[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"blog-article-yak-pereviriaty-avtomatyzovani-rishennia-pl":3},{"uuid":4,"title":5,"subtitle":6,"content":7,"preview":398,"date_published":403,"date_pinned":403,"img":404,"alias":405,"is_published":406,"is_pinned":407,"type":13,"category":408,"category_name":409,"category_alias":410,"background_color":411,"preview_icon":13,"category_value":412,"external_link":13},"9856d0d1-8e56-449c-9c81-3e3fb214a410","Jak rozwijać umiejętność weryfikowania decyzji systemów zautomatyzowanych","Jak nauczyć się weryfikować rekomendacje systemów zautomatyzowanych: od sformułowania pytania i danych po analizę błędów i odpowiedzialny przegląd decyzji.",{"type":8,"content":9},"doc",[10,18,23,31,36,41,47,52,66,72,77,82,88,101,106,112,117,122,128,133,138,144,149,154,160,165,170,176,181,192,198,203,208,214,219,224,230,235,240,246,251,256,262,267,272,278,283,288,294,299,304,309,314,320,325,330,336],{"type":11,"attrs":12,"content":14},"paragraph",{"align":13},null,[15],{"text":16,"type":17},"System oznaczył uczestnika jako osobę potrzebującą wsparcia. Prowadzący widzi stanowczą rekomendację i krótkie wyjaśnienie, lecz nie wie, jakie dane stanowią jej podstawę i co oznacza oznaczenie. Czy to wystarcza do działania? Umiejętność weryfikowania zautomatyzowanej decyzji zaczyna się od zrozumienia zadania, danych wejściowych i skutków błędu. Kliknięcie przycisku zatwierdzenia lub przeczytanie wyjaśnienia nie oznacza jeszcze sprawowania rzeczywistego nadzoru przez człowieka.","text",{"type":11,"attrs":19,"content":20},{"align":13},[21],{"text":22,"type":17},"Te umiejętności są potrzebne nie tylko programistom. Prowadzący, koordynator, redaktor lub kierownik mogą wykorzystywać wynik systemu w swojej pracy. Nie zawsze muszą znać wszystkie szczegóły techniczne modelu, powinni jednak umieć zadawać właściwe pytania, sprawdzać dostępne podstawy i rozpoznawać granice własnych uprawnień. Nauka powinna zapewniać praktykę właśnie tych działań na bezpiecznych przykładach, w których można porównać decyzję z niezależną podstawą i wyjaśnić dokonany wybór.",{"type":24,"attrs":25,"content":28},"heading",{"align":13,"level":26,"id":27},2,"heading_2_1",[29],{"text":30,"type":17},"Doprecyzuj, co właściwie rozstrzyga system",{"type":11,"attrs":32,"content":33},{"align":13},[34],{"text":35,"type":17},"Rekomendacja może być prognozą, klasyfikacją, rankingiem lub zastosowaniem określonej reguły. Wyniki te mają różne znaczenie. „Wymaga uwagi” nie musi oznaczać „nie jest zdolny do nauki”, a niska pozycja w rankingu nie dowodzi niespełnienia minimalnego wymagania. W ćwiczeniu poproś uczestnika o przeformułowanie wyniku systemu prostym językiem, bez dodawania ukrytego wniosku. Powinien wyjaśnić, na jakie pytanie wynik odpowiada, a na jakie nie daje wystarczającej odpowiedzi.",{"type":11,"attrs":37,"content":38},{"align":13},[39],{"text":40,"type":17},"Następnie nazwij działanie człowieka, które wynik może wspierać. Może to być na przykład sprawdzenie dostępu technicznego, zaproponowanie dodatkowego wyjaśnienia lub skierowanie przypadku do merytorycznego rozpatrzenia. Nie pozwalaj na niezauważalne przechodzenie od sygnału do sankcji. Jeśli system stworzono z myślą o wczesnym kontakcie