Ethical principles for artificial intelligence in K-12 education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Advances in Artificial Intelligence in Education (AIED) are providing teachers with a wealth of new tools and smart services to facilitate student learning. Meanwhile, growing public concern over the potentially harmful societal effects of AI has prompted the publication of a flurry of AI ethics guidelines and policy documents authored by national and international government agencies, academic consortia and industrial stakeholders. AI ethics policy guidance specific to children and K-12 education1 has lagged behind; this scene is swiftly changing. In this paper, we examine the ethical principles currently informing AI ethics policy development for children and K-12 education. To accomplish this, we located four recent and globally relevant Artificial Intelligence in K-12 Education (AIEdK-12) ethics guideline statements; we then performed a content analysis of these documents using eleven AI ethics principles identified by Jobin et al. (2019)Jobin et al. (2019). We found that these AIEdK-12 ethics guidelines employed many of the core principles already employed in non-AIEdK-12 documents—Transparency; Justice and Fairness; Non-maleficence; Responsibility; Privacy; Beneficence; Freedom & Autonomy—and were sometimes adapted for children. We further identified four new ethical principles being employed that are unique to K-12 education, specifically: Pedagogical Appropriateness; Children's Rights; AI Literacy; and Teacher Well-being. Our analysis also calls for a decolonized “humanized posthuman” ethic able to address the intensifying human-AI collaborative environment in classrooms, and able to weigh the complex indications and contraindications for children's and youth's cognitive, social-emotional, physical, cultural and political development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle