收益：
- 在人工智能的支持下，能够将 RAM 报告、观察笔记和发展故事等来源的信息转化为匿名的学生档案草稿
- 能够创建提示，以结构化格式总结优势、需求、支持领域和优先事项
- 人工智能不会做出诊断或改变现有的诊断；能够维护 RAM 和授权专家的评估和诊断
每个 IEP 均以评估为基础。在为孩子写下正确的目标之前，你需要了解他：他在哪里强，他在哪里需要支持，在什么情况下他有动力，在什么环境下他有困难。此信息来自许多来源。 RAM报告（指导研究中心准备的教育评估和诊断报告）包括孩子的诊断、支持需求和一些教育建议。课堂观察记录、家庭发育史（孩子从出生到今天的发育阶段和重要事件）、前一时期的进展记录和健康报告（如果有）都添加到其中。这些文件通常又长又乱，而且是用不同的语言写成的。这就是人工智能作为组织者和总结者发挥作用的地方。
但让我们从一开始就划清界限：人工智能不会做出诊断，不会改变现有的诊断，也不会提出新的诊断。评估和诊断的权力属于RAM和授权专家。人工智能在本单元中的工作是匿名地将您已有的信息转化为简洁的学生档案，使优势和需求可见，并帮助您确定优先顺序。换句话说，人工智能并不产生信息，而是组织你所拥有的信息。
将评估数据转换为配置文件的步骤
一份好的学生档案由几个部分组成，而人工智能是填写这些部分的优秀起草工具。让我们一步步进行：
- 收集资源并使其匿名。从 RAM 报告、观察记录和发育历史中删除姓名、识别号/方案号、学校和地址信息。年龄、领域知识和观察到的行为仍然存在。
- 将原始数据带到一处。将不同来源的句子收集到单个文本块中；人工智能擅长组织杂乱的输入。
- 求结构。要求人工智能生成具有固定标题的个人资料：优势、需要/支持的领域、沟通、学术水平、社会情感、优先目标领域。
- 从你的优势开始。特殊教育的规划是基于优势，而不是劣势。仅根据孩子不能做的事情来定义他既不道德又会打击他们的积极性。
- 优先考虑。不可能同时研究所有需求。向人工智能请求排名建议，优先考虑安全和通信等关键领域；你决定。
- 专家过滤器。将个人资料中的每个句子与您认识的孩子进行比较；纠正人工智能夸大、贴标签或编造的任何陈述。
提示：养成以“优势”打开个人资料的习惯。即使用“发展/支持领域”等面向发展的语言来写“需求”标题，也能让家庭和团队保持积极的态度。
下表显示了哪些数据馈送到哪个配置文件部分：
来源
它所喂养的部分
人工智能的作用
注意
内存报告
诊断、支持类型（逐字复制）
仅摘要/编辑
诊断未改变
观察笔记
课堂行为、社会
总结、模式提取
评论属于专家
发展史
发展阶段、历史
按时间顺序排列
家庭信息保密
进度日志
学术水平
数值总结、趋势
基于原始数据
家庭访谈
家居环境、优势
编辑注释
匿名化
三个迷你箱子
案例 1——将杂乱的报告变成个人资料。一位老师有一份 7 页的 RAM 报告、一本两学期的观察笔记本和家庭访谈记录；创建个人资料花了半天时间。他对所有文本进行了匿名处理，并向人工智能索要一份具有固定标题的个人资料草稿。 AI在6分钟内组织了优势、沟通、学术和社交情感部分。老师纠正了三项陈述，改变了一项“优先事项”的顺序。持续时间：45 分钟而不是 4 小时。
案例 2 — 强度盲目性。一位专家只是告诉人工智能“列出这个孩子的问题”。产出完全以赤字为中心，并将孩子简化为“问题清单”。专家注意到了这一点，并将提示改为“先写优势，然后写支持领域，并使用面向成长的语言”。新的简介对于客观写作来说既更公平也更有用。错误：仅针对缺失的内容构建配置文件。
