Etika, Pagkapribado, Pagmamasid ng Eksperto at Mga Limitasyon sa Pagsasanay — Artipisyal na Katalinuhan sa Espesyal na Edukasyon

Mga nadagdag:

Kakayahang baguhin ang mga etikal na prinsipyo ng paggamit ng artificial intelligence sa espesyal na edukasyon (beneficence, non-maleficence, hustisya, pag-iwas sa bias) sa mga kongkretong panuntunan
Kakayahang pamahalaan ang privacy ng data ng mag-aaral at pamilya, imbakan ng data at mga limitasyon sa pagbabahagi sa loob ng balangkas ng KVKK
Kakayahang itali ang mga natutunan sa buong module sa isang end-to-end na secure na daloy ng trabaho at tukuyin kung saan nagtatapos ang artificial intelligence at magsisimula ang responsibilidad ng dalubhasa

Sa kabuuan ng modyul na ito, natutunan naming gamitin ang AI bilang isang katulong: gumawa ng isang layunin sa IEP, inangkop ang mga materyales, gumawa ng AAC at plano sa pag-uugali, sinusubaybayan ang pag-unlad, at pinalakas ang komunikasyon sa pamilya. Ang panghuling unit na ito ay tumitingin sa balangkas na nagtataglay ng lahat ng ito: etika, privacy, at pangangasiwa ng eksperto. Dahil ang "data" na pinagtatrabahuhan mo sa espesyal na edukasyon ay hindi isang talahanayan, ngunit isang bata; Ang "output" na iyong ginawa ay hindi isang dokumento, ngunit isang desisyon na nakakaapekto sa karapatan ng isang bata sa edukasyon. Ang artificial intelligence ay nagbibigay ng malaking kaginhawahan sa larangang ito; Ngunit kapag ginamit nang hindi tama, ang mga taong higit na masasaktan ay siya ring mas mahina. Ulitin natin sa huling pagkakataon ang prinsipyong itinatag natin sa simula: Ang artificial intelligence ay isang katulong; Ang diagnosis, paglalagay, layunin at mga desisyon na nakakaapekto sa kinabukasan ng bata ay pagmamay-ari ng karampatang espesyalista, ang pangkat ng IEP at ng pamilya.

Apat na etikal na prinsipyo at ang kanilang mga konkretong katapat

Maaari nating iugnay ang paggamit ng artificial intelligence sa espesyal na edukasyon sa apat na pangunahing etikal na prinsipyo:

Benepisyo: Ang AI ay dapat gamitin upang tunay na makapag-ambag sa edukasyon ng bata; Dapat itong makatulong sa guro na magbakante ng kanyang oras at bigyang pansin ang bata. Ang paggamit ay hindi isang katapusan sa sarili nito.
Nonmaleficence: Maaaring magdulot ng pinsala ang hindi na-verify, hindi naaangkop sa bata, o nakakapinsalang output. Ang bawat output ay dumadaan sa filter na "mapahamak ba nito ang bata?"
Katarungan: Ang bawat bata ay dapat magkaroon ng pantay na pag-access sa mga mapagkukunan at de-kalidad na edukasyon. Hindi dapat bigyan ng pribilehiyo ng AI ang ilang mga bata at pabayaan ang iba; Ang bawat isa ay dapat bigyan ng indibidwal na atensyon.
Pag-iwas sa bias: Maaaring ipakita ng AI ang mga stereotype sa data kung saan ito sinanay; Ang partikular na uri ng kapansanan ay maaaring magdulot ng diskriminasyong output tungkol sa kasarian, kultura, o socioeconomic status. Dapat kilalanin at itama ng espesyalista ang mga resultang ito at suriin ang bawat bata nang paisa-isa.

Ang bias ay lalong mahalaga dahil ito ay mapanlinlang. Ang AI ay mahusay na makakagawa ng pangungusap tulad ng "karaniwang hindi kayang gawin ng mga bata ang X"; Gayunpaman, ito ay isang stereotype na parehong mali at humahadlang sa bata. Ang gawain ng espesyalista ay upang makita ang mga pattern na ito at suriin ang bata sa kanyang potensyal.