w celu udzielenia wsparcia, wykorzystanie jego oznaczenia jako ostatecznej oceny człowieka zmienia zadanie. Rozpoznawanie właśnie takich przejść warto ćwiczyć w scenariuszach edukacyjnych, zanim staną się zwyczajowym sposobem pracy rzeczywistego zespołu.",{"type":24,"attrs":42,"content":44},{"align":13,"level":26,"id":43},"heading_2_2",[45],{"text":46,"type":17},"Przeanalizuj całą drogę do decyzji",{"type":11,"attrs":48,"content":49},{"align":13},[50],{"text":51,"type":17},"Błąd może pojawić się przed modelem: nieprawidłowo powiązany rekord, nieaktualny status, pominięta próba lub niejednoznaczna definicja pola. Zacznij weryfikację od pochodzenia danych wejściowych. Czy dotyczą właściwej osoby i okresu? Czy zero oznacza niewykonanie zadania, czy brak zapisu? Jeśli nie widać tych różnic, nawet technicznie poprawne obliczenie może wspierać niewłaściwe działanie. Uczestnik powinien nauczyć się sprawdzać znaczenie zapisu, a nie tylko powtarzać liczbę wyświetloną w interfejsie.",{"type":11,"attrs":53,"content":54},{"align":13},[55,57,64],{"text":56,"type":17},"W ",{"text":58,"type":17,"marks":59},"NIST AI RMF 1.0",[60],{"type":61,"attrs":62},"link",{"href":63,"title":13},"https:\u002F\u002Fdoi.org\u002F10.6028\u002FNIST.AI.100-1",{"text":65,"type":17}," ryzyka rozpatruje się w kontekście pełnego cyklu życia i użytkowania systemu. Na potrzeby ćwiczenia narysuj prostą ścieżkę: źródło, przygotowanie, przetwarzanie, prezentacja wyniku, działanie człowieka. Na każdym przejściu poproś o wskazanie możliwego błędu i osoby, która może go naprawić. Pomaga to nie wymagać od jednego użytkownika technicznego sprawdzenia wszystkiego, a zarazem nie pozostawiać znanych problemów bez osoby odpowiedzialnej za decyzję.",{"type":24,"attrs":67,"content":69},{"align":13,"level":26,"id":68},"heading_2_3",[70],{"text":71,"type":17},"Znajdź podstawę niezależną od rekomendacji",{"type":11,"attrs":73,"content":74},{"align":13},[75],{"text":76,"type":17},"Jeśli człowiek najpierw widzi gotowy wniosek, może mu być trudniej sformułować własną ocenę. W części ćwiczeń zaproponuj, by najpierw przeanalizować przypadek na podstawie materiałów źródłowych, a dopiero potem odsłonić wynik systemu. Porównanie pokaże, gdzie zmieniła się decyzja i czy pojawiła się nowa podstawa. Nie uznawaj każdej niezgody za dowód, że rację ma człowiek. Trzeba sprawdzać oba warianty według uzgodnionych kryteriów, a nie wybierać stronę ze względu na samo autorstwo wniosku.",{"type":11,"attrs":78,"content":79},{"align":13},[80],{"text":81,"type":17},"Podstawą może być dokument, obliczenie kontrolne, reguła dziedzinowa lub odpowiednia weryfikacja ekspercka. Ważne, by rzeczywiście wnosiła informacje. Ponowne zapytanie tego samego systemu z prośbą o potwierdzenie własnego wyniku nie jest niezależnym dowodem. Uczestnik powinien wyjaśnić, dlaczego wybrana metoda może wykryć właśnie dany możliwy błąd. Jeśli system pomylił zapisy źródłowe, ładniejsze objaśnienie wzoru nie pomoże ustalić właściwej osoby ani odtworzyć brakującej próby.",{"type":24,"attrs":83,"content":85},{"align":13,"level":26,"id":84},"heading_2_4",[86],{"text":87,"type":17},"Nie utożsamiaj wyjaśnienia z poprawnością",{"type":11,"attrs":89,"content":90},{"align":13},[91,93,99],{"text":92,"type":17},"System