Privacy at KVKK ng Data ng Mag-aaral: Anonymization at Secure na Paggamit

Mga nadagdag:

• Ang pag-unawa na ang data ng mag-aaral ay personal at kadalasang pribadong data, at ang mga panuntunan sa anonymization at storage sa loob ng saklaw ng KVKK at pagiging kumpidensyal ng propesyonal
• Kakayahang magsanay ng de-identification at pagpili ng secure/institusyonal na tool kapag naglalagay ng data sa mga tool na artificial intelligence na magagamit sa publiko
• Ang pag-unawa na ang pagpayag sa pagbabahagi ng data, pagliit ng data at pagsunod sa patakaran ng paaralan ay responsibilidad ng guro.

Ang isang guro ay may access sa napakasensitibong impormasyon sa kurso ng kanyang trabaho: mga marka, mga talaan ng pag-uugali, mga kondisyon sa kalusugan, impormasyon ng pamilya, mga pag-uusap sa gabay, data ng socioeconomic. Ang impormasyong ito ay nabibilang sa pinakapribadong lugar ng mag-aaral at kapag nahulog ito sa maling kamay, maaari itong magdulot ng panghabambuhay na pinsala. Karamihan sa mga tool ng AI ay cloud-based — ibig sabihin, ang text na tina-type mo ay pinoproseso sa mga malayuang server ng kumpanya, hindi sa iyong computer, at sa ilang mga tool ay magagamit ito upang bumuo ng modelo. Kaya ang pagsusulat ng impormasyon ng mag-aaral sa isang pampublikong AI ay nangangahulugan ng pag-alis nito sa iyong kontrol. Itinatag ng unit na ito ang pinaka-kritikal na layer ng seguridad sa paggamit ng AI sa pagtuturo. Malinaw ang panuntunan: I-anonymize muna ang data ng mag-aaral, gumamit ng mga secure/institusyonal na tool kung maaari; Ang responsibilidad ay nasa guro.

Anong data ang protektado? Balangkas ng KVKK

Ang personal na data ay anumang impormasyon na ginagawang partikular o nakikilala ang isang tao: pangalan-apelyido, numero ng paaralan, ID card, litrato, o kahit hindi direktang paglalarawan gaya ng "ang pinakamataas na mag-aaral ng 3-A" sa isang konteksto. Mas mahigpit na pinoprotektahan ang espesyal (sensitibong) personal na data: kalusugan, etnisidad, relihiyon, paghatol sa kriminal, biometric data, pagiging miyembro ng asosasyon/unyon. Ang ulat sa kalusugan ng mag-aaral, diagnosis ng kapansanan sa pagkatuto, o trauma ng pamilya ay nasa kategoryang ito.

Ang KVKK (Personal Data Protection Law) ay nangangailangan ng personal na data na maproseso ayon sa batas, para sa isang partikular na layunin, sa isang nasusukat at secure na paraan. Mga praktikal na implikasyon para sa guro: gumamit lamang ng data kung kinakailangan (pag-minimize ng data), huwag gumamit ng data sa maling paraan, panatilihin itong secure, huwag ibahagi ito sa mga third party (kabilang ang pampublikong AI) nang walang pahintulot. Mayroon ding obligasyon ng pagiging kumpidensyal ng propesyonal: hindi maaaring ibunyag ng guro ang impormasyong nalaman niya tungkol sa estudyante at sa kanyang pamilya.

Babala: Ipagpalagay na "hindi pa rin ito binabasa ng kumpanya" ay hindi ligtas. Ang ilang libreng AI tool ay maaaring mag-imbak/gumamit ng mga input sa pagsasanay. Kapag wala na ang data, hindi na ito mababawi. Ang pinakaligtas na bagay ay hindi kailanman kunin ang data.

Anonymization: ginagawa itong reflex

Nangangahulugan ang anonymization na alisin ang lahat ng elementong nagpapakilala sa isang tao mula sa data at gawing pangkalahatan ito nang hindi maibabalik. Sa pagsasanay:

• Pangalan-apelyido → "Mag-aaral A", "isang mag-aaral"
• Numero ng paaralan, TR ID, sangay ng klase → ganap na alisin
• Pangalan ng magulang, telepono, address → alisin
• Bihira/naglalarawang mga detalye → gawing pangkalahatan (mga parirala tulad ng "isang mag-aaral na gumagamit ng wheelchair" ibigay ang tao; sabihin ang "isang mag-aaral")
• Pangalan ng paaralan/institusyon → lumabas o sabihin ang "paaralan namin"

Bago magbigay ng text sa AI, ipagpalagay na babasahin ito ng isang estranghero: mauunawaan ba mula sa tekstong ito kung sinong bata ito? Kung ito ay malinaw, i-generalize pa.