Babala: Walang mga generalization na binuo ng AI ("magagawa/magagawa ng mga batang may kapansanan sa X ang Y") upang limitahan ang layunin ng isang bata. Ang mababang inaasahan ay isa sa mga pinakakaraniwan at pinaka-hindi nakikitang anyo ng diskriminasyon.

Privacy: mga limitasyon sa pag-iimbak ng data at pagbabahagi

Ang data ng mag-aaral (pagkakakilanlan, diagnosis, ulat ng RAM, talaan ng pag-uugali, impormasyon ng pamilya) ay espesyal na personal na data sa loob ng saklaw ng KVKK. Linawin natin ang mga tuntunin sa yunit na ito:

Anonymize: Ang pangalan, ID, protocol, paaralan, address at mga detalye ng pamilya ay tinanggal bago magpasok ng anumang AI tool.
Minimal na data: Ibahagi lamang ang impormasyong kailangan para sa gawain; Huwag ibigay ang buong file na "kung sakali".
Secure na tool: Kung maaari, mas gusto ang mga corporate na tool na may kontrata sa pagpoproseso ng data at hindi ginagamit ang iyong data sa pagsasanay ng modelo; Hindi ina-upload ang sensitibong data mula sa mga personal na account.
Pag-iimbak at pagtanggal: Kung ang mga draft na ginawa gamit ang AI ay naglalaman ng data ng mag-aaral, iniimbak ang mga ito ayon sa mga panuntunan ng institusyon at tatanggalin kapag kinakailangan; Hindi ito iniiwan sa mga random na lugar.
Pagbabahagi: Ang impormasyon ay ibinabahagi lamang sa mga awtorisadong tao (koponan ng IEP, pamilya, may-katuturang espesyalista) at hangga't kinakailangan lamang.

Ang talahanayan sa ibaba ay nagbubuod sa mga limitasyong natutunan sa buong module sa isang lugar:

lugar

Kaya ng AI

Ang AI ay hindi maaaring / pag-aari ng mga tao

Pagsusuri

Nagbubuod ng hindi kilalang data

Mga pagsusuri/pagbabago

BEP

Sumulat ng isang draft ng mga layunin

Kinukumpirma / kinukumpirma ang layunin

materyal

Nag-aangkop, nag-iiba

Gumagawa ng desisyon sa kurikulum/copyright

AAC

Balangkas ng card/kuwento

Pinipili ang pamamaraan at iangkop ito sa bata

pag-uugali

Ang ABC ay nagbubuod, nagbibigay ng payo

Nagpapasya sa pagpapaandar, aprubahan ang plano

pag-unlad

Binubuod at binibigyang-kahulugan ang mga datos

Panghuling desisyon para magpatuloy

pamilya

mga draft ng teksto

Pinapatunayan ang text, nagpapatupad ng relasyon

Ang kanang column sa talahanayang ito ay ang limitasyon ng responsibilidad ng eksperto at hindi maaaring italaga sa AI sa anumang sitwasyon.

End-to-end na secure na daloy ng trabaho

Pagsamahin natin ang modyul sa isang daloy. Ang isang secure na daloy ng trabaho sa pagtuturo na sinusuportahan ng AI ay ang mga sumusunod: (1) i-anonymize ang data; (2) magsulat ng isang prompt na may malinaw na mga tungkulin at mga hangganan; (3) kumuha ng draft mula sa AI; (4) i-verify ang output sa tatlong hakbang — link sa source, ihambing sa aktwal na profile ng bata, expert-filter; (5) magsagawa ng etika at bias na pag-audit; (6) iakma at i-validate kasama ang koponan/pamilya; (7) ilapat at subaybayan gamit ang data; (8) panatilihin/tanggalin ang mga draft ayon sa mga tuntunin ng institusyon. Umuulit ang cycle na ito sa bawat gawain, na pinananatiling malinaw kung saan nagtatapos ang AI at nagsisimula ang responsibilidad ng eksperto.

tatlong mini case

Kaso 1 — Pagkuha ng bias. Tinanong ng isang guro ang AI para sa isang balangkas ng layunin; Mayroong isang pangungusap sa output tulad ng "ang ganitong uri ng mga mag-aaral ay hindi maaaring mag-isip nang abstract, panatilihing mababa ang target." Kinilala ito ng guro bilang isang stereotype; Ang kanyang sariling mag-aaral ay nakapagtatag ng mga abstract na relasyon. Kinuha niya ang pangungusap at isinulat ang layunin batay sa tunay na potensyal ng bata. Ang etikal na pangangasiwa ay humadlang sa mababang pag-asa na makahahadlang sa bata.

