Dữ liệu đa dạng hơn
Lớp 5 · 1 tiết · Đạo đức AI
Vì sao một công cụ có thể sai nhiều với một nhóm ví dụ? Phòng thực hành dùng huy hiệu hình học, không dùng dữ liệu hoặc phân nhóm con người.
Em sẽ học được gì?
- 5.B2.1Nêu được một số cách giúp AI hoạt động công bằng hơn, chẳng hạn như sử dụng dữ liệu đa dạng, tránh định kiến hoặc kiểm tra lại kết quả do AI tạo ra. Trang 25
- 5.B1.1Nêu được một số ví dụ về sự công bằng hoặc không công bằng trong một số tình huống đơn giản, trong đời sống và khi AI phục vụ con người. Trang 24
- 5.B1.2Giải thích được rằng AI cần phục vụ con người một cách công bằng, không phân biệt giới tính, vùng miền, điều kiện kinh tế hay hoàn cảnh khác nhau. Trang 25
Thiếu ví dụ dễ dẫn tới nhầm
Trong lab, huy hiệu có hình tròn hoặc vuông, màu xanh hoặc cam, cỡ nhỏ hoặc lớn. Nếu các mẫu chỉ có tròn xanh nhỏ và vuông cam lớn, máy có thể học liên hệ không phù hợp giữa hình, màu và cỡ. Màu không phải lí do để đổi nhãn hình.
Công bằng cần nhiều việc cùng làm
Bổ sung mẫu đa dạng, kiểm tra nhãn đúng và so sánh lỗi ở từng nhóm giúp thấy điều một con số tổng có thể che mất. Huy hiệu chỉ là mô hình đồ chơi để học; không thể dùng kết quả này đo công bằng đối với con người. Với công cụ phục vụ người, còn phải tránh định kiến và lắng nghe người bị ảnh hưởng.
Cùng làm: Điều tra dữ liệu lệch
Mở lab thiên lệch huy hiệu. Các nhóm thay phiên điều khiển; người quan sát ghi kết quả, không coi mô hình này là hệ thống đánh giá con người.
Chọn bộ mẫu thiếu đại diện; nhận xét những tổ hợp hình, màu, cỡ nào còn thiếu.
Bấm Huấn luyện, thử các huy hiệu kiểm tra và ghi lỗi riêng ở nhóm tròn, nhóm vuông; ghi cả trường hợp chưa quyết được.
Chuyển sang bộ đa dạng hoặc bổ sung ví dụ/nhãn đúng, huấn luyện lại rồi thử cùng các huy hiệu kiểm tra.
So sánh trước/sau từng nhóm; viết một cách cải thiện dữ liệu và một điều chưa thể kết luận về công bằng ngoài đời.
Dừng lại và suy nghĩ
- Vì sao chỉ nhìn tổng số đúng có thể bỏ sót một nhóm bị sai nhiều?
- Nếu nhãn bị gán sai, chỉ thêm nhiều mẫu có đủ không?
Minh chứng cần ghi lại
Bảng lỗi trước/sau theo hình, ghi dữ liệu thay đổi và giải thích vai trò đa dạng, nhãn đúng, kiểm tra kết quả.
Không có thiết bị? Vẫn học được.
Dùng thẻ tròn/vuông xanh/cam nhỏ/lớn, bảng khoảng cách: đếm đặc điểm khác nhau để chọn mẫu gần nhất, hòa thì “chưa quyết”. So sánh hai bộ mẫu trên giấy; giáo viên nói rõ đây là mô phỏng.
Họ và tên: ........................................ Lớp: ........ Ngày: ................
Quan sát / sản phẩm của em:
Em đã kiểm tra bằng cách nào? Em sẽ thay đổi điều gì?
Em có dùng AI không? Nếu có, AI đã hỗ trợ phần nào?
Tự luyện để hiểu bài
Các câu hỏi dưới đây giúp em nhận phản hồi và thử lại. Số câu đúng không phải điểm chính thức, không thay thế minh chứng hoạt động hay nhận xét của giáo viên. Câu trả lời tự luyện chỉ lưu trên trình duyệt này.
