Etika, Academic Integrity, Mga Hangganan at End-to-End Workflow — Artipisyal na Katalinuhan sa Matematika

Mga nadagdag:

Kakayahang maunawaan at mailapat ang mga etikal na prinsipyo ng paggamit ng artipisyal na katalinuhan sa matematika (pagiging nasa serbisyo ng pag-aaral, transparency, responsibilidad ng tao, katarungan, pagiging kompidensyal).
Kakayahang mag-assess ng mga panganib sa privacy at magsagawa ng mga naaangkop na pag-iingat sa sensitibong nilalaman tulad ng mga tanong sa pagsusulit, data ng mag-aaral at hindi nai-publish na pananaliksik
Kakayahang pagsamahin ang lahat ng bahagi ng module (produksyon + pag-verify) sa isang solong end-to-end na daloy ng trabaho, pagkumpleto ng bawat hakbang sa produksyon na may isang hakbang sa pag-verify at panghuling pag-apruba ng tao

Sa panghuling yunit na ito pinagsasama-sama natin ang dalawang bagay: sa isang banda, ang etikal, akademikong integridad at pagiging kumpidensyal na mga dimensyon ng paggamit ng artificial intelligence sa matematika; Sa kabilang banda, upang pagsama-samahin ang natutunan namin sa buong module sa iisang end-to-end na workflow. Ang AI sa matematika ay isang mahusay na tool, ngunit ito ay may kasamang responsibilidad pati na rin ang kapangyarihan: para kanino mo ito ginagamit, para saan mo ito ginagamit, at kung paano mo ito ginagamit ay may mga etikal na kahihinatnan. Ang isang mag-aaral na ginagawa ang kanyang takdang-aralin sa pamamagitan ng AI at isang guro na nagpapabilis sa materyal ng kurso gamit ang AI ay ibang-iba. Ang yunit na ito ay umaakma sa teknikal na kasanayan sa responsableng paggamit.

Ilang mga kahulugan. Ang integridad sa akademya ay nangangahulugan ng tapat na pagpapakita kung sino ang tunay na nagmamay-ari ng isang trabaho at hindi ang pag-shortcut ng pag-aaral. Ang plagiarism ay nagpapakita ng produkto ng ibang tao (o ng isang medium) na para bang ito ay sarili mong orihinal na produkto. Ang transparency ay nangangahulugan ng malinaw na pagsasabi kung saan ginagamit ang AI. Ang mga konseptong ito ay naging sentro ng edukasyon sa matematika sa edad ng AI.

Mga pangunahing prinsipyo ng etikal na paggamit

Hindi sa lugar ng pag-aaral, ngunit sa paglilingkod dito. Maaaring suportahan ng AI ang isang mag-aaral sa pag-aaral ng konsepto (paliwanag, alternatibong paliwanag), ngunit hindi dapat siya mag-isip sa halip. Ang pagkakaroon ng AI sa paggawa ng araling-bahay ay nakakasira ng pag-aaral.
Transparency. Ipahiwatig kung saan ginamit ang AI — sa isang artikulo, materyal ng kurso, o ulat. Ang pagtatago ay hindi tapat.
Ang responsibilidad ay nasa tao. Ang sinumang nag-publish, nagtuturo, o naghahatid ng output ng AI ay responsable para sa katumpakan nito. "Sinabi ng AI" ay hindi isang dahilan.
Katarungan. Ang paggamit ng AI sa pagtatasa ay dapat na pinamamahalaan ng pantay at malinaw na mga panuntunan para sa lahat ng mga mag-aaral.
Seguridad. Huwag maglagay ng sensitibong impormasyon, gaya ng mga tanong sa pagsusulit, data ng mag-aaral, o hindi na-publish na pananaliksik, sa mga tool ng AI na hindi ginagarantiyahan ang pagiging kompidensiyal.

Privacy: ano ang ibig sabihin nito sa konteksto ng matematika?