Kaso 2 — Disiplina sa privacy. Isang institusyon ang ginawang panuntunan para sa lahat ng guro na gumawa ng "pagsusuri ng anonymization" bago gamitin ang AI. Inalis ng isang guro ang pangalan, protocol, at impormasyon ng pamilya bago magkaroon ng buod ng ulat ng RAM. Pagkalipas ng mga buwan, ipinakita ng isang pag-audit ng data na ang organisasyon ay hindi nagbigay ng anumang sensitibong data sa isang tool sa labas. Ang isang simpleng ugali ay nagpoprotekta sa organisasyon mula sa malubhang panganib.

Kaso 3 — Error sa pagtatalaga ng responsibilidad. Ang isang guro, sa ilalim ng presyon ng oras, ay nagpatupad ng isang plano sa pag-uugali na ginawa ng isang AI nang hindi ito binabasa. Ang plano ay hindi akma sa paggana ng bata at ang pag-uugali ay tumaas. Ang problema ay hindi ang "pagkakamali" ng AI ngunit ang delegasyon ng responsibilidad. Ang hindi na-verify na output ay parang isang unsigned expert judgement; Ang responsibilidad ay palaging nasa eksperto. Pagkakamali: pagpapalit ng kaginhawahan sa responsibilidad.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Pag-aralan ang lahat tungkol sa estudyanteng ito at sabihin sa akin kung ano ang gagawin.

Ang kahilingang ito ay parehong nagtutulak sa amin na magbahagi ng higit pang data (marahil ay naglalaman ng pagkakakilanlan) kaysa sa kinakailangan sa pamamagitan ng pagsasabi ng "lahat" at inilipat ang desisyon sa AI. Ito rin ay lumalabag sa dalawang pangunahing prinsipyo.

Napakahusay na prompt:

Ang iyong tungkulin: katulong sa espesyalista sa espesyal na edukasyon. Gamitin lamang ang sumusunod na anonymous, impormasyong partikular sa gawain: [minimum na kinakailangan].Gawain: Gumawa ng DRAFT para sa [iisa, malinaw na gawain]. Mga Panuntunan: Diagnosis/paggawa ng desisyon. Huwag i-generalize/stereotype. Sabihin na hindi ka sigurado. Ipagpalagay na ito ay mabe-verify ng propesyonal at makumpirma sa koponan/pamilya.

Kasama sa claim na ito ang kaunting data, malinaw na gawain, bias, at mga limitasyon ng desisyon nang magkasama; Kinokolekta nito ang lahat ng mga prinsipyo ng module sa isang template.

Mga karaniwang pagkakamali

Pagdelegasyon ng responsibilidad. Ipaubaya ang desisyon sa AI; Isinasagawa nang hindi binabasa ang output.
Hindi nakakakita ng prejudice. Hindi napapansin ang mga stereotypical, mga generalization na nagpapababa ng inaasahan.
Pagbabahagi ng labis na data. Pagbibigay ng hindi kailangan, sensitibong data sa tool sa pamamagitan ng pagsasabi ng "analyse everything".
Pag-bypass ng anonymization. Nagtatrabaho nang hindi nililinaw ang pagkakakilanlan, diagnosis at impormasyon ng pamilya.
Pag-iimbak ng mga draft nang hindi secure. Iniiwan ang mga printout na naglalaman ng data ng mag-aaral sa mga random na lugar.
Ang pagtingin sa etikal na pag-audit bilang pormal. Nilaktawan ang mga tanong tulad ng "magdudulot ba ito ng pinsala, patas ba ito, may kinikilingan ba ito?"