może podać zrozumiałą przyczynę, która nie potwierdza wiarygodności wniosku. W ",{"text":94,"type":17,"marks":95},"badaniu Buçinca, Malaya i Gajos",[96],{"type":61,"attrs":97},{"href":98,"title":13},"https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.09692",{"text":100,"type":17}," analizowano nadmierne przyjmowanie porad AI oraz sposoby zachęcania do przemyślanej weryfikacji. Wyniki konkretnego eksperymentu nie oznaczają, że jedna zmiana interfejsu sprawdzi się we wszystkich grupach odbiorców. Przypominają, że istnienie wyjaśnienia i rzeczywista jakość nadzoru człowieka to różne rzeczy, które trzeba oceniać osobno.",{"type":11,"attrs":102,"content":103},{"align":13},[104],{"text":105,"type":17},"Na potrzeby praktyki przedstaw dwa wiarygodnie brzmiące wyjaśnienia, z których jedno opiera się na niewłaściwym polu. Niech uczestnik sprawdzi odwołania do danych wejściowych i znajdzie lukę. Oceniaj wykonane działanie, a nie jego ogólną nieufność wobec automatyzacji. Ciągłe odrzucanie wszystkich porad również nie jest kompetentnym nadzorem. Celem jest uzasadnione przyjęcie, zmiana lub odrzucenie konkretnej decyzji odpowiednio do zadania i dostępnych dowodów.",{"type":24,"attrs":107,"content":109},{"align":13,"level":26,"id":108},"heading_2_5",[110],{"text":111,"type":17},"Rozróżniaj rodzaje błędów",{"type":11,"attrs":113,"content":114},{"align":13},[115],{"text":116,"type":17},"W prostej klasyfikacji istnieją przynajmniej dwa różne niepożądane przypadki: system oznaczył problem tam, gdzie go nie ma, lub nie zauważył go tam, gdzie występuje. Ich skutki zależą od procesu. Zbędny przyjazny kontakt w celu udzielenia wsparcia i bezpodstawne ograniczenie dostępu mają różną wagę. Dlatego najpierw nazwij działanie następujące po sygnale. Bez tego dyskusja o dopuszczalnym odsetku błędów pozostanie abstrakcyjna i może ukryć rzeczywisty wpływ na ludzi.",{"type":11,"attrs":118,"content":119},{"align":13},[120],{"text":121,"type":17},"Zaproponuj uczestnikom podział fikcyjnych przypadków na cztery grupy: wyniki prawdziwie dodatnie i ujemne, fałszywe alarmy oraz niewykryte przypadki. Następnie poproś o wyjaśnienie, co należy zrobić z każdą grupą w konkretnym procesie. W ten sposób metryka wiąże się z pracą. Jeśli cała uwaga skupia się jedynie na ogólnej trafności, zespół może nie zauważyć, że system niemal nie wykrywa rzadkich ważnych przypadków lub generuje zbyt wiele zbędnych weryfikacji dla zespołu wsparcia.",{"type":24,"attrs":123,"content":125},{"align":13,"level":26,"id":124},"heading_2_6",[126],{"text":127,"type":17},"Uwzględniaj częstość zjawiska",{"type":11,"attrs":129,"content":130},{"align":13},[131],{"text":132,"type":17},"Rozważmy przykład służący wyłącznie nauce. Wśród tysiąca fikcyjnych przypadków jest dwadzieścia, które rzeczywiście wymagają weryfikacji. System wykrywa osiemnaście z nich i błędnie oznacza czterdzieści dziewięć innych. Zatem wśród sześćdziesięciu siedmiu oznaczonych przypadków tylko osiemnaście spełnia warunek. Liczby te przyjęto w celu objaśnienia arytmetyki, a nie uzyskano z rzeczywistego serwisu. Pokazują, dlaczego wysoki wskaźnik wykrywania potrzebnych przypadków nie oznacza, że każdy pojedynczy alarm niemal na