Kahit na ang matematika ay maaaring mukhang ito ay "walang nakatagong data", ang konteksto ay mahalaga. Isang hindi na-publish na resulta ng pananaliksik, bank ng tanong sa pagsusulit ng isang institusyon, data ng personal na performance ng mga mag-aaral, o pagmamay-ari na algorithm ng kumpanya—lahat ay sensitibo. Lahat ng inilagay mo sa isang AI tool ay maaaring iproseso ng provider ng tool na iyon at, sa ilang mga kaso, ginagamit sa pagsasanay sa modelo. Kaya para sa sensitibong content, gumamit ng mga tool na lokal/institusyonal na secure o anonymize ang content.

Uri ng data

Panganib

pag-iingat

Nai-publish na theorem/problema

mababa

malayang magagamit

Mga aktibong tanong sa pagsusulit

mataas

Huwag pumasok o i-secure ang sasakyan

Data ng personal/pagganap ng mag-aaral

mataas

Anonymise/huwag pumasok

Hindi nai-publish na pananaliksik

mataas

Secure/lokal na tool

Balangkas ng lecture

low-medium

Sa pangkalahatan ay angkop

Babala: Bago pumunta sa AI para i-verify ang isang tanong sa pagsusulit, isaalang-alang kung dapat manatiling lihim ang tanong na iyon. Ang mga tanong mula sa isang aktibong pagsusulit ay maaaring malantad sa teorya kapag ipinasok sa isang AI tool na ang pagiging kompidensiyal ay hindi ginagarantiyahan. Para sa mga kritikal na pagsusulit, baguhin ang mga tanong o gumamit lamang ng mga tool na inaprubahan ng kumpanya, na tinitiyak sa privacy ng data.

End-to-end workflow: isang halimbawang gawain

Sabihin nating kailangan mong ihanda ang parehong materyal ng kurso at isang pagsusulit para sa isang paksa sa loob ng isang linggo. Ang daloy na pinagsasama ang lahat ng bahagi ng modyul ay maaaring ganito:

1. Pagpaplano. Linawin ang paksa, antas at layunin (Yunit 7).

2. Pag-draft ng materyal. Hayaang gumawa ang AI ng mga lektyur na naaangkop sa antas + nalutas na mga halimbawa (Yunit 7).

3. Sample na pag-verify. Suriin ang bawat nalutas na halimbawa sa SymPy (Unit 4).

4. Visualization. Gumawa at mag-render ng mga graphics upang suportahan ang salaysay gamit ang Matplotlib code at ihambing ang mga ito sa matematika (Yunit 6).

5. Notasyon. Linisin ang index, i-render at i-verify ang mga formula gamit ang LaTeX (Unit 10).

6. Pagbuo ng tanong. Magkaroon ng maraming pagpipiliang mga tanong + mga distractor na ginawa para sa pagsusulit (Unit 8).

7. Bultuhang pag-verify. Lutasin ang lahat ng tanong nang maramihan gamit ang SymPy at suriin ang answer key (Unit 8, 9).

8. Etika at transparency control. Angkop ba ang pagiging kompidensiyal? Nasabi mo na ba ang paggamit ng AI sa materyal kung kinakailangan? Ikaw ang may pinakamataas na responsibilidad (ang yunit na ito).

9. Pagsang-ayon ng tao. Suriin at kumpirmahin ang lahat sa huling pagkakataon. Anumang hindi na-verify na piraso ay hindi mapupunta sa air/test.

Tip: Sa isang end-to-end na daloy ng trabaho, ang pinakamabisang diskarte ay ang pagpoposisyon sa AI bilang "speed layer," mga deterministikong tool (SymPy, render) bilang "correctness layer," at ang iyong sarili bilang "judgment and accountability layer." Ang bawat hakbang sa produksyon ay dapat na sundan ng isang hakbang sa pag-verify; Ang hindi na-verify na output ay hindi dapat dalhin sa susunod na hakbang.

tatlong mini case

Case 1 — Transparency na binuo ng tiwala. Isang akademiko ang gumamit ng AI sa unang draft ng isang kabanata ng textbook, pagkatapos ay na-verify ang bawat mathematical claim at sinabi sa paunang salita na "Ang suporta sa AI ay nakuha sa paggawa ng manuskrito, lahat ng nilalaman ay na-verify ng may-akda." Ang transparency na ito ay nagpapataas ng tiwala ng mga kasamahan at nagpapanatili ng pamantayan ng integridad.