Sa buod

Sa espesyal na edukasyon, ang AI ay isang makapangyarihang katulong, ngunit dahil nakikipagtulungan ka sa mga pinaka-mahina na indibidwal, ang etika at privacy ay hindi mapag-usapan. Apat na prinsipyo ang gumagabay sa atin: beneficence, nonmaleficence, hustisya, pag-iwas sa bias. Ang data ng mag-aaral ay hindi nagpapakilala, ibinabahagi sa minimal at secure na paraan, at ligtas na nakaimbak. End-to-end secure na daloy ng trabaho; Ang cycle ay anonymize, kumuha ng draft, i-verify sa tatlong hakbang, etikal na pagsusuri, aprubahan kasama ng team/pamilya, subaybayan gamit ang data. Saanman magtatapos ang AI sa cycle na ito, magsisimula ang responsibilidad ng eksperto. Ang isang hindi na-verify na output ay tulad ng isang unsigned expert judgement; Ang pirma ay palaging sa iyo.

Gawain ng aplikasyon

Pumili ng isa sa mga outline na ginawa mo sa buong module (layunin ng IEP, materyal, plano ng pag-uugali, o teksto ng pamilya) at gawin ito sa lahat ng mga hakbang na "end-to-end secure na daloy ng trabaho" sa unit na ito. Sa partikular, tingnan kung may etika/bias: mayroon bang nagpapababang generalization, nakaka-stigmatizing statement, o may privacy leak sa output? Ayusin ang anumang mga isyung makikita mo at tandaan kung aling hakbang ng daloy ang nakakuha ng isyung iyon.

checklist

[ ] I-anonymize ko ang data; Ibinahagi ko lang ang kinakailangang minimum.
[ ] Na-verify ko ang output gamit ang tatlong hakbang (source/profile/expert).
[ ] Inalis ko ang mga pagkiling at mga paglalahat na nagpapababa ng mga inaasahan.
[ ] Inalis ko ang nakakahiya na wika; Naobserbahan ko ang apat na etikal na prinsipyo.
[ ] Pinanatiling ligtas/tinanggal ko ang mga draft kung kinakailangan.
[ ] Kinuha ko ang huling desisyon at responsibilidad bilang eksperto/pangkat/pamilya.

Pagsusulit sa Module

1. Ang isang guro ng espesyal na edukasyon ay nagtatanong sa artificial intelligence 'ano ang diagnosis ng batang ito' sa pamamagitan lamang ng pagbibigay ng pangalan at edad ng mag-aaral at isulat ang sagot sa file ng IEP. Ano ang pangunahing pagkakamali sa pamamaraang ito?

A) Pagbabalewala na ang awtoridad na gumawa ng diagnosis ay pagmamay-ari ng RAM at mga awtorisadong eksperto; ilipat din ang isang hindi na-verify na output sa isang opisyal na tala ✔
B) Hindi kailangang magbigay ng impormasyon sa edad sa artificial intelligence
C) Ipinagbabawal na panatilihin ang BEP file sa digital na kapaligiran
D) Palaging ginagawa ng artipisyal na katalinuhan ang diagnosis na tila mas mabigat kaysa ito

Paliwanag: Ang artificial intelligence ay hindi maaaring at hindi dapat mag-diagnose; Ang diagnosis at pagsusuri ay ang trabaho ng RAM at mga awtorisadong eksperto. Bilang karagdagan, nang hindi nagbibigay ng data sa modelo, ang nais na output ay nagiging katha (hallucination) at ang pagbabahagi ng pagkakakilanlan ng mag-aaral ay isang paglabag sa privacy.

2. Alin sa mga sumusunod ang pangunahing tampok na dapat magkaroon ng isang panandaliang (masusukat) layunin ng BEP?

A) Paglalayon para sa mag-aaral na sa pangkalahatan ay magustuhan ang paksa
B) Ito ay nakabatay lamang sa obserbasyon ng guro at hindi naglalaman ng mga numerical na pamantayan
C) Magtipon ng mahaba at pinakamaraming resulta hangga't maaari sa isang pangungusap.
D) Naglalaman ng nakikitang pag-uugali, kundisyon at isang masusukat na pamantayan ng tagumpay ✔

Paliwanag: Kasama sa panandaliang layunin ang isang nakikitang pag-uugali, kundisyon, at pamantayan (ilang pagsubok, ilang porsyento, anong antas ng kalayaan). Ang mga hindi masusukat na ekspresyon tulad ng 'naiintindihan', 'natututo', 'nakakaalam' ay nagdudulot ng mga pagkakamali sa pagsulat ng layunin.

