收益：
- 根据任务风险级别，能够区分人工智能在特殊教育工作流程（草稿撰写、材料制作、总结）中哪些地方可以实时节省时间，哪些地方需要由专家和 IEP 团队做出诊断、安置和目标设定等决策。
- 能够应用一门学科来验证每个人工智能输出，将其连接到源，将其与孩子的真实档案进行比较，并通过专家过滤器。
- 在 KVKK/隐私范围内对学生和家庭数据进行匿名处理，并养成选择安全车辆的习惯
特教教师的一天在一堆试卷下悄然过去。一名学生的个性化教育计划（IEP）将被更新，另一名学生将准备一份改编后的工作表，第三名学生的行为记录将被绘制成图表，并向第四名学生的家庭写一份进度报告。所有这些都需要了解孩子、创造性思维和专业知识；但其中一些也重复、正式且耗时。人工智能（AI，简称AI——可以像人类一样生成文本、识别模式、总结和起草的计算机系统）是加速第二组工作的有力帮手。它概述了 IEP 目标，简化了文本，并在几分钟内总结了观察记录。但如果使用不当，同样的工具可能会给孩子的教育决策带来看似安全但不准确的结果。
本模块的第一个单元不是程序介绍。其目的是阐明在您的业务中哪些地方应该放置人工智能，哪些地方根本不应该放置人工智能。因为特殊教育是一个既“工作量密集”又直接“儿童权利批判”的领域：你写下的目标就是孩子一年内要学到的东西；您做出的适应决定决定了它是否会在课堂上被理解。让我们从一开始就阐述一下基本原则：人工智能是助手，而不是专家。影响儿童未来的诊断、安置、目标设定和决策的责任和最终批准属于主管专家、个别化教育计划团队和家庭。
特殊教育业务的层次和人工智能的地位
将特殊教育专家的工作分为三层是有用的。评估层是了解孩子的过程：观察、发展史、阅读RAM报告（指导研究中心准备的教育评估报告）。计划层是据此产生IEP目标、材料和行为计划。实施和监控层是日常教学、数据收集、进度评估。人工智能可以触及所有三层；但每个人都有不同的权力。在评估层面，AI只是匿名汇总编辑，不进行诊断；是规划层强大的轮廓生成器；在监控层，它汇总数据并提出解释建议，但不做出决定。
让我们从一开始就定义一些基本术语。 IEP（个性化教育计划）是根据学生的需要制定的包含目标和措施的书面计划。结果是学生预期达到的可衡量的学习成果。住宿，方便演示而不改变内容；修改是对内容本身的简化。 AAC（替代和补充通信）是一种允许有语言障碍的个人使用符号、卡片或设备进行通信的方法。我们将在以下单元中一一解释这些概念；现在，请知道这一点：人工智能为您提供所有这些概念的轮廓和想法，但它不会做出决定。
下表按任务总结了人工智能的作用和风险级别：
任务
人工智能的作用
风险等级
谁批准
材料/工作表草稿
草图生成器
低
特殊教育老师
文字简化、摘要
编辑
低
老师
编写 IEP 目标大纲
蓝图生成器，需要定制
中等
BEP团队+家人
行为计划想法
推荐生成器
高
专家+指导
进度回顾
数据汇总器
中等
老师+专家
诊断/安置决定
不可用
非常高
RAM+授权专家
请记住这张图表中的一行：随着风险的增加，人工智能的作用会缩小，而人类的同意会增加。 AI在顶排没有位置；诊断和安置属于法律和道德授权的机构。
为什么“验证”是这项业务的核心
人工智能语言模型似乎对他们的答案充满信心，但他们也可能不确定。用技术语言来说，这被称为幻觉：这是模型用流利的句子捏造了不存在的信息，就好像它是真的一样。这是特殊教育的严重陷阱。该模型可能会给你一个想象中的“发展标准”（“每个5岁的孩子认识200个单词”）；可以发明一项不存在的立法（精确但错误的句子，例如“BEP 必须每 6 个月更新一次”）；或者他可能会提出一种没有科学依据的“方法”。因为他说的都是一样的流利，所以唯一区分对错的就是你的专业知识和验证的习惯。
验证规则包括三个步骤：
- 来源链接：不涉及人工智能对立法、发展规范、方法和标准的记忆；依赖官方来源（MEB 特殊教育服务条例、RAM 报告、机构程序）和实地文献。使用AI勾勒出这些信息，而不是记住它。
- 与孩子的真实档案进行比较：将人工智能产生的每个目标、材料或建议与您认识的真实孩子的表现水平进行比较。是重的、轻的还是适合他的？
- 专家过滤器：以专家的眼光测试输出是否在教学上、道德上和法律上合理；清理污名化、惩罚性或不切实际的措辞。
注意：将 AI 生成的 IEP 目标或行为计划放入文件中而不进行验证，就像做出未签名的专家决策一样。仅仅因为输出流畅是不正确的；它也不适合儿童。