Kaso 2 — Gamitin na nakakasira ng pag-aaral. Ang isang mag-aaral ay inutusan ng AI ang kanyang buong hanay ng araling-bahay at isumite ito. Bumagsak siya sa pagsusulit sa parehong mga paksa dahil hindi niya natutunan ang mga konsepto. Iminungkahi ng guro ang paggamit ng AI upang "masuri ang solusyon at makakuha ng alternatibong paliwanag," ngunit lutasin muna ang mga problema. Ang AI ay dapat na nasa serbisyo ng pag-aaral, hindi sa lugar nito.

Kaso 3 — Panganib ng paglabag sa privacy. Itinuring ng isang guro ang pag-hack sa isang pangkalahatang tool ng AI upang i-verify ang mga tanong para sa isang sentral na pagsusulit na hindi pa naibibigay, ngunit pagkatapos ay nagpasya laban dito; sa halip ay nilutas niya ang mga tanong sa SymPy nang mag-isa at ng isang kasamahan. Ang pagpasok ng mga aktibong tanong sa pagsusulit sa isang panlabas na tool ay isang seryosong panganib sa privacy; ang lokal na pagpapatotoo ay nagbigay ng ligtas na landas.

Apat na maaaring kopyahin na mga template

1) Gamitin na sumusuporta sa pag-aaral (para sa mga mag-aaral):

Nalutas ko muna ang problemang ito, ang aking solusyon ay nakalakip. HUWAG ibigay sa akin ang solusyon; ipakita mo lang kung saan ako nagkamali at kung anong konsepto ang hindi ko naintindihan para maitama ko. Ang aking solusyon: [dito]

2) Pagbuo ng isang transparency note:

Naghanda ako ng [materyal/ulat ng kurso] at gumamit ng AI sa yugto ng draft, ako mismo ang nagbe-verify ng lahat ng matematika. Sumulat ng isang maikling, propesyonal na transparency note na nagsasabi nito nang matapat.

3) Paunang pagsusuri sa privacy:

Gusto kong gawing kuwalipikado sa privacy ang sumusunod na nilalaman bago ito ilagay sa isang AI tool: [uri ng nilalaman]. Itinuturing bang sensitibo ang ganitong uri ng content, anong mga panganib ang mayroon, anong mga pag-iingat (anonymization, lokal na tool) ang dapat kong gawin? Sabihin ito nang maikli at malinaw.

4) End-to-end na plano ng kontrol sa pag-verify:

Naghahanda ako ng materyal ng kurso + pagsusulit para sa [subject]. Ilista bilang control plan kung anong pag-verify ang kailangan kong gawin sa bawat hakbang ng produksyon: sample verification, graphic control, notation, answer key, confidentiality, pag-apruba ng tao.

Mahinang prompt / Malakas na prompt

Mahina: "Sagutin ang mga tanong sa araling-bahay at ibibigay ko ang mga ito." (mag-aaral)

Resulta: Nilaktawan ang pag-aaral, nalabag ang integridad ng akademiko, nabigo ang mag-aaral na matutunan ang konsepto. Ito ay hindi kanais-nais sa etika at pedagogically.

Güçlü: "Sinubukan kong lutasin ang tanong na ito sa takdang-aralin, ngunit natigil ako; ang aking solusyon ay nakalakip. Huwag direktang ibigay ang sagot; ipakita sa akin kung aling hakbang at bakit ako nagkamali, ipaalala sa akin ang tamang konsepto, pagkatapos ay susubukan kong muli."