3. Ina-upload ng isang guro ang ulat ng RAM, na kinabibilangan ng buong pangalan ng mag-aaral, numero ng TR ID at diagnosis, sa isang pampublikong magagamit na tool na artificial intelligence at nagsasabing 'ibuod'. Ano ang magiging tamang diskarte?

A) I-upload ang ulat nang walang anumang mga pagbabago, dahil ang buod ay nangangailangan ng lahat ng impormasyon
B) Tanggalin lang ang TR ID number at iwanan ang pangalan at diagnosis
C) Pag-alis ng impormasyon ng pagkakakilanlan, pag-anonymize ng data at pagpili ng secure/institusyonal na tool ✔
D) Pagbabahagi ng ulat sa pamamagitan ng e-mail mula sa iyong personal na account at pagbubuod nito nang naaayon

Paliwanag: Ang data ng mag-aaral ay espesyal na personal na data sa loob ng saklaw ng KVKK. Ang impormasyon ng pagkakakilanlan ay dapat na alisin at ang data ay i-anonymize ('10-taong-gulang na lalaking mag-aaral'), at kung maaari, ang isang secure na tool na institusyonal at hindi gumagamit ng data sa edukasyon ay dapat na mas gusto.

4. Ano ang pinakamahusay na saloobin kapag lumilikha ng isang kwentong panlipunan na may artificial intelligence para sa alternatibong at augmentative na komunikasyon (AAC)?

A) Iangkop ang draft na partikular para sa bata at aprubahan ito ng isang eksperto ✔
B) Gamit ang ginawang kuwento nang eksakto para sa lahat ng mga mag-aaral nang hindi ito binabago
C) Pagsusulat ng kwento na may pinakamahaba at abstract na salita hangga't maaari
D) Nagbibigay lamang ng mahabang teksto nang hindi nagdaragdag ng visual na suporta

Paglalarawan: Ang artificial intelligence ay bumubuo ng mga draft; Gayunpaman, ang panlipunang kasaysayan at suporta sa komunikasyon ay dapat na iakma sa mga indibidwal na katangian ng bata at aprubahan ng speech-language pathologist/espesyalista. Ang isang pangkalahatang balangkas ay hindi maaaring direktang ilapat.

5. Alin sa mga sumusunod ang pangunahing prinsipyo kapag humihingi ng tulong mula sa artificial intelligence sa isang positibong plano ng suporta sa pag-uugali?

A) Paghiling sa kanya na irekomenda ang pinakamabigat na parusa upang mabilis na masugpo ang pag-uugali.
B) Unawain ang function ng pag-uugali at gumawa ng alternatibong positibong pag-uugali at preventive strategy draft ✔
C) Tinatapos ang plano nang hindi alam ang estudyante, tinitingnan lamang ang pangalan ng pag-uugali
D) Pagpapatupad ng plano nang hindi isinasangkot ang pamilya at espesyalista sa proseso

Paliwanag: Ang suporta sa positibong pag-uugali ay hindi nakatuon sa parusa; Nilalayon nitong maunawaan ang pag-andar ng pag-uugali (functional evaluation), mga regulasyong pang-iwas at magbigay ng matuturuan na alternatibong pag-uugali sa halip na hindi kanais-nais na pag-uugali. Mahalaga ang pangangasiwa ng dalubhasa.

6. Ano ang ibig sabihin ng 'data-driven na desisyon' sa pagsubaybay sa pag-unlad?

A) Paggawa ng desisyon batay lamang sa isang obserbasyon sa katapusan ng taon
B) Pagsusulat ng ulat ng pag-unlad batay sa pangkalahatang impresyon ng guro nang hindi tinitingnan ang datos
C) Ipaubaya nang buo ang desisyon sa interpretasyon ng artificial intelligence
D) Paggawa ng desisyon na panatilihin, iakma o baguhin ang layunin sa pamamagitan ng pagtingin sa regular na data ng pagsukat ✔

Paliwanag: Ang paggawa ng desisyon na nakabatay sa data ay ang pagpapasya na panatilihin, iakma o baguhin ang layunin sa pamamagitan ng pagtingin sa mga regular na sukat na nakabatay sa tagumpay (porsiyento, bilang ng mga pagtatangka, antas ng kalayaan). Ang artificial intelligence ay nagbubuod ng data at nagmumungkahi ng interpretasyon; Ang eksperto ang gumagawa ng desisyon.