pewno jest poprawny.",{"type":11,"attrs":134,"content":135},{"align":13},[136],{"text":137,"type":17},"Poproś uczestnika o samodzielne odtworzenie tabeli i wyjaśnienie różnicy między odsetkiem wykrytych przypadków a odsetkiem poprawnych sygnałów. Następnie zmień częstość zjawiska, zachowując pozostałe umowne parametry. Niech przewidzi, co stanie się z obciążeniem osoby weryfikującej. Takie ćwiczenie pomaga odczytywać metryki przez pryzmat liczb bezwzględnych i konkretnego procesu. Daje też podstawę do zadawania dostawcy rzeczowych pytań o dane wykorzystane do oceny i granice przenoszenia deklarowanych wyników na inną grupę odbiorców.",{"type":24,"attrs":139,"content":141},{"align":13,"level":26,"id":140},"heading_2_7",[142],{"text":143,"type":17},"Sprawdzaj próg i jego skutki",{"type":11,"attrs":145,"content":146},{"align":13},[147],{"text":148,"type":17},"Jeśli system przekształca ocenę w kategorię za pomocą progu, jego wybór zmienia proporcję alarmów i niewykrytych przypadków. Poproś uczestnika o porównanie kilku progów na fikcyjnych danych. Powinien wyjaśnić, jak zmieni się kolejka spraw do rozpatrzenia i które błędy staną się częstsze. Nie wymagaj jednej uniwersalnej, najlepszej liczby. Dopuszczalność zależy od celu, skutków, zasobów na weryfikację oraz tego, czy błąd można zauważyć i naprawić, zanim wpłynie na człowieka.",{"type":11,"attrs":150,"content":151},{"align":13},[152],{"text":153,"type":17},"Osobno rozpatrz przypadki graniczne. Dwie niemal identyczne oceny mogą trafić do różnych kategorii, choć dane nie dają podstaw, by opisywać ludzi jako zasadniczo odmiennych. Interfejs powinien pomagać dostrzegać tę granicę, jeśli ma znaczenie dla decyzji. W ćwiczeniu poproś o sformułowanie komunikatu człowieka o takim wyniku bez nadmiernej pewności. Dokładna liczba na ekranie nie zawsze oznacza równie dokładną wiedzę o rzeczywistej sytuacji.",{"type":24,"attrs":155,"content":157},{"align":13,"level":26,"id":156},"heading_2_8",[158],{"text":159,"type":17},"Porównuj wyniki w różnych warunkach",{"type":11,"attrs":161,"content":162},{"align":13},[163],{"text":164,"type":17},"Wskaźnik na jednym zbiorze nie gwarantuje takiego samego działania po zmianie odbiorców, języka, sposobu zbierania danych lub procesu dziedzinowego. Uczestnik powinien umieć zapytać, na jakich przypadkach oceniano system i czy przypominają obecne. Do ćwiczenia przygotuj dwie próby z różnymi brakami danych lub definicjami. Niech uczestnik znajdzie przyczynę możliwej niepoprawności porównania jeszcze przed omówieniem złożonego algorytmu lub przyczyn konkretnej rekomendacji.",{"type":11,"attrs":166,"content":167},{"align":13},[168],{"text":169,"type":17},"Nie wyciągaj wniosku o grupie na podstawie kilku przypadkowych obserwacji. Jeśli danych jest za mało, zapisz ograniczenie i potrzebną kolejną weryfikację. Zarazem ogólny średni wskaźnik nie powinien automatycznie ukrywać zauważalnego problemu występującego w określonych warunkach użytkowania. Potrzebna jest proporcjonalna analiza uwzględniająca jakość danych. Nauka powinna rozwijać umiejętność odróżniania sygnału wymagającego rozpatrzenia od mocnego wniosku, na który jeszcze nie ma wystarczającego dowodu.",{"type":24,"attrs":171,"content":173},{"align":13,"level":26,"id":172},"heading_2_9",[174],{"text":175,"type":17},"Określ granice przeglądu przez człowieka",{"type":11,"attrs":177,"content":178},{"align":13},[179],{"text":180,"type":17},"Człowiek powinien mieć wystarczające informacje, czas i uprawnienia, by zmienić wynik. W przeciwnym razie jego obecność w procesie może pozostać formalnością. W scenariuszu zapytaj: czy osoba weryfikująca widzi dane źródłowe, czy może poprosić o doprecyzowanie, czy wolno jej odrzucić rekomendację? Jeśli decyzja została już automatycznie wykonana i skutków nie da się zatrzymać, samo kliknięcie po fakcie nie zapewnia takiego samego nadzoru jak przegląd przed ważnym działaniem.",{"type":11,"attrs":182,"content":183},{"align":13},[184,190],{"text":185,"type":17,"marks":186},"Zasady AI OECD",[187],{"type":61,"attrs":188},{"href":189,"title":13},"https:\u002F\u002Foecd.ai\u002Fen\u002Fai-principles",{"text":191,"type":17}," obejmują przejrzystość, niezawodność i rozliczalność. W programie nauczania warto przełożyć te wytyczne na konkretną ścieżkę postępowania ze spornym przypadkiem. Kto przyjmuje zgłoszenie, jakie podstawy sprawdza i kto informuje o wyniku? Jest to opis projektowania procesu, a nie stwierdzenie, że we wszystkich sytuacjach obowiązują identyczne wymogi prawne. Odpowiedzialne użytkowanie wymaga znajomości rzeczywistego sposobu pracy konkretnej organizacji i uprawnień jej uczestników.",{"type":24,"attrs":193,"content":195},{"align":13,"level":26,"id":194},"heading_2_10",[196],{"text":197,"type":17},"Ćwicz krótkie dokumentowanie weryfikacji",{"type":11,"attrs":199,"content":200},{"align":13},[201],{"text":202,"type":17},"Poproś uczestnika o zapisanie początkowej rekomendacji, sprawdzonej podstawy, znalezionego problemu i ostatecznej decyzji. Dodaj nierozstrzygnięte pytanie, jeśli zmienia przydatność wniosku. Często to wystarcza w przypadku edukacyjnym. Nie trzeba tworzyć długiego raportu dla każdego prostego alarmu, lecz kluczowe zmiany powinny być zrozumiałe dla innej osoby. Dokumentowanie pomaga odróżnić rzeczywistą weryfikację od zatwierdzenia, które nie pozostawiło żadnych podstaw do późniejszej analizy jakości procesu.",{"type":11,"attrs":204,"content":205},{"align":13},[206],{"text":207,"type":17},"Korzystaj z fikcyjnych lub odpowiednio przygotowanych danych i minimalnej liczby zapisów. Dziennik ćwiczeń nie powinien gromadzić niepotrzebnych historii osobistych. Jeśli przykład zawiera wrażliwy kontekst, lepiej skonstruować model sytuacji, który zachowuje logikę błędu bez odtwarzania losów rzeczywistej osoby. Celem ćwiczenia jest wykazanie umiejętności weryfikowania decyzji, a nie dowodzenie autentyczności kosztem zbędnego ujawniania informacji o uczestnikach, pracownikach lub klientach.",{"type":24,"attrs":209,"content":211},{"align":13,"level":26,"id":210},"heading_2_11",[212],{"text":213,"type":17},"Oprzyj ćwiczenie na błędzie danych",{"type":11,"attrs":215,"content":216},{"align":13},[217],{"text":218,"type":17},"W pierwszym scenariuszu system poprawnie stosuje regułę, lecz otrzymuje nieaktualny status wykonania. Uczestnik powinien zauważyć niezgodność czasową, sprawdzić źródło i wskazać kolejne działanie. Nie każ mu zgadywać, jaki ukryty błąd wymyślił prowadzący. Udostępnij