Konklusyon: Ang AI ay ginagamit sa serbisyo ng pag-aaral; Ang mag-aaral ay patuloy na nag-iisip, ang katapatan ay pinananatili.

Mga karaniwang pagkakamali

Ginagamit ito upang laktawan ang pag-aaral. Ang pagkakaroon ng AI na gawin ang araling-bahay ay madali sa maikling panahon, ngunit sinisira ang pag-aaral sa mahabang panahon.
Hindi pagiging transparent. Ang pagtatago sa paggamit ng AI ay labag sa akademikong integridad; tukuyin kung kinakailangan.
Paglalagay ng responsibilidad sa AI. "Sinabi ng AI" ay hindi isang dahilan; Ang publisher/guro ay may pananagutan.
Pagpasok ng kumpidensyal na nilalaman sa panlabas na tool. Ang aktibong pagsusulit, data ng mag-aaral, hindi nai-publish na pananaliksik ay sensitibo.
Iniiwan ang pagpapatunay hanggang sa katapusan ng daloy ng trabaho. Dapat dumating ang pag-verify pagkatapos ng bawat hakbang ng produksyon; Ang mga error ay hindi dapat maipon.

Sa buod

Ang paggamit ng AI sa matematika ay nangangailangan ng etikal na responsibilidad gayundin ng teknikal na kasanayan: ito ay dapat sa serbisyo ng pag-aaral (hindi sa halip nito), maging transparent, panatilihin ang tunay na responsibilidad, sumunod sa patas na mga patakaran, at igalang ang pagiging kompidensiyal. Sa isang end-to-end na daloy ng trabaho, ang AI ay ang layer ng bilis, ang SymPy at mga tool sa pag-render ay ang layer ng katumpakan, at ang mga tao ang layer ng paghatol at responsibilidad. Ang bawat hakbang sa produksyon ay dapat sundan ng isang hakbang sa pag-verify; Walang hindi na-verify na output ang dapat pumunta sa publikasyon, lecture, o pagsusulit. Iyan ang esensya ng modyul na ito: maging mas mabilis gamit ang AI, ngunit i-verify at tanggapin ang responsibilidad para sa bawat hakbang.

Gawain ng aplikasyon

Magdisenyo ng maliit na sukat na end-to-end na gawain: isang maikling salaysay + 1 tsart + 3 multiple choice na tanong para sa isang paksa. Sundin ang daloy ng module: (1) plan, (2) draft gamit ang AI, (3) validate ang mga halimbawa gamit ang SymPy, (4) render at check ang graph, (5) linisin at i-render ang notation gamit ang LaTeX, (6) batch validate ang mga tanong gamit ang SymPy, (7) gumawa ng privacy at transparency check, (8) bigyan ng huling pag-apruba ng tao. Itala kung anong pag-verify ang ginawa mo at kung ano ang nakita mo sa bawat hakbang. Sa pagtatapos ng proseso, suriin kung saan ang AI ay nakakatipid ng oras at kung saan ang iyong paghatol ay kailangang-kailangan.

checklist

[ ] Gumamit ako ng AI sa serbisyo ng (hindi sa halip ng) pag-aaral.
[ ] Malinaw kong sinabi ang paggamit ng AI kung kinakailangan.
[ ] Inako ko ang responsibilidad para sa sukdulang katumpakan.
[ ] Hindi ako nag-access ng kumpidensyal/sensitibong nilalaman sa pamamagitan ng mga hindi secure na tool.
[ ] Sinundan ko ang bawat hakbang ng produksyon na may hakbang sa pag-verify.
[ ] Hindi ako nagdala ng anumang hindi na-verify na output sa broadcast/aralin/pagsusulit.