7. Ayon sa prinsipyo ng unibersal na disenyo (UDL), ano ang pinakamahusay na paraan upang gawing madaling ma-access ang isang materyal?

A) Paglalahad ng materyal sa isang format lamang, sa maliit na print at siksik na teksto
B) Pagpapakita ng nilalaman sa maraming paraan, pagbibigay ng simpleng wika at alternatibong teksto ✔
C) Alisin ang lahat ng mga adaptasyon at bigyan ang lahat ng parehong karaniwang materyal
D) Ipagpalagay na ang accessibility ay makakamit lamang sa pamamagitan ng pagbabago ng kulay

Paglalarawan: Naiisip ng UDL ang pagpapakita ng nilalaman sa maraming paraan (teksto, visual, audio), payak na wika, alternatibong teksto at mga flexible na format. Ang layunin ay magdisenyo upang umangkop sa iba't ibang pangangailangan, hindi lamang isang 'karaniwang' mag-aaral. Ang panghuling inspeksyon ay nakasalalay sa pagsusuri ng eksperto at tunay na user.

8. Ipinapadala ng isang guro ang teksto ng impormasyon ng pamilya na ginawa ng artificial intelligence sa pamilya nang hindi ito sinusuri, at ang teksto ay naglalaman ng hindi tamang petsa ng appointment at isang pinalaking pangako ng 'pagbawi'. Ano ang pangunahing pagkakamali dito?

A) Paglikha ng maling impormasyon at hindi makatotohanang mga inaasahan sa pamamagitan ng pagpapadala ng text nang hindi ito bini-verify ✔
B) Ang pagpapadala ng nakasulat na teksto sa pamilya ay mali mismo.
C) Ang teksto ay masyadong maikli
D) Mahigpit na ipinagbabawal ang artificial intelligence sa paggawa ng text ng pamilya

Paglalarawan: Ang bawat text na ibinahagi sa pamilya ay dapat gawin nang may katumpakan, pagiging kumpidensyal at pag-apruba ng eksperto. Ang artificial intelligence ay matatas ngunit maaaring makagawa ng maling impormasyon (mga guni-guni); Ang text na ipinadala nang walang verification ay sumisira sa tiwala at proseso.

9. Alin sa mga sumusunod ang tamang diskarte kapag gumagawa ng differentiation sa isang inclusion/integration class?

A) Paghiwalayin ang mag-aaral mula sa silid-aralan at ipagawa sa kanya ang bawat aktibidad nang mag-isa
B) Pagsuporta sa parehong tagumpay na may kasamang responsibilidad, nang hindi inaangkop at nilagyan ng label ito ayon sa antas ✔
C) Pagbibigay ng parehong materyal sa buong klase nang walang pagbubukod at hindi gumagawa ng anumang mga adaptasyon
D) Iiwan lamang ang adaptasyon sa guro ng espesyal na edukasyon at alisin ang guro sa silid-aralan mula sa proseso

Paliwanag: Ang differentiation ay nangangahulugan ng pag-aangkop ng parehong resulta ng pagkatuto sa iba't ibang antas at pagsuporta sa mag-aaral nang walang label sa kanila. Ang pagbagay ay magkasanib na responsibilidad ng guro sa silid-aralan at ng guro ng espesyal na edukasyon; Ang mga solusyon na naghihiwalay at naninira sa mag-aaral mula sa kanilang mga kapantay ay iniiwasan.

10. Bakit partikular na mapanganib para sa mga modelo ng wika ng AI na gumawa ng 'mga guni-guni' sa konteksto ng espesyal na edukasyon?

A) Dahil laging mabagal ang takbo ng modelo
B) Dahil hindi alam ng modelo ang Turkish
C) Dahil ang hallucination ay nangyayari lamang sa visual production
D) Dahil ang mga gawa-gawang impormasyon ay maaaring makaapekto sa edukasyonal na desisyon ng bata at maaaring ipalagay na totoo sa matatas na wika ✔

Paliwanag: Ang guni-guni ay kapag ang modelo ay mahusay na gumagawa ng hindi umiiral na impormasyon na parang ito ay totoo. Ang isang gawa-gawang piraso ng batas, isang maling pamantayan sa pag-unlad o isang haka-haka na pamamaraan sa espesyal na edukasyon ay maaaring direktang makaapekto sa karapatan ng bata sa edukasyon at pag-unlad; kaya dapat validated ang bawat output.

