి మరియు పర్యవేక్షించాలి.
ధృవీకరణలో ఉపయోగించే కీలక పనితీరు కొలమానాలు:
- సున్నితత్వం: నిజంగా అనారోగ్యం/పాజిటివ్గా ఉన్నవారిని మోడల్ ఖచ్చితంగా క్యాప్చర్ చేసే రేటు. తక్కువ సున్నితత్వం = తప్పిన నిజమైన పాజిటివ్లు (తప్పుడు ప్రతికూలతలు) = క్లిష్టమైన ఫలితాలను కోల్పోయే ప్రమాదం.
- ప్రత్యేకత: నిజంగా ఆరోగ్యకరమైన/ప్రతికూలమైన వాటి తొలగింపు సరైన రేటు. తక్కువ నిర్దిష్టత = అనేక తప్పుడు అలారాలు.
- తప్పుడు ప్రతికూల/తప్పుడు సానుకూల రేట్లు: ప్రయోగశాలలో, తప్పుడు ప్రతికూలత (క్లిష్టమైన అన్వేషణను కోల్పోవడం) సాధారణంగా తప్పుడు పాజిటివ్ కంటే ప్రమాదకరం; ఈ బ్యాలెన్స్ మోడల్ యొక్క ఉద్దేశించిన ఉపయోగం ప్రకారం సర్దుబాటు చేయబడుతుంది.
మోడల్ ధృవీకరించబడిన తర్వాత, అది మరచిపోదు; కాలక్రమేణా, పరికరం, రియాజెంట్, జనాభా మారవచ్చు మరియు పనితీరు మారవచ్చు. అందువల్ల, నిరంతర పర్యవేక్షణ మరియు కాలానుగుణ పునఃపరిశీలన అవసరం.
పక్షపాతం: మోడల్ ఎవరికి అన్యాయం చేసింది?
శిక్షణ డేటాలో అసమతుల్యత గురించి మోడల్ నేర్చుకుంటుంది. ఒక నిర్దిష్ట రోగి సమూహం యొక్క ఉదాహరణలపై చిత్ర నమూనా ఎక్కువగా శిక్షణ పొందినట్లయితే, అది తక్కువ ప్రాతినిధ్యం వహించిన సమూహంలో మరిన్ని తప్పులు చేయవచ్చు. ప్రయోగశాల సందర్భంలో, మోడల్ నిర్దిష్ట వయస్సు, లింగం లేదా క్లినికల్ సమూహం కోసం తక్కువ పనితీరును చూపుతుందని దీని అర్థం - మరియు ఇది ఈక్విటీ/నైతిక సమస్య. ధృవీకరించేటప్పుడు, సాధారణంగా మాత్రమే కాకుండా ఉప సమూహాలలో కూడా పనితీరును తనిఖీ చేయడం అవసరం. పక్షపాతాన్ని విస్మరించడం అంటే కొంతమంది రోగులకు నిశ్శబ్దంగా అధ్వాన్నమైన సేవను అందించడం.
నైతిక నాలుగు సూత్రాలు మరియు బాధ్యత గొలుసు
ఆరోగ్య నైతికత యొక్క నాలుగు ప్రాథమిక సూత్రాలు ప్రయోగశాల AIకి కూడా వర్తిస్తాయి:
- ప్రయోజనం: కృత్రిమ మేధస్సు రోగి ప్రయోజనం కోసం ఉపయోగించాలి; త్వరణం భద్రతతో రాజీ పడకూడదు.
- దుష్ప్రవర్తన: ధృవీకరించబడని అవుట్పుట్, నకిలీ క్లిష్టమైన విలువ, తప్పిపోయిన అన్వేషణ హానికి దారితీయవచ్చు; వాటిని నిరోధించడం నైతిక బాధ్యత.
- స్వయంప్రతిపత్తి: అతని డేటాపై రోగి యొక్క హక్కులు రక్షించబడతాయి; గోప్యత మరియు సమ్మతి గౌరవించబడుతుంది.
- న్యాయం: మోడల్ అన్ని రోగుల సమూహాలకు సమాన నాణ్యమైన సేవను అందించాలి; పక్షపాతాన్ని తనిఖీ చేయాలి.
మరియు అన్నింటికంటే, బాధ్యత యొక్క గొలుసు ఉంది: కృత్రిమ మేధస్సు అవుట్పుట్ను ఉత్పత్తి చేయవచ్చు, కానీ ఆ అవుట్పుట్ ఫలితానికి నిపుణుడు బాధ్యత వహిస్తాడు. “AI అలా చెప్పింది” ఒక సాకు కాదు; సంతకం, నిర్ణయం మరియు బాధ్యత మానవునికి చెందినవి.
బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్
బలహీనమైన ప్రాంప్ట్:
Ayşe Yılmaz (TC 123..., ప్రోటోకాల్ 2024-88) యొక్క అన్ని ఫలితాలు మరియు రోగ నిర్ధారణను వివరించండి మరియు ఒక నివేదికను వ్రాయండి.
ఈ అభ్యర్థన నేరుగా గుర్తింపు డేటాను కలిగి ఉంటుంది (KVKK ఉల్లంఘన), కనీస డేటా సూత్రాన్ని ఉల్లంఘిస్తుంది మరియు రోగ నిర్ధారణను అభ్యర్థిస్తుంది. ఇది గోప్యత మరియు సరిహద్దుల యొక్క తీవ్రమైన ఉల్లంఘన.
శక్తివంతమైన ప్రాంప్ట్:
మీ పాత్ర: ప్రయోగశాల నిపుణులకు డ్రాఫ్ట్ ప్రిపరేషన్ అసిస్టెంట్. దిగువన ఉన్న డేటా అనామకంగా ఉంది; గుర్తింపు సమాచారాన్ని కలిగి ఉండదు. అవసరమైన క్లినికల్/ఎనలిటికల్ సమాచారంతో మాత్రమే పని చేయండి. రోగ నిర్ధారణ చేయడం; "సాధ్యం" భాషను ఉపయోగించండి; వైద్యునికి సూచించండి. రోగి: 68 ఏళ్ల మహిళ, తెలిసిన థైరాయిడ్ వ్యాధి. అనామక ఫలితాలు (సూచనతో): TSH 6.2 mIU/L (ref 0.4-4.0), సాధారణ పరిధిలో ఉచిత T4. టాస్క్: రోగికి సాధారణ బ్రీఫింగ్ అవుట్లైన్ రాయండి; గుర్తింపు క్లూని రూపొందించండి.
బలమైన ప్రాంప్ట్ అనామకంగా ఉంది, కనిష్ట డేటాతో పని చేస్తుంది, రోగ నిర్ధారణను నిపుణుడికి ఉంచుతుంది మరియు పరిమితిని నిర్దేశిస్తుంది.
మూడు చిన్న కేసులు
కేసు 1 - గోప్యతా ఉల్లంఘనను నిరోధించడం. రోగి నివేదికను అర్థం చేసుకోవడానికి, సాంకేతిక నిపుణుడు ముందుగా "అనామక నియంత్రణ" టెంప్లేట్తో టెక్స్ట్ నుండి పేరు, ID మరియు ప్రోటోకాల్ నంబర్ను సంగ్రహిస్తాడు; ఇది వయస్సు, లింగం మరియు ఫలిత విలువలను మాత్రమే వదిలివేస్తుంది. అప్పుడు అది సురక్షితమైన, కార్పొరేట్ సాధనంలో నడుస్తుంది. గుర్తింపుతో డేటా సంస్థ వెలుపలికి వెళ్లదు. పని ప్రారంభించే ముందు ఉల్లంఘన నిరోధించబడింది.
కేస్ 2 — చెల్లుబాటు కాని మోడల్ ట్రాప్. ఒక ప్రయోగశాల దాని స్వంత పరికరంలో నేరుగా మరొక కేంద్రంలో అభివృద్ధి చేయబడిన మూత్ర అవక్షేప నమూనాను ఉపయోగించడం ప్రారంభిస్తుంది; ఇది ధృవీకరించబడదు. కొంతకాలం తర్వాత, మోడల్ దాని స్టెయినింగ్ ప్రోటోకాల్లలో (డిస్ట్రిబ్యూషన్ షిఫ్ట్) కొన్ని స్ఫటికాలను తరచుగా కోల్పోతుందని గమనించవచ్చు. తప్పుడు ప్రతికూలతలు పేరుకుపోయాయి. పాఠం: మోడల్ మీ స్వంత డేటాపై ధృవీకరించబడే వరకు మరియు సున్నితత్వం/నిర్దిష్టత కొలిచే వరకు క్లినికల్ నిర్ణయం తీసుకోవడంలో కారకంగా ఉండదు.