Pagsusulit sa Module

1. Alin sa mga sumusunod ang pinakatumpak na pagpoposisyon para sa artificial intelligence sa matematika?

A) Ang artificial intelligence ay isang diskarte, blueprint at tool sa pag-aayos; Nasa tao na i-verify ang eksaktong kalkulasyon at resulta sa pamamagitan ng deterministikong paraan ✔
B) Ang artificial intelligence ay parang calculator at bawat numerical na resulta na ibinibigay nito ay tumpak
C) Ang artipisyal na katalinuhan ay hindi kailanman mali sa mga konklusyong kumpiyansa nitong inilalahad, kaya hindi kailangan ang pag-verify
D) Ang artificial intelligence ay kapaki-pakinabang lamang para sa pagsulat ng teksto, wala itong kinalaman sa anumang gawaing matematika

Paglalarawan: Ang isang malaking modelo ng wika ay isang tool na istatistiks na bumubuo ng teksto; Ito ay hindi isang calculator o proof checker. Gumagawa ito ng tamang matematika sa halos lahat ng oras, ngunit hindi nito ginagarantiyahan; kaya dapat ma-verify ang bawat output gamit ang mga deterministikong tool (SymPy, calculator, manual validation) at ang responsibilidad ay dapat manatili sa tao.

2. Ang isang mag-aaral ay humihingi ng artificial intelligence upang malutas ang isang integral at nais na makuha ang resulta. Ano ang pinaka-maaasahang paraan upang ma-verify ang resulta?

A) Pag-iiba ng resulta at pagsuri kung babalik ito sa orihinal na function (SymPy o manu-mano) ✔
B) Magtanong sa artificial intelligence 'totoo ba ito?' magtanong
C) Pagtanggap sa resulta kung ano ito dahil ito ay ipinakita nang matatas at may kumpiyansa.
D) Lumipat sa isa pang tanong at hindi sinusuri ang resulta

Paliwanag: Ang derivative-integral inverse ay isang built-in na tool sa pag-verify sa matematika: ang pagkuha ng derivative ng resulta na natagpuan at pagsuri kung ito ay bumalik sa orihinal na function nang nakapag-iisa na nagpapatunay sa kawastuhan ng integral. Ang parehong cross-checking ay maaaring gawin sa SymPy.

3. Ano ang ibig sabihin ng prinsipyo ng 'ang tamang resulta ay hindi ang tamang paraan' sa paglutas ng problema gamit ang artificial intelligence?

A) Ang tamang resulta ay palaging nagpapatunay na ang landas ay tama rin
B) Ang landas ay hindi mahalaga, ang resulta lamang ang dapat na marka
C) Ang mga maling intermediate na hakbang ay maaaring humantong sa tamang resulta kapag nagkataon; Samakatuwid, ang resulta at ang bawat intermediate na hakbang ay dapat suriin ✔
D) Imposibleng makahanap ng matibay na landas, kaya tinitingnan lang natin ang kinalabasan

Paliwanag: Minsan ang mga maling intermediate na hakbang ay humahantong sa tamang resulta kung nagkataon; Kahit na tama ang resulta, maaaring hindi wasto ang landas. Kaya lang sa mathematics 'tama ba ang resulta?' ngunit sa halip 'tama ba ang bawat intermediate na hakbang?' Mahalaga rin ang tanong at dapat na subaybayan ang bawat hakbang.

4. Ano ang dapat mong gawin kapag ginamit ng AI ang pariralang 'nang walang pagkawala ng pangkalahatan' sa isang patunay?

A) Pagtanggap na ang patunay ay wasto dahil ang pahayag ay matatas
B) Ang pagbibigay-katwiran sa iyong sarili na ang pangkalahatan ay hindi talaga nasira; ✔ hindi tumatanggap ng walang tanong
C) Isinasaalang-alang ang patunay na wasto nang hindi ito binabasa
D) Paghahanap para sa expression na ito mula sa pinagmulan bilang isang pangalan ng teorama

Paglilinaw: Ang pahayag na 'nang walang pagkawala ng pangkalahatan' ay minsan wasto (kung mayroong tunay na simetrya) ngunit kung minsan ito ay isang nakatagong error. Ginagamit ng artificial intelligence ang expression na ito ng maraming; Dapat mong bigyang-katwiran ang iyong sarili sa bawat oras na ang pangkalahatan ay hindi talaga nilalabag, at hindi mo dapat tanggapin ang pahayag nang walang tanong.