情况 3 — 超出诊断极限。一位老师将自己的观察笔记交给AI，并问道：“这个孩子的诊断是什么？” AI 产生了类似“研究结果可能与 ADHD 兼容”这样的句子。幸好老师没有把这事记入档案；因为做出诊断既不是人工智能的工作，也不是老师的工作。正确的方法是描述观察结果并在必要时参考 RAM。错误：试图根据评估数据做出诊断。
案例 4 — 多源冲突。虽然一名学生的 RAM 报告称“遵循口头指令”，但课堂观察显示该孩子错过了大部分指令。老师将这两个来源匿名提供给人工智能，并表示：“标记出冲突点，但不要自己决定。” AI列出了两种来源的区别；老师将其变成了“需要澄清的问题”清单并联系了RAM。因此，矛盾变成了一个调查问题，而不是一个错误的假设。人工智能让矛盾变得显而易见；专家接手解读和解答。
弱提示/强提示
弱提示：
总结这份报告并描述孩子的情况。
这个提示既模糊又提示AI识别或评论“告诉我你的情况”。产出变得非结构化且有风险。
强力提示：
您的角色：协助特殊教育教师的助理。以下是匿名评估说明（无姓名/身份）。任务：组织一份学生简介草案，包含以下标题：1) 优势 2) 沟通 3) 学术水平（领域）4) 社会情感 5) 支持/发展领域 6) 优先推荐（3 项）规则：不要做出诊断，不要改变现有的诊断。请勿编造备注中未包含的信息。使用以发展为中心的、非污名化的语言。[此处匿名注释]
在这个提示中，标题、界限（诊断性的、虚构的）和语气都很清晰。输出是直接可用的轮廓；它仍然通过专家过滤器。
学生档案模板
学生简介（匿名） — 年龄：__ 年级/年级：__ 优势：（至少 3 项，具体）沟通：（语言/AAC/手势；理解和表达）学术：阅读 __ / 写作 __ / 数学 __ / 其他 __ 社交情感：（同伴、规则、自我调节）支持/发展领域：（按优先顺序排列）动机/兴趣：（强化因素）以及学习时有用的主题）优先目标领域：1) __ 2) __ 3) __
您可以为每个新学生重复使用此模板。为人工智能提供模板并说“填写此结构”可以让您生成一致且可比较的配置文件。
常见错误
- 请求人工智能进行诊断或诊断解释。诸如“什么诊断”和“与什么兼容”等问题跨越了界限；评估属于RAM。
- 建立缺陷档案。忽略优势会让孩子减少列出问题的清单，并削弱目标的书写。
- 注释中没有的内容进行弥补。 AI可以用“看起来合理”的句子来填补空白；这些不是真实的观察结果。
- 分享家庭知识。发展史中的私密细节（健康、家庭状况）不会在未经匿名处理的情况下输入。
- 将优先事项留给人工智能。 AI给出建议；专家和团队决定首先研究哪个领域。
总之
评估是IEP的基础；但评价数据往往比较分散。人工智能是一个强大的组织者，可以将这些数据转化为匿名的学生档案：它将优势、需求和优先事项聚合到固定的标题中。然而，人工智能不会诊断，不会改变现有的诊断，也无法产生注释中没有的信息。打开个人资料，列出优点，使用以发展为中心的语言，将每个句子与您认识的孩子进行比较，并确定自己的优先顺序。
应用任务
对学生的评估文件进行匿名化，并使用本单元中的“学生个人资料模板”向 AI 请求一份个人资料草稿。检查打印输出，看看（1）优势是否真正具体，（2）诊断的解释是否泄漏，（3）是否有注释中没有的“虚构”句子。用你自己的知识确定至少一项优势和一项优先事项。
清单
- [ ] 我对所有文件进行了匿名处理（没有姓名、身份证件、学校、家庭详细信息）。
- [ ] 我用优势打开了配置文件，并使用了面向开发的语言。
- [ ] 我检查了一下，AI没有诊断和泄露评论。
- [ ] 我删除了笔记中没有的捏造信息。
- [ ] 我根据自己的专业知识确定了优先顺序。
- [ ] 我注意到该配置文件是草稿，将与团队共享。