收益：
- 能够将特殊教育中人工智能使用的伦理原则（善意、非恶意、正义、避免偏见）转化为具体规则
- 能够在 KVKK 框架内管理学生和家庭数据的隐私、数据存储和共享限制
- 能够将整个模块的学习内容与端到端的安全工作流程联系起来，并定义人工智能的终点和专家责任的起点
在整个模块中，我们学会了使用人工智能作为助手：起草 IEP 目标、调整材料、建立 AAC 和行为计划、监控进度并加强与家庭的沟通。最后一个单元着眼于将所有内容结合在一起的框架：道德、隐私和专家监督。因为在特殊教育中你使用的“数据”不是一张表格，而是一个孩子；您产生的“输出”不是文件，而是影响儿童受教育权的决定。人工智能为这一领域提供了极大的便利；但如果使用不当，最容易受到伤害的人也是最脆弱的。让我们最后一次重复一下我们从一开始就确立的原则：人工智能是助手；影响孩子未来的诊断、安置、目的和决定属于主管专家、个别化教育计划团队和家庭。
四项道德原则及其具体对应内容
我们可以将人工智能在特殊教育中的使用归因于四个基本道德原则：
- 善行：人工智能应该真正为孩子的教育做出贡献；这应该可以帮助老师腾出时间，更多地关注孩子。使用本身并不是目的。
- 非恶意：未经证实、不适合儿童或侮辱性的输出可能会造成伤害。每个输出都会经过“这会伤害孩子吗？”的过滤器。
- 正义：每个孩子都应该有平等的机会获得资源和优质教育。人工智能不应该特权某些儿童而忽视其他儿童；每个人都应该得到单独的关注。
- 避免偏见：人工智能可以在其训练数据中反映刻板印象；特定类型的残疾可能会产生有关性别、文化或社会经济地位的歧视性结果。专家必须认识并纠正这些结果，并对每个孩子进行单独评估。
偏见尤其重要，因为它是阴险的。 AI可以流利地说出诸如“这样的孩子通常做不到X”之类的句子；然而，这是一种刻板印象，既错误又阻碍了孩子。专家的任务是观察这些模式并评估孩子的潜力。
注意：人工智能生成的概括（“患有 X 残疾的儿童可以/做 Y”）不能用于限制儿童的目的。低期望是最常见和最无形的歧视形式之一。
隐私：数据存储和共享限制
学生数据（身份、诊断、RAM报告、行为记录、家庭信息）是KVKK范围内的特殊个人数据。让我们澄清一下本单元的规则：
- 匿名：在进入任何人工智能工具之前，姓名、ID、协议、学校、地址和家庭详细信息都会被删除。
- 最少数据：仅共享任务所需的信息；不要“以防万一”提供整个文件。
- 安全工具：如果可能，优先选择有数据处理合同且在模型训练中不使用您的数据的企业工具；敏感数据不会从个人帐户上传。
- 存储和删除：人工智能生成的草稿中若含有学生数据，则按照机构规则存储，必要时删除；它不会被留在随机的地方。
- 共享：仅与授权人员（IEP 团队、家人、相关专家）共享信息，并且仅在必要时共享信息。
下表总结了整个模块中学到的限制：
面积
人工智能可以
AI不能/属于人类
评价
总结匿名数据
诊断/改变
最佳实践计划
撰写目标草案
确认/确认意图
材料
适应、差异化
做出课程/版权决定
亚克力
卡片/故事大纲
选择方法并使其适合孩子
行为
ABC总结，给出建议
决定职能，批准计划
进展
总结和解释数据
最终决定继续进行
家庭
文本草稿
验证文本，加强关系
本表右栏是专家职责范围，任何情况下都不能委托给AI。
端到端安全工作流程
让我们将模块组合成一个流程。一个安全的人工智能支持的辅导工作流程如下：（1）匿名化数据； （2）写出提示，明确角色和界限； (3)从AI获取草稿； （4）分三步验证输出——链接源、与孩子的实际资料比较、专家过滤； (5) 进行道德和偏见审计； (6) 与团队/家庭一起适应和验证； （七）数据应用和监测； （八）按照机构规定保留/删除草稿。每项任务都会重复这个循环，明确人工智能的终点和专家责任的起点。