కేస్ 3 - క్యాచింగ్ బయాస్. పనితీరు ఆడిట్లో, మోడల్ యొక్క మొత్తం సున్నితత్వం ఎక్కువగా కనిపించినప్పటికీ, వృద్ధ రోగుల ఉప సమూహంలో ఇది గణనీయంగా తక్కువగా ఉన్నట్లు కనుగొనబడింది; మోడల్ ఈ గుంపులో మరిన్ని లోపాలను చేస్తుంది. ప్రయోగశాల ఈ మోడల్ అవుట్పుట్ల సమూహానికి అదనపు నిపుణుల సమీక్షను జోడిస్తుంది మరియు తయారీదారుని సంప్రదిస్తుంది. పాఠం: పనితీరు మొత్తం మాత్రమే కాకుండా ఉప సమూహాలలో కూడా తనిఖీ చేయబడుతుంది; న్యాయ సూత్రానికి ఇది అవసరం.
కాపీ చేయగల ప్రాంప్ట్ టెంప్లేట్లు
అనామక నియంత్రణ టెంప్లేట్ పేరు, TR ID, ప్రోటోకాల్/ఫైల్ నంబర్, పుట్టిన తేదీ, చిరునామా, టెలిఫోన్ మరియు సంస్థ సమాచారాన్ని దిగువ టెక్స్ట్ నుండి సంగ్రహించండి; "[తొలగించబడింది]"తో భర్తీ చేయండి. పరోక్ష ID క్లూ (అరుదైన రోగనిర్ధారణ + చిన్న స్థానం) ఉంటే హెచ్చరించండి. అవసరమైన క్లినికల్/విశ్లేషణాత్మక సమాచారాన్ని మాత్రమే వదిలివేయండి. వచనం: [టెక్స్ట్].
మోడల్ వాలిడేషన్ ప్లాన్ టెంప్లేట్ నేను క్లినికల్ ఉపయోగంలో ఉంచే కృత్రిమ మేధస్సు మోడల్ కోసం డ్రాఫ్ట్ ధ్రువీకరణ ప్రణాళికను సిద్ధం చేయండి: నేను దానిని ఏ స్వంత డేటాతో పరీక్షిస్తాను, సున్నితత్వం/నిర్దిష్టతను ఎలా కొలవాలి, తప్పుడు ప్రతికూలతలు/పాజిటివ్ల బ్యాలెన్స్ను ఎలా అంచనా వేయాలి, ఉప సమూహాన్ని ఎలా నియంత్రించాలి (వయస్సు/లింగం) పనితీరు, ఎంత తరచుగా తిరిగి రావాలి. నేను నిర్ణయిస్తాను; మీరు చెక్లిస్ట్ను రూపొందించండి.
BIAS చెక్ టెంప్లేట్ మోడల్ పనితీరును అంచనా వేస్తుంది. ఏయే ఉప సమూహాలలో (వయస్సు, లింగం, క్లినికల్ గ్రూప్, నమూనా రకం) నేను పనితీరు కోసం విడిగా వెతకాలి మరియు ఒక సమూహంలో నేను పేలవమైన పనితీరును కనుగొంటే నేను ఏ చర్యలు తీసుకోవాలి అనే జాబితా. న్యాయమైన/సమానత్వ హెచ్చరికలను జోడించండి.
ఎథికల్ సెల్ఫ్-ఆడిట్ టెంప్లేట్ నేను చేయబోయే AI ఉపయోగం నాలుగు నైతిక సూత్రాల ప్రకారం ఆడిట్ చేయబడుతుంది: ప్రయోజనం, దుర్మార్గం లేని, స్వయంప్రతిపత్తి (గోప్యత/సమ్మతి), సరసత. ప్రతి పాలసీకి రిస్క్ ప్రశ్న అడగండి. అలాగే, "ఈ అవుట్పుట్కు ఎవరు బాధ్యత వహిస్తారు?" మీ ప్రశ్నకు సమాధానం చెప్పమని నన్ను అడగండి. వాడుక: [నిర్వచనం].
సాధారణ తప్పులు
- వాహనానికి గుర్తింపు డేటా ఇవ్వడం. పేరు, TR ID నంబర్ మరియు ప్రోటోకాల్ నంబర్ అనామకీకరణ లేకుండా భాగస్వామ్యం చేయబడవు; ఎన్క్రిప్షన్ దీనిని సమర్థించదు.
- పరోక్ష గుర్తింపును మరచిపోతున్నారు. అరుదైన నిర్ధారణ + చిన్న ప్రదేశం వంటి కలయికలు గుర్తింపును వెల్లడిస్తాయి.