5. Sumulat ka ng SymPy code sa artificial intelligence. Paano mo makuha ang resulta ng tama?

A) Ang paggawa ng artificial intelligence na hulaan ang output ng code
B) Ipagpalagay na tama ang code nang hindi ito binabasa
C) Pagtitiwala sa interpretasyon ng AI sa output
D) Patakbuhin ang code sa isang tunay na kapaligiran ng Python at tingnan ang eksaktong output ✔

Paglalarawan: Ang kapangyarihan ng SymPy ay ipinahayag lamang kapag ang code ay pinapatakbo sa isang tunay na kapaligiran ng Python. Itanong sa artificial intelligence 'ano ang ginagawa ng code na ito?' ang pagtatanong ay hindi pag-verify, dahil ang AI ay maaari ring gumawa ng code na output. Dapat mong patakbuhin ang code sa iyong sarili.

6. Kung ang solusyon ng isang equation na manu-manong natagpuan ng artificial intelligence at ang resulta na ibinigay ng SymPy ay magkaiba, alin ang dapat mong pagkatiwalaan at bakit?

A) SymPy resulta dahil ito ay deterministic at tumpak; Pagkatapos ay ipahanap sa artificial intelligence ang lokasyon ng pagkakamali nito ✔
B) Ang resulta ng artificial intelligence dahil mas matatas itong nagpapaliwanag
C) Pagpili ng isa nang random dahil pareho silang maaasahan
D) Tinatanggihan ang pareho at isinasaalang-alang ang tanong na hindi malulutas

Paglalarawan: Ang SymPy ay isang deterministikong symbolic computing system: palagi itong nagbibigay ng parehong eksaktong tamang resulta sa parehong input. Ang artificial intelligence ay gumagawa ng teksto ayon sa istatistika at maaaring mag-hallucinate. Sa pagtatalo, dapat gawing batayan ang SymPy at dapat gawin ang artificial intelligence upang mahanap ang lokasyon ng pagkakamali nito.

7. Bakit hindi gumagana ang kundisyon na '0.1 + 0.2 == 0.3' gaya ng inaasahan sa isang Python code at kung paano ito ayusin?

A) Ang karagdagan ay nasira sa Python; kailangang gumamit ng ibang wika
B) Ang eksaktong pagkakapantay-pantay ay hindi pinanghahawakan dahil sa katumpakan ng floating-point na numero; Ang pagpaparaya tulad ng 'abs(a-b) < 1e-9' ay dapat gamitin ✔
C) Ang halaga na 0.3 ay hindi tama; Kinakailangang isulat ang 0.30000000004
D) Ang kondisyon ay palaging gumagana nang tama, walang problema

Paliwanag: Ang mga computer ay nag-iimbak ng mga decimal na numero sa floating-point na format na may limitadong katumpakan; Ang 0.1 + 0.2 ay nakaimbak na may napakaliit na paglihis, hindi eksaktong 0.3. Samakatuwid, sa halip na ang eksaktong pagkakapantay-pantay na '==', isang pagpapaubaya gaya ng 'abs(a-b) < 1e-9' ang dapat gamitin.

8. Ano ang pinakamahusay na 'common sense test' bago mag-apply ng scalar root finding code sa totoong problema?

A) Direktang paglalapat ng code sa aktwal na problema nang hindi ito sinusubok
B) Suriin ang haba ng code at bilangin ito ng tama kung ito ay mahaba.
C) Pagsubok sa code gamit ang isang simpleng input na ang sagot ay alam (hal. x²-4=0 roots ±2) at pagsuri kung ito ay nagbibigay ng inaasahang resulta ✔
D) Pagkumpirma sa artificial intelligence na tama ang code

Paliwanag: Ang pagsubok sa code gamit ang isang simpleng input na ang sagot ay alam mo na (hal. ±2 para sa x²-4=0 na may halatang pinagmulan) ay ang pinakamurang at pinakaepektibong pag-verify. Kung ang code ay nagbibigay ng kilalang sitwasyon nang tama, ang posibilidad na ito ay maaasahan para sa mga problemang hindi mo alam ay tumataas.