Bài tập
Đã đúng 0/2 câu
- Câu 1Mức 1Trắc nghiệm 1 đáp án
Cách nào giúp kiểm tra một mô hình huy hiệu công bằng hơn giữa các nhóm hình?
- Câu 2Mức 1Trắc nghiệm 1 đáp án
Mẫu hình tròn bị ghi nhãn vuông. Nên làm gì?
So sánh lỗi giữa các nhóm huy hiệu
Dùng bộ huy hiệu hình tròn/vuông, xanh/cam, nhỏ/lớn để so sánh mẫu thiếu đại diện, nhãn sai và mẫu cân bằng. Quan sát lỗi trên bộ kiểm tra theo hình; đây là mô hình học tập, không đánh giá con người.
Thử các bộ dữ liệu, rồi tự sửa
Bộ thiếu đa dạng chỉ có tròn–xanh–nhỏ và vuông–cam–lớn. Bộ sai nhãn gắn hai huy hiệu tròn màu cam vào hộp vuông. Hãy kiểm tra, bổ sung hoặc sửa nhãn rồi huấn luyện lại.
Chưa huấn luyện.
Kiểm tra 4 huy hiệu mới cỡ vừa
Các huy hiệu kiểm tra đều có cỡ vừa, chưa xuất hiện trong bộ mẫu nhỏ/lớn dùng để huấn luyện; có đủ các nhóm tròn/vuông và xanh/cam. Kết quả chỉ nói về bộ dữ liệu giả lập này, không chứng minh công bằng ngoài đời.
Máy tính kết quả thế nào?
Mỗi đặc điểm khác nhau tính 1 điểm. Máy tìm tất cả mẫu có tổng điểm nhỏ nhất, rồi đếm nhãn của các mẫu đó. Hộp nhiều phiếu hơn được chọn; bằng phiếu thì chưa quyết định. Huấn luyện ở mô hình đơn giản này là lưu bản sao các ví dụ đã chọn, không phải hiểu hình như con người. Không có độ tin cậy hay AI tạo sinh giả lập.
Minh chứng ghi lại thao tác và kết quả thực của lượt học; không tự chấm năng lực. Muốn lưu vào hồ sơ, dùng biểu mẫu minh chứng của bài học.
Đây là mô hình học tập giới hạn, không phải hệ thống AI triển khai thực tế. Không nhập thông tin riêng tư. Có thể làm hoạt động giấy ở trên thay cho thí nghiệm.
Đang tải hồ sơ riêng tư…
Ghi lại điều em đã làm
Bảng lỗi trước/sau theo hình, ghi dữ liệu thay đổi và giải thích vai trò đa dạng, nhãn đúng, kiểm tra kết quả. Không ghi địa chỉ, số điện thoại, mật khẩu hoặc thông tin riêng tư của người khác.
Em có thể trình bày miệng với giáo viên, viết trên phiếu giấy hoặc ghi bằng lời ở đây. Người hướng dẫn có thể ghi giúp điều đã quan sát.
Lịch sử minh chứng của em trong bài
Hướng dẫn dành cho giáo viên
Học liệu mở — đọc và in không cần đăng nhập. Dùng quan sát thực hành để nhận xét, không quy đổi tự luyện thành điểm năng lực.
Chuẩn bị
- Mở lab bias; chuẩn bị thẻ huy hiệu và bảng trước/sau cho lớp thiếu thiết bị.
Tổ chức hoạt động
5 phút đọc bộ mẫu, 7 phút giải thích, 16 phút thử có luân phiên, 5 phút tự luyện, 2 phút chốt. Không diễn giải huy hiệu thành giới hay vùng miền.
Câu hỏi thảo luận
- Mẫu còn thiếu có liên quan loại lỗi nào?
- Tại sao kết quả tốt hơn trong lab không chứng minh mọi công cụ đã công bằng?
Quan sát minh chứng
- Học sinh chỉ ra tổ hợp còn thiếu hoặc nhãn sai.
- Bảng so sánh có kết quả từng nhóm và một giới hạn.
Điều cần nhớ
Dữ liệu đa dạng, nhãn đúng, tránh định kiến và kiểm tra kết quả giúp AI phục vụ công bằng hơn.