materiały wystarczające do wykrycia problemu: datę aktualizacji, zapis przesłania i regułę przetwarzania. Pozwala to ocenić rzeczywistą pracę z dowodem, a nie intuicyjne zgadywanie usterki w fikcyjnym systemie.",{"type":11,"attrs":220,"content":221},{"align":13},[222],{"text":223,"type":17},"Po poprawieniu błędu poproś o wyjaśnienie, czy zmienia się tylko jeden wynik, czy potrzebna jest szersza weryfikacja. Jeśli problem pochodzi ze wspólnego źródła, podobne przypadki mogą wymagać przeglądu. Uczestnik powinien określić zakres założenia i odpowiedzialną rolę, nie uznając wszystkich wyników za błędne bez podstaw. Taka analiza rozwija myślenie o procesie: pojedyncza poprawka jest ważna, lecz trzeba też zrozumieć, jak zapobiec powtórzeniu tej samej przyczyny w kolejnym cyklu nauczania.",{"type":24,"attrs":225,"content":227},{"align":13,"level":26,"id":226},"heading_2_12",[228],{"text":229,"type":17},"Oprzyj ćwiczenie na błędnej interpretacji",{"type":11,"attrs":231,"content":232},{"align":13},[233],{"text":234,"type":17},"W drugim scenariuszu system podaje poprawny ranking względny według określonego kryterium, lecz użytkownik interpretuje ostatnią pozycję jako niespełnienie minimalnego wymagania. Przedstaw uczestnikowi definicję wskaźnika i kilka wyników. Powinien wyjaśnić różnicę między kolejnością a progiem spełnienia wymagań. Tutaj nie trzeba szukać awarii technicznej. Błąd pojawia się przy przejściu od liczby do wniosku człowieka, więc poprawka dotyczy interpretacji, instrukcji lub sposobu prezentacji wyniku.",{"type":11,"attrs":236,"content":237},{"align":13},[238],{"text":239,"type":17},"Następnie poproś o przygotowanie krótkiego komunikatu dla kolegi korzystającego z tego wskaźnika. Powinien zawierać właściwe znaczenie i potrzebne ograniczenie, bez przeciążania odbiorcy szczegółami technicznymi. To osobna umiejętność: znajomość poprawnej odpowiedzi nie wystarcza, jeśli zespół nadal posługuje się dawnym wyjaśnieniem. Weryfikacja decyzji kończy się wtedy, gdy kolejny uczestnik może działać na poprawnej podstawie, a nie tylko wtedy, gdy błąd zostanie odnotowany w osobistych notatkach osoby weryfikującej.",{"type":24,"attrs":241,"content":243},{"align":13,"level":26,"id":242},"heading_2_13",[244],{"text":245,"type":17},"Oprzyj ćwiczenie na niewystarczającej podstawie",{"type":11,"attrs":247,"content":248},{"align":13},[249],{"text":250,"type":17},"W trzecim scenariuszu system proponuje wniosek, lecz w materiałach brakuje potrzebnego pola. Uczestnik powinien wskazać brak, powstrzymać się od ostatecznego osądu i sformułować najbardziej przydatne pytanie doprecyzowujące. Należy oceniać to pozytywnie, jeśli wstrzymanie decyzji jest uzasadnione. W przeciwnym razie uczestnicy przyzwyczajają się zawsze przedstawiać gotowy wynik, nawet gdy muszą go dopowiadać. Ćwiczenie powinno pokazać, że niepewność jest właściwością sytuacji, którą trzeba poprawnie przekazać, a nie wadą sposobu opracowania odpowiedzi.",{"type":11,"attrs":252,"content":253},{"align":13},[254],{"text":255,"type":17},"Zaproponuj kilka możliwych pytań doprecyzowujących i poproś o wybór tego, które najbardziej zmienia decyzję. W ten sposób uczestnik ćwiczy proporcjonalność weryfikacji. Nie trzeba bez końca