三个迷你箱子
案例 1——捕捉偏见。一位老师向 AI 询问目标大纲；输出中有一句话“这类学生不能抽象思考，目标要低”。老师认为这是一种刻板印象。他自己的学生能够建立抽象的关系。他根据孩子的真实潜力摘录了这句话并写下了目标。道德监督可以防止对孩子产生阻碍的低期望。
案例 2——隐私纪律。一家机构规定所有教师在使用人工智能之前必须进行“匿名检查”。一名老师在总结 RAM 报告之前删除了姓名、协议和家庭信息。几个月后，数据审计显示该组织没有向外部工具提供任何敏感数据。一个简单的习惯可以保护组织免受严重风险。
案例 3——责任委派错误。一位老师迫于时间压力，在没有阅读人工智能制定的行为计划的情况下实施了该计划。该计划不符合孩子的功能，行为升级。问题不在于人工智能的“错误”，而在于责任的委派。未经验证的输出就像未经签名的专家判断；责任始终在于专家。错误：以方便代替责任。
弱提示/强提示
弱提示：
分析这个学生的一切并告诉我该怎么做。
这一请求既促使我们分享比“一切”所需的更多数据（可能包含身份），又将决策转移给人工智能。它还违反了两个基本原则。
强力提示：
您的角色：特殊教育专家助理。仅使用以下匿名的、特定于任务的信息：[最低要求]。任务：为[单一、明确的任务]制作一份草案。规则：诊断/决策。不要一概而论/刻板印象。说明你不确定。假设这将由专业人员验证并与团队/家庭确认。
这一主张包括最少的数据、明确的任务、偏见和决策限制；它将模块的所有原理收集在一个模板中。
常见错误
- 委派责任。将决定权留给人工智能；执行而不读取输出。
- 没有看到偏见。没有注意到陈规定型的、降低期望的概括。
- 共享过多的数据。通过说“分析一切”来向工具提供不必要的敏感数据。
- 绕过匿名化。在不明确身份、诊断和家庭信息的情况下工作。
- 不安全地存储草稿。将包含学生数据的打印输出留在随机位置。
- 将道德审计视为正式的。跳过诸如“它会造成伤害、公平吗、是否有偏见？”之类的问题。
总之
在特殊教育中，人工智能是一个强大的助手，但由于你正在与最弱势的个人一起工作，道德和隐私是不容谈判的。指导我们的四项原则：仁慈、非恶意、正义、避免偏见。学生数据是匿名的，以最少且安全的方式共享，并安全存储。端到端的安全工作流程；这个周期是匿名、起草、三步验证、道德审查、团队/家庭批准、数据跟踪。无论人工智能在这个周期中结束，专家的责任就开始了。未经验证的输出就像未经签名的专家判断；签名永远是你的。
应用任务
选择您在整个模块中制定的大纲之一（IEP 目标、材料、行为计划或家庭文本），并使其完成本单元中的所有“端到端安全工作流程”步骤。特别是检查道德/偏见：输出中是否存在降低概括性、污名化的陈述或隐私泄露？修复您发现的任何问题并记下流程的哪个步骤发现了该问题。
清单
- [ ] 我对数据进行了匿名处理；我只分享了必要的最低限度。
- [ ] 我通过三个步骤验证了输出（源/配置文件/专家）。
- [ ] 我消除了偏见和降低期望的概括。
- [ ] 我清除了污名化语言；我遵守四项道德原则。
- [ ] 我保留了草稿的安全/必要时删除了它们。
- [ ] 我作为专家/团队/家人承担最终决定和责任。
模块考试
1. 特殊教育老师只需提供学生的姓名和年龄，即可向人工智能询问“这个孩子的诊断是什么”，并将答案写入 IEP 文件。这种方法的根本错误是什么？