- మోడల్ని ధృవీకరించకుండా ఉపయోగించడం. వేరే చోట నడుస్తున్న మోడల్ మీ డేటాపై భిన్నమైన పనితీరును అందించవచ్చు.
- సాధారణంగా పనితీరును చూడండి. ఉప సమూహ విశ్లేషణ నిర్వహించకపోతే పక్షపాతం దాగి ఉంటుంది.
- మోడల్పై బాధ్యతను ఉంచడం. "AI చెప్పారు" అనేది సాకు కాదు; నిర్ణయం మరియు సంతకం నిపుణులకు చెందినవి.
చిట్కా: AI యొక్క ప్రతి ఉపయోగం ముందు, రెండు ప్రశ్నలను కలిపి అడగండి: "ఈ డేటా గుర్తించబడలేదా?" మరియు "నా దిగుబడిలో ఈ మోడల్ ఎలా పనిచేస్తుందో నాకు తెలుసా?" మొదటి దానికి సమాధానం గోప్యతను కాపాడుతుంది, రెండవ దానికి సమాధానం భద్రతను రక్షిస్తుంది.
సారాంశంలో
ప్రయోగశాల డేటా అనేది ప్రత్యేక నాణ్యత గల ఆరోగ్య డేటా; కృత్రిమ మేధస్సును ఉపయోగిస్తున్నప్పుడు అనామకీకరణ, కనీస డేటా విధానం మరియు సురక్షిత సాధనం ఎంపిక తప్పనిసరి. క్లినికల్ ఉపయోగంలోకి తీసుకురావాల్సిన నమూనాలు తప్పనిసరిగా మీ స్వంత డేటాపై ధృవీకరించబడాలి; సున్నితత్వం, నిర్దిష్టత మరియు తప్పుడు ప్రతికూల/పాజిటివ్ బ్యాలెన్స్ను కొలవాలి; పక్షపాతాన్ని తనిఖీ చేయడానికి ఉప సమూహాలలో పనితీరును కూడా తనిఖీ చేయాలి. నాలుగు నైతిక సూత్రాలు-ప్రయోజనం, అపరాధం, స్వయంప్రతిపత్తి, న్యాయం-ప్రతి ఉపయోగంలో అల్లినవి, మరియు అన్నింటికంటే పైన బాధ్యత యొక్క గొలుసు ఉంటుంది: అవుట్పుట్ మోడల్ నుండి వచ్చినప్పటికీ, నిర్ణయం మరియు బాధ్యత నిపుణుడిదే.
అప్లికేషన్ టాస్క్
"అనామక నియంత్రణ" టెంప్లేట్తో నమూనా రోగి వచనాన్ని అజ్ఞాతీకరించండి మరియు మీరు తీసివేసిన సమాచారాన్ని జాబితా చేయండి. "మోడల్ వాలిడేషన్ ప్లాన్" టెంప్లేట్తో మీరు ఉపయోగిస్తున్న (లేదా ఉపయోగించడాన్ని పరిశీలిస్తున్న) AI మోడల్ కోసం ధ్రువీకరణ చెక్లిస్ట్ను సృష్టించండి; సున్నితత్వం/నిర్దిష్టత మరియు ఉప సమూహ విశ్లేషణను చేర్చండి. చివరగా, "నైతిక స్వీయ-ఆడిట్" టెంప్లేట్తో నాలుగు సూత్రాలకు వ్యతిరేకంగా వినియోగాన్ని అంచనా వేయండి.
చెక్లిస్ట్
- [ ] నేను డేటాను అజ్ఞాతీకరించాను; నేను ప్రత్యక్ష మరియు పరోక్ష గుర్తింపు ఆధారాలను తీసివేసాను.
- [ ] నేను కనీస డేటా విధానాన్ని వర్తింపజేసాను; అవసరమైన వాటిని మాత్రమే పంచుకున్నాను.
- [ ] నేను సురక్షితమైన, కార్పొరేట్ మరియు డేటా ప్రాసెసింగ్ ఒప్పంద సాధనాన్ని ఉపయోగించాను.
- [ ] నేను నా స్వంత డేటాపై మోడల్ని ధృవీకరించాను; నేను సున్నితత్వం/నిర్దిష్టతను కొలిచాను.
- [ ] నేను ఉప సమూహాలలో పనితీరును తనిఖీ చేసాను మరియు పక్షపాతం కోసం తనిఖీ చేసాను.
- [ ] నేను నాలుగు నైతిక సూత్రాలను గమనించాను మరియు బాధ్యత నిపుణుడిదేనని నిర్ధారించాను.