隐私：学生数据是私人数据
学生数据（姓名、TR ID 号、诊断、RAM 报告、家庭信息、行为记录）受土耳其 KVKK（个人数据保护法）和欧洲 GDPR 的保护；健康和残疾信息是特殊质量的数据。将学生的姓名、身份证号码、诊断或家族史逐字粘贴到公共人工智能工具中是严重的违规行为。规则很简单：匿名数据并且不共享不必要的数据。不要写“Ahmet Yıldız，9 岁，诊断患有自闭症，协议 2024-3312”，而是写“言语交流有限的 9 岁男学生”。如果可能，选择有数据处理协议的企业工具，不要在模型训练中使用你的数据；请勿从个人帐户上传敏感文件。
提示：养成“匿名检查”的习惯：在向人工智能发送文本之前，将姓名、ID/协议号、地址和学校名称替换为“学生”、“家庭”、“学校”等通用短语。这 30 秒可以保护您免受巨大风险。
三个迷你箱子
案例 1——安全使用。一位特殊教育老师每周花费 4 小时为 8 名学生制作数学工作表。他将成绩和学生级别匿名（没有名字）提供给人工智能，并要求提供三个难度级别的草稿。 AI 8分钟出草稿；老师将每道题与孩子们的实际水平进行了对比，简化了两道题，改变了一道视觉效果。持续时间：50 分钟而不是 4 小时。 AI给出了草稿，专业知识则留给老师。
案例 2 — 未经验证的信息陷阱。老师问AI：“轻度智障儿童最多能添加多少个数字？” AI给出了自信的“最多3位数”的答案。老师将此作为 IEP 中的界限。然而，并没有这样的“规则”；每个孩子都是独立的，真正的学生能够完成这 4 步过程。错误：依赖AI制定的一般“规范”而不是孩子的实际表现。
案例 3——侵犯隐私。他说，一名员工将班上所有学生的姓名、诊断结果和家庭电话号码上传到公共工具，并“根据这些信息生成了一份班级报告”。数据传输至外部服务器，并引发了 KVKK 投诉。正确的方法是省略姓名、诊断和联系信息，仅使用匿名级别信息（“预读级别的三名学生”）。
弱提示/强提示
弱提示：
为该学生写一个 IEP 目标。
这种说法是错误的：AI不认识孩子，表现水平不明确，没有领域和标准。结果就是空中笼罩着一句不适合孩子的笼统句子。
强力提示：
您的角色：帮助特殊教育老师的助理。学生（匿名）：8岁，预读水平，部分建立字母发音关系。领域：读书。任务：写一份包含 1 个长期目标和 3 个短期（可衡量）目标的草案。在每个短期目标中包括条件+可观察的行为+标准（百分比/试验）。不要做出你不确定的规范性主张；假设这是一个草案，将由 BEP 团队进行修改。
在此提示中，角色、匿名配置文件、域、输出格式和“草稿”期望都很明确。您仍然可以根据孩子的实际水平来比较和调整输出。
常见错误
- 等待人工智能的诊断或安置决定。该权限属于RAM和授权专家； AI不能用在这个领域。
- 分享孩子的身份。未经匿名处理，姓名、ID、协议和家庭信息不能输入任何车辆。
- 依赖于虚构的“规范”。用“每个 X 孩子都会做 Y”之类的概括来代替真实的情况。
- 按原样使用草稿。将未经验证的输出逐字带入个别化教育计划、家庭文本或行为计划中。
- 不注意侮辱性语言。人工智能有时会产生负面标签，如“不足”、“失败”；这些都必须经过专家的筛选。
总之
人工智能是特殊教育的有力助手：它起草、简化、总结、打开想法并节省您的时间。但它不做出诊断，不进行诊断，不明确目的。每个输出都通过三个步骤进行验证：链接到源、与孩子的实际个人资料进行比较、专家过滤。学生数据是特殊质量的数据；如果没有匿名，则不会共享。随着风险的增加，人工智能的作用越来越小，人类的责任越来越大。这些原则是本模块其余部分的支柱。
应用任务
选择您自己的一名学生并匿名化他的个人资料（没有姓名、ID、学校名称；只有年龄、科目和表现水平）并将其转换为文本。然后使用上面的“强大提示”模板向 AI 询问意图的概要。通过三个验证步骤（源、实际配置文件、专家过滤器）检查输出并纠正至少两点。用一句话写下你改变了什么以及为什么。
清单
- [ ] 我从文本中删除了学生 ID（姓名、ID、协议、学校）。
- [ ] 角色、匿名资料和输出格式在我给AI的提示中很清楚。
- [ ] 我将输出与孩子的实际表现水平进行了比较。
- [ ] 我检查了是否有任何虚构的“规范”或立法主张。
- [ ] 我没有将诊断/安置决定留给人工智能。
- [ ] 我注意到，最终批准权属于专家和 BEP 团队。