9. Sa visualization, paano mo masusuri kung ang isang graph ay sumasalamin nang tama sa matematika?

A) Kung ang graph ay mukhang aesthetically pleasing, ito ay itinuturing na tama.
B) Paghahambing ng graph sa mga kilalang katangian ng function at ang tunay na halaga ng kahit isang punto ✔
C) Hindi tumitingin sa mga label ng axis sa lahat
D) Umaasa sa pandiwang paglalarawan ng AI sa graph

Paliwanag: Ang isang graphic na mukhang maganda ay hindi kailangang tumpak; Maaaring gumuhit ang AI ng maling function, sa maling range, o may distorted na asymptote. Ang paghahambing ng graph sa mga kilalang katangian ng function (saklaw ng oscillation, symmetry, asymptote) at hindi bababa sa isang pagkalkula ng punto ay nakakakuha ng mga error.

10. Ano ang pinakamahalagang punto sa pag-verify sa isang materyal ng kurso na ginawa gamit ang artificial intelligence at bakit?

A) Font at scheme ng kulay ng materyal
B) Haba ng materyal at bilang ng mga pahina
C) Katumpakan ng mga nalutas na halimbawa; dahil kinukuha sila ng mga estudyante bilang modelo at nagtuturo ng maling halimbawa at maling pamamaraan ✔
D) Gaano kabilis ang paggawa ng materyal

Paliwanag: Ang mga nalutas na halimbawa ay kinuha bilang mga modelo ng mga mag-aaral; Ang isang maling nalutas na halimbawa ay direktang nagtuturo sa mga mag-aaral ng maling pamamaraan. Samakatuwid, ang bawat nalutas na halimbawa ay dapat na ma-verify nang paisa-isa, hakbang-hakbang, alinman sa SymPy o manu-mano. Ang isang maliit na kalabuan sa paliwanag ng paksa ay maaaring mabayaran, ngunit ang maling halimbawa ay nagdudulot ng cascading damage.

11. Ano ang pinakamabisa at maaasahang paraan para ma-verify ang isang multiple choice question set na nabuo ng artificial intelligence?

A) Pagtatanong muli sa artificial intelligence kung tama ang mga tanong
B) Sinusuri lamang ang ilang mga tanong nang random at nagtitiwala sa iba
C) Gamit ang susi sa pagsagot kung ano ito nang hindi sinusuri ang alinman dito
D) Pagsusuri sa answer key nang sama-sama at tiyak sa pamamagitan ng pag-print at pagpapatakbo ng code na lumulutas sa lahat ng tanong gamit ang SymPy ✔

Paliwanag: Ang artificial intelligence ay kadalasang nagkakamali gaya ng pagmamarka sa answer key nang hindi tama at paggawa ng maramihang/zero na tamang opsyon. Ang pagsulat at pagpapatakbo ng code na lumulutas sa lahat ng tanong nang sabay-sabay sa SymPy ay ang pinakamabisang paraan upang suriin ang answer key nang deterministiko at maramihan.

12. Alin sa mga sumusunod ang pangunahing dahilan kung bakit nagkakamali ang artificial intelligence sa matematika?

A) Ang artificial intelligence ay isang modelo ng wika; hindi sinusuri ang lohikal na bisa, bumubuo ng teksto ayon sa istatistika ✔
B) Hindi kailanman natutunan ng artificial intelligence ang matematika
C) Ang artificial intelligence ay sadyang nakaprograma upang magbigay ng mga maling sagot
D) Ang artipisyal na katalinuhan ay nagkakamali lamang sa napakahirap na problema, hindi kailanman sa mga madaling problema.