- A) 忽视RAM和授权专家的诊断权限；还将未经验证的输出移至正式记录 ✔
- B）没有必要向人工智能提供年龄信息
- C) 禁止在数字环境中保存BEP文件
- D）人工智能总是让诊断看起来比实际更重要
说明：人工智能不能也不应该诊断；诊断和评估由 RAM 和授权专家负责。此外，如果不向模型提供数据，所需的输出就会变成捏造（幻觉），并且共享学生身份会侵犯隐私。
2. 以下哪一项是短期（可衡量）BEP 目标应具备的主要特征？
- A）旨在让学生普遍喜欢该科目
- B) 它仅基于教师的观察，不包含数字标准
- C) 在一句话中收集尽可能长、尽可能多的结果。
- D) 包含可观察的行为、状况和可衡量的成功标准 ✔
说明：短期目标包括可观察的行为、条件和标准（试验次数、百分比、独立程度）。 “理解”、“学习”、“意识到”等不可估量的表达会导致书写目的时出现错误。
3. 教师将 RAM 报告（包括学生的全名、TR ID 号和诊断结果）上传到公开的人工智能工具，并说“总结”。正确的方法是什么？
- A) 不做任何修改上传报告，因为摘要需要所有信息
- B) 只需删除 TR ID 号并保留姓名和诊断即可
- C) 删除身份信息、匿名化数据并选择安全/机构工具 ✔
- D) 通过您的个人帐户通过电子邮件共享报告并进行相应总结
说明：学生数据是 KVKK 范围内的特殊个人数据。应删除身份信息并对数据进行匿名处理（“10 岁男学生”），如果可能，应首选机构化且不在教育中使用数据的安全工具。
4. 使用人工智能创建替代性和增强性沟通 (AAC) 的社交故事时，最好的态度是什么？
- A) 专门针对孩子修改草案并获得专家批准 ✔
- B）完全为所有学生使用制作的故事，而无需对其进行任何更改
- C）用尽可能长和抽象的单词来写故事
- D）仅提供长文本而不添加视觉支持
描述：人工智能生成草稿；然而，社会史和沟通支持应适应儿童的个人特征，并得到言语病理学家/专家的批准。一个大纲不能直接套用。
5. 以下哪项是在积极行为支持计划中获得人工智能帮助时的基本原则？
- A) 要求他/她建议最严厉的惩罚，以迅速抑制该行为。
- B) 了解行为的功能并产生替代的积极行为和预防策略草案✔
- C) 在不了解学生的情况下完成计划，只看行为名称
- D) 在没有家人和专家参与的情况下实施计划
说明：积极行为支持不以惩罚为导向；它的目的是了解行为的功能（功能评估）、预防性规定并提供可教导的替代行为而不是不良行为。专家监督必不可少。
6.“数据驱动决策”在跟踪进度方面意味着什么？
- A）仅根据年底的一次观察做出决定
- B）根据老师的总体印象写一份进度报告，而不看数据
- C）将决定完全留给人工智能来解释
- D) 通过查看定期测量数据来做出维持、调整或改变目标的决定 ✔
解释：基于数据的决策是通过查看定期的基于成就的测量（百分比、尝试次数、独立程度）来决定维持、调整或改变目标。人工智能总结数据并提出解释建议；专家做出决定。
7. 根据通用设计（UDL）原则，使材料易于访问的最佳方法是什么？
- A）仅以一种格式、小字体和密集文本呈现材料
- B) 以多种方式呈现内容，提供简单语言和替代文本 ✔
- C）删除所有改编并为每个人提供相同的标准材料
- D）假设仅通过改变颜色来实现可访问性
描述：UDL 设想以多种方式（文本、视觉、音频）、简单语言、替代文本和灵活的格式呈现内容。目的是设计以满足不同的需求，而不仅仅是一个“普通”学生的需求。最终检查取决于专家和真实用户的测试。