11. Ano ang ibig sabihin ng 'pag-iwas sa pagkiling' sa mga prinsipyong etikal ng paggamit ng artificial intelligence sa espesyal na edukasyon?

A) Pagkilala at pagwawasto ng mga stereotypical o discriminatory na mga output na ginawa ng modelo at pagsusuri sa bawat bata ng isa-isa ✔
B) Hindi nagsusulat ng mahahabang senyas para lamang makakuha ng mabilis na output.
C) Paggamit ng artificial intelligence sa isang uri lamang ng balakid
D) Paglalapat ng parehong biased template sa lahat ng mag-aaral

Paliwanag: Ang artificial intelligence ay maaaring magpakita ng mga bias sa data kung saan ito sinanay; maaaring makagawa ng stereotypical na output tungkol sa partikular na uri ng kapansanan, kasarian, socioeconomic status, o kultura. Dapat subaybayan ng espesyalista ang kinalabasan sa bagay na ito at suriin ang bawat bata nang paisa-isa.

12. Bakit mahalagang magsama ng seksyong 'mga lakas' kapag nagbubuod ng ulat ng RAM gamit ang artificial intelligence at gumagawa ng profile ng mag-aaral?

A) Upang gawing mas mahaba ang ulat
B) Ang mga lakas ay ginagamit lamang para sa anyo, bagama't hindi ito legal na kinakailangan.
C) Ibase ang pagpaplano sa mga lakas at hindi tukuyin ang mag-aaral sa pamamagitan lamang ng kanyang mga pagkukulang ✔
D) Upang ganap na huwag pansinin ang mga pangangailangan at sumulat lamang ng positibo

Paliwanag: Ang pagpaplano sa espesyal na edukasyon ay batay sa mga lakas; Tanging isang profile ng kakulangan/nakatuon sa pangangailangan ang tumutukoy sa mag-aaral sa kanyang mga pagkukulang. Ang mga lakas ay ang batayan para sa mga layunin at pagganyak at nagbibigay ng positibong pananaw na nakatuon sa paglago.

13. Ano ang tamang saloobin sa mga tuntunin ng 'copyright at originality' sa paggawa ng inangkop na materyal?

A) Pag-reproduce ng output gamit ang mga naka-copyright na character at nilalaman nang hindi sinusuri
B) Pagsuri at pag-orihinal ng materyal sa mga tuntunin ng pagsunod sa kurikulum, katumpakan at copyright ✔
C) Ipamahagi ang bawat larawan nang komersyal, anuman ang pinagmulan
D) Ipagpalagay na ang isyu sa copyright ay hindi nalalapat sa digital na materyal

Paliwanag: Ang output ng artificial intelligence ay maaaring pinakain mula sa iba pang mga mapagkukunan; maaaring naglalaman ng naka-copyright na nilalaman, mga character ng brand o hindi na-verify na impormasyon. Dapat suriin ng eksperto ang materyal para sa pagsunod sa kurikulum, katumpakan at copyright, at banggitin ang pinagmulan at gawing orihinal ito kung kinakailangan.

14. Paano inilalarawan ng pangunahing prinsipyo na binigyang-diin sa buong modyul ang papel ng artificial intelligence sa espesyal na edukasyon?

A) Pinapalitan ng artificial intelligence ang eksperto at awtomatikong gumagawa ng mga desisyon
B) Ang artificial intelligence ay magagamit lamang para sa pagkuha ng tala at wala nang iba pa
C) Kapag ginamit ang artificial intelligence, hindi na kailangan ang pangangasiwa ng eksperto
D) Ang artificial intelligence ay isang assistant at draft generator; Ang pinal na desisyon at responsibilidad ay nakasalalay sa espesyalista, sa koponan at sa pamilya ✔

Paglalarawan: Ang artificial intelligence ay isang assistant at sketch generator; Ang diagnosis, paglalagay, pagtatakda ng layunin at mga desisyon na nakakaapekto sa kinabukasan ng bata ay pagmamay-ari ng karampatang espesyalista, ang pangkat ng IEP at ng pamilya. Ang hindi na-verify na output ay parang isang unsigned expert na hatol.