Ligtas na pagpili ng sasakyan

Hindi lahat ng AI tool ay pareho. Ang pinakaligtas ay mga corporate tool na ibinibigay ng iyong paaralan/institusyon, may data processing agreement (DPA), at hindi gumagamit ng mga input sa edukasyon. Sa mga tool na libre at magagamit sa publiko, ang pagpapalagay ay dapat ang pinakamasamang sitwasyon. Kapag pumipili ng tool, itanong: Naka-save ba ang aking mga input? Ginagamit ba ito sa edukasyon? Saan pinoproseso ang data? Inaprubahan ba ng patakaran ng paaralan ang tool na ito? Kung hindi ka sigurado, huwag gamitin ang data nang hindi ito ina-anonymize.

Hakbang-hakbang: pribadong-secure na daloy ng trabaho

1. I-scan para sa personal na data. Pangalan, numero, institusyon, sensitibong sitwasyon.
2. anonymize. Palitan ng mga pangkalahatang expression; tanggalin ang mga detalye ng pagkakakilanlan.
3. Ilapat ang pagliit ng data. Huwag magdagdag ng anumang impormasyon na hindi kinakailangan ng gawain.
4. Pumili ng sasakyan. Institusyonal kung maaari; Kung hindi, ipagpalagay ang pinakamasamang sitwasyon.
5. Gamitin ito. Makipagtulungan sa anonymous na text lang.
6. Suriin din ang output. Maaaring ibalik ng AI ang impormasyong ibibigay mo dito; Dapat ay walang pagtagas ng pagkakakilanlan sa output.

tatlong mini case

Case 1 — Huling minutong pagkuha. Isang guidance counselor ang sumulat sa AI para kumonsulta tungkol sa problema ng pamilya ng isang estudyante; Kasama sa text ang pangalan, grado, at "nasa ospital ang kanyang ina." Napansin niya nang hindi ito ipinadala, na-generalize ang lahat bilang "13-anyos na estudyante, isang hamon sa kalusugan sa kanyang pamilya." Ang mga mungkahi sa pangkalahatang diskarte na natanggap niya ay gumana; Walang na-leak na personal na data.

Kaso 2 — Hindi direktang pagkakakilanlan. Sumulat ang isang guro sa AI na ito ay "materyal para sa nag-iisang estudyanteng may kapansanan sa paningin sa klase." Walang pangalan, ngunit tiyak na inilarawan ng parirala ang batang iyon sa paaralan. Nang mapansin niya, pinalitan niya ito ng "para sa isang mag-aaral na nangangailangan ng suporta sa paningin." Ang anonymization ay hindi lamang tungkol sa pagtanggal ng mga pangalan, ngunit din sa pagtatago ng mga detalye ng pagkakakilanlan.

Case 3 — Pagpili ng sasakyan. Ipinagbawal ng isang paaralan ang mga guro sa paggamit ng mga libreng tool na may data ng mag-aaral at nagbigay ng enterprise tool na may seguridad ng data. Ang isang guro ay maglalagay ng pagsusuri ng tala sa libreng tool dahil sa ugali; Salamat sa paalala ng patakaran, lumipat siya sa corporate tool at hindi pa rin nakikilala ang data. Dalawang layer ng proteksyon ang pinagsama.

Mga nakopyang template

1) Pre-anonymization scanning:

Ipagpalagay na babasahin ng isang estranghero ang sumusunod na teksto. Maaari bang maunawaan nang direkta O hindi direkta mula sa tekstong ito kung sinong estudyante siya? Ilista ang lahat ng mga expression na nagbibigay ng pagkakakilanlan (pangalan, numero, institusyon, bihirang tampok) at magmungkahi ng pangkalahatang alternatibo para sa bawat isa. Teksto: [i-paste]

2) Pagsusuri sa sarili ng ligtas na sasakyan:

Sumulat ng checklist ng 6 na tanong para suriin ang AI tool na pinag-iisipan kong gamitin: input storage, paggamit sa edukasyon, lokasyon ng data, pag-apruba ng institusyon, karapatang magtanggal, pagsunod sa sensitibong data. Idagdag ang "ano ang gagawin kung oo / ano ang gagawin kung hindi" sa bawat tanong.