Paglalarawan: Ang artificial intelligence ay hindi isang logic engine, ngunit isang modelo ng wika na gumagawa ng teksto na may mga istatistikal na pattern; Wala itong panloob na mekanismo upang suriin ang lohikal na bisa ng mga hakbang. Ang 'isang wastong patunay' na may '3-digit na multiplication' ay para sa kanya ang gawain ng paggawa ng parehong uri ng teksto, kaya't ang kawastuhan nito ay hindi matitiyak.

13. Kapag ang resulta ng probability problem ay 1.4, paano mo malalaman na mayroong error nang hindi nagdedetalye?

A) Ang pagkalkula ay tama dahil ang resulta ay 1.4, ang posibilidad ay maaaring lumampas sa 1
B) Ang tanda ng posibilidad ay hindi mahalaga, ang halaga ay tinatanggap anuman
C) Hindi nauunawaan na mayroong isang error, ang resulta ay itinuturing na pangwakas.
D) Ang posibilidad ay dapat nasa pagitan ng 0 at 1; ✔ Common sense testing ay nagpapahiwatig ng error dahil 1.4 ay lumampas sa limitasyong ito

Paglalarawan: Ang sentido komun at pagkakasunud-sunod ng magnitude na pagsubok ay sumusuri sa loob ng ilang segundo kung ang resulta ay nasa loob ng makatwirang saklaw. Ang isang probabilidad sa pamamagitan ng kahulugan ay dapat nasa pagitan ng 0 at 1; 1.4 ay nasa labas ng limitasyong ito, kaya't malinaw na mayroong isang error nang hindi tinitingnan ang mga detalye ng pagkalkula.

14. Bakit mahalagang isulat ang 'e^{x^2}' sa halip na 'e^x^2' sa LaTeX?

A) Sila ay eksaktong pareho, ang pagkakaiba ay aesthetic lamang
B) Tinutukoy ng mga kulot na bracket ang saklaw ng exponent; Kung wala ito ang expression ay magiging mali o malabo, kaya ang multi-character exponent {} ay mahalaga ✔
C) Ang mga kulot na bracket ay walang silbi sa LaTeX
D) Ang 'e^x^2' ay palaging totoo, ang paggamit ng '{}' ay hindi kailangan

Paliwanag: Ang pinakakaraniwang error sa LaTeX ay ang error sa saklaw: kung ang mga kulot na bracket na '{}' ay hindi ginagamit sa isang multi-character na exponent, subscript o fraction, ang unang character lang ang sakop at ang expression ay magiging mali (o maging malabo). Nilinaw ng 'e^{x^2}' na ang buong exponent ay x²; Ang code ay dapat na ibigay at i-verify sa pamamagitan ng visual na inspeksyon.

15. Gusto mong mapatunayan ng artificial intelligence ang mga tanong ng isang aktibong sentral na pagsusulit. Ano ang pinakamahusay na diskarte sa mga tuntunin ng etika at privacy?

A) Malayang pagpasok ng mga tanong sa anumang pangkalahatang tool ng AI dahil ang matematika ay hindi naglalaman ng kumpidensyal na data
B) Paggamit ng mga tanong sa pagsusulit nang hindi biniberipika ang mga ito
C) Pagpapatunay ng mga tanong gamit ang isang secure/katutubong tool (hal. SymPy) o gamit lang ang mga tool sa enterprise na sinisiguro sa privacy ✔
D) Pagbabahagi ng mga tanong sa social media at paghingi ng kontrol sa iba

Paglalarawan: Ang mga aktibong tanong sa pagsusulit ay sensitibo; Maaaring malantad ito sa teorya kapag na-hack ang isang tool na artificial intelligence na hindi ginagarantiyahan ang pagiging kompidensiyal. Ang tamang diskarte ay ang alinman sa pagpapatunay ng mga tanong gamit ang isang secure/native na tool (hal. sa isang kasamahan sa SymPy) o gumamit lamang ng corporate-certified, data privacy-assured tool.