8. 老师未经检查就将人工智能生成的家庭信息文本发送给家人，文本中包含错误的预约日期和夸大的“康复”承诺。这里的根本错误是什么？
- A) 通过发送未经验证的文本来制造虚假信息和不切实际的期望 ✔
- B) 向家人发送书面文字本身就是错误的。
- C) 文字太短
- D）严禁人工智能生产家庭文本
描述：与家人分享的每一篇文本都必须准确、保密并获得专家批准。人工智能流畅但会产生虚假信息（幻觉）；未经验证而发送的文本会损害信任和流程。
9. 在包容/整合类别中进行区分时，以下哪一项是正确的方法？
- A）将学生与教室完全分开，让他/她单独完成每项活动
- B) 以共同责任支持相同的成就，而不根据级别对其进行调整和标记 ✔
- C) 毫无例外地向全班提供相同的材料，并且不进行任何改编
- D）仅将适应留给特殊教育老师，并将课堂老师从过程中删除
解释：差异化意味着将相同的学习成果适应不同的水平，并支持学生而不给他们贴上标签。适应是任课教师和特殊教育教师的共同责任；避免采取将学生与同龄人分开和污名化的解决方案。
10. 为什么人工智能语言模型在特殊教育背景下产生“幻觉”的风险特别大？
- A）因为模型总是运行缓慢
- B) 因为模型不懂土耳其语
- C）因为幻觉只发生在视觉产生中
- D) 因为编造的信息会影响孩子的教育决策，并且可以用流利的语言假设为真实的信息✔
解释：幻觉是指模型流畅地编造不存在的信息，就好像这些信息是真实的一样。捏造的立法、不正确的发展规范或想象的特殊教育方法，都可能直接影响儿童的受教育权和发展权；因此每个输出都必须经过验证。
11. 在特殊教育中使用人工智能的伦理原则中，“避免偏见”意味着什么？
- A) 识别并纠正模型产生的刻板印象或歧视性输出，并单独评估每个孩子 ✔
- B) 不要为了快速输出而编写长提示。
- C）仅在一种类型的障碍物上使用人工智能
- D）对所有学生应用相同的有偏见的模板
解释：人工智能可能会反映其训练数据中的偏差；可能会产生关于特定类型的残疾、性别、社会经济地位或文化的刻板印象。专家应监测这方面的结果并单独评估每个孩子。
12. 为什么在用人工智能总结 RAM 报告并创建学生档案时纳入“优势”部分很重要？
- A) 使报告显得更长
- B) 强度仅用于形式，尽管法律上没有要求。
- C) 根据学生的优点来制定计划，而不是仅根据学生的缺点来定义他/她 ✔
- D）完全忽略需求，只积极地写作
说明：特殊教育规划基于优势；只有以缺陷/需求为导向的概况才能定义学生的缺点。优势是目标和动力的基础，并提供积极的、以成长为导向的前景。
13. 改编作品制作中对于“版权和原创性”的正确态度是什么？
- A) 未经检查而使用受版权保护的字符和内容复制输出
- B) 检查和原创材料是否符合课程、准确性和版权 ✔
- C) 以商业方式分发每张图像，无论其来源如何
- D) 假设版权问题根本不适用于数字材料
解释：人工智能输出可能是由其他来源提供的；可能包含受版权保护的内容、品牌字符或未经验证的信息。专家应检查材料是否符合课程要求、准确性和版权，并在必要时引用来源并原创。
14.整个模块强调的关键原则如何描述人工智能在特殊教育中的作用？
- A）人工智能取代专家并自动做出决策
- B）人工智能只能用于做笔记，不能用于其他用途
- C）当使用人工智能时，不再需要专家监督
- D) 人工智能是助手和草稿生成器；最终决定和责任由专家、团队和家人承担 ✔
描述：人工智能助手和草图生成器；影响儿童未来的诊断、安置、目标设定和决策属于主管专家、个别化教育计划团队和家庭的责任。未经验证的输出就像未经签名的专家裁决。