3) Kontrol sa pag-minimize ng data:

Pasimplehin ang text na ibibigay ko sa AI para sa sumusunod na gawain: alisin ang anumang mga personal/konteksto na detalye na HINDI KINAKAILANGAN ng gawain, na iiwan lamang ang kinakailangan upang gawin ang trabaho. Gawain: [ilarawan]. Teksto: [i-paste]

4) Bumuo ng patakaran sa paaralan (para sa mga guro):

Bumuo ng isang maikli, malinaw na 8-puntong listahan ng mga panuntunan para sa mga guro sa isang paaralan na gumamit ng mga tool ng AI para ma-secure ang data ng mag-aaral: anonymization, aprubadong tool, sensitibong data, pagpapanatili, pahintulot, notification ng paglabag. Magkaroon ng Turkish, naaangkop na mga artikulo. Isusumite ko ito sa pag-apruba ng management/expert.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Si Ahmet Yılmaz, 7-B number 214, ay napakahina sa matematika at ang kanyang ama ay walang malasakit; Ano ang dapat kong gawin para sa estudyanteng ito?

Pangalan, numero, klase, hurisdiksyon ng pamilya — isang matinding paglabag sa pagiging kumpidensyal; Ang data ay wala sa iyong kontrol.

Napakahusay na prompt:

Magmungkahi ng 3 diskarte sa suporta na maaaring ipatupad sa paaralan para sa isang mag-aaral sa ika-7 baitang na nahihirapan sa mga pangunahing operasyon sa matematika, sa pag-aakalang may limitadong suporta sa tahanan. (Hindi kilalang mag-aaral; hindi ako nagbabahagi ng anumang personal na impormasyon.)

Uri ng data

halimbawa

Ibinigay ba ito sa AI?

Paano

direktang pagkakakilanlan

Pangalan, numero, TR

hindi

Alisin nang buo

hindi direktang pagkakakilanlan

"Nag-iisang may kapansanan na mag-aaral"

hindi

gawing pangkalahatan

Sensitibong data

Kalusugan, diagnosis, pamilya

napakaingat

Anonymous + enterprise tool

Pangkalahatang sitwasyon ng pedagogical

"Isang nahihirapang mag-aaral"

Oo

nang hindi nagpapakilala

Mga karaniwang pagkakamali

• Tanggalin mo na lang ang pangalan. Kung mananatili ang bilang, klase o hindi direktang kahulugan, malinaw pa rin ang pagkakakilanlan.
• Tinatanaw ang hindi direktang kahulugan. Ang mga ekspresyong tulad ng "Ikaw lang ang nasa klase mo..." ibigay ang tao.
• Pagbabawas ng sensitibong data. Ang impormasyon sa kalusugan/pamilya ay espesyal na data at nangangailangan ng mas mataas na proteksyon.
• Ipinagpapalagay ang kaligtasan ng sasakyan. Mapanganib na ipagpalagay na ang libreng tool ay hindi nag-iimbak ng data; Ipagpalagay na ang pinakamasama.
• Hindi kinokontrol ang output. Maaaring ulitin ng AI ang mga kredensyal na ibinigay mo sa tugon; linisin din ang output.

Tip: “Two-minute rule”: bago mag-paste ng anumang text na nauugnay sa mag-aaral sa AI, maglaan ng dalawang minuto para i-clear ang pangalan, numero, institusyon, at mga detalye ng pagkakakilanlan. Pinipigilan ng maliit na ugali na ito ang pinakamalaking paglabag.

Sa buod

Ang data ng mag-aaral ay personal, kadalasan ay pribadong data at pinoprotektahan sa ilalim ng KVKK at propesyonal na pagiging kumpidensyal. Ang mga tool sa pampublikong AI ay cloud-based; Ang pagbibigay ng data bilang ito ay hindi nakontrol. Ang tamang paraan: upang i-anonymize ang personal at hindi direktang pagkakakilanlan ng impormasyon, magbahagi lamang ng kung ano ang kinakailangan (pag-minimize ng data), gumamit ng corporate at mga aprubadong tool kung maaari, at i-audit ang output. Ang responsibilidad ay nasa guro.

Gawain ng aplikasyon

Kumuha ng isang teksto tungkol sa isang mag-aaral na iyong isinulat (o isinasaalang-alang ang pagsulat) sa AI noong nakaraang linggo. I-detect at i-generalize ang lahat ng direkta at hindi direktang identifier gamit ang template na "pre-anonymization screening." Pagkatapos ay suriin ang AI tool na iyong ginagamit laban sa listahan ng "Secure tool self-assessment" at magpasya kung anong uri ng data ang magagamit mo sa tool na ito.

checklist

• [ ] Inalis ko ba ang mga direktang identifier gaya ng pangalan, numero, TR ID, institusyon?
• [ ] Nag-generalize ba ako ng mga indirect descriptor gaya ng "The only one in your class..."?
• [ ] Ginamit ko ba ang sensitibong (kalusugan/pamilya) na data na may karagdagang proteksyon?
• [ ] Nasuri ko na ba ang patakaran sa data at pag-apruba ng paaralan ng sasakyang ginagamit ko?
• [ ] Nasuri ko na rin ba ang mga pagtagas ng pagkakakilanlan sa output?