zbierać nowych danych, zwłaszcza jeśli są osobiste lub nie wpływają na postawione pytanie. Po uzyskaniu kluczowego faktu uczestnik wraca do decyzji i wyjaśnia zmianę. Prowadzący ocenia związek nowej podstawy z wnioskiem, a nie liczbę pytań czy długość przygotowanego wyjaśnienia.",{"type":24,"attrs":257,"content":259},{"align":13,"level":26,"id":258},"heading_2_14",[260],{"text":261,"type":17},"Oceniaj jakość nadzoru na nowych przypadkach",{"type":11,"attrs":263,"content":264},{"align":13},[265],{"text":266,"type":17},"W zadaniu końcowym połącz poprawne rekomendacje z różnymi rodzajami błędów. Uczestnik nie powinien wiedzieć, że każdy przykład musi zawierać problem. Inaczej nauczy się szukać ukrytej wady nawet tam, gdzie decyzja jest uzasadniona. Poproś o przyjęcie, zmianę lub odroczenie wyniku oraz wskazanie podstawy. Oceniaj umiejętność właściwego działania w różnych warunkach, w tym w przypadkach, gdy automatyczna rekomendacja rzeczywiście pomaga, a dodatkowa weryfikacja powinna być krótka i ukierunkowana.",{"type":11,"attrs":268,"content":269},{"align":13},[270],{"text":271,"type":17},"Rubryka oceniania może obejmować rozumienie zadania, wybór niezależnej podstawy, poprawną interpretację i proporcjonalność kolejnego działania. Nie oceniaj kompetencji na podstawie odsetka przypadków niezgody z systemem. Duża niezgodność może oznaczać zarówno uważność, jak i bezpodstawne odrzucanie. Ważne jest, ile poprawnych i błędnych decyzji uczestnik rozróżnił oraz czy potrafi wyjaśnić kluczowe przypadki. W niewielkiej grupie wystarczy merytoryczna analiza; mocne wnioski ilościowe wymagają odpowiedniej skali i planu oceny.",{"type":24,"attrs":273,"content":275},{"align":13,"level":26,"id":274},"heading_2_15",[276],{"text":277,"type":17},"Zorganizuj praktykę w programie nauczania",{"type":11,"attrs":279,"content":280},{"align":13},[281],{"text":282,"type":17},"LMS WeStudy może pomagać w porządkowaniu materiałów, ćwiczeń i dyskusji. Dla każdego scenariusza udostępnij wystarczające informacje wyjściowe, kryteria i osobne miejsce na wyjaśnienie weryfikacji. Nie wykorzystuj rzeczywistych poważnych konsekwencji w eksperymencie edukacyjnym. Uczestnik powinien mieć możliwość popełnienia błędu, otrzymania informacji zwrotnej i powtórzenia znaczącego działania na nowym przykładzie. Pozwala to rozwijać nadzór jako umiejętność, zamiast sprawdzać wytrzymałość w sytuacji, w której cena błędu jest nieuzasadniona w kontekście zajęć.",{"type":11,"attrs":284,"content":285},{"align":13},[286],{"text":287,"type":17},"Po ćwiczeniu poproś o sformułowanie jednej zasady do własnej pracy. Może to być na przykład sprawdzanie aktualności statusu źródłowego przed ważnym działaniem lub osobne czytanie definicji wskaźnika. Zasada powinna być konkretna i możliwa do zastosowania. Ogólne „nie ufać AI” nie pomaga zdecydować, co zrobić z poprawną rekomendacją. Celem nauki jest uzasadniona współpraca z automatyzacją, która zachowuje zdolność człowieka do dostrzegania podstaw, granic i skutków każdej kluczowej decyzji.",{"type":24,"attrs":289,"content":291},{"align":13,"level":26,"id":290},"heading_2_16",[292],{"text":293,"type":17},"Sprawdź, czy zespół uczy się na znalezionych błędach",{"type":11,"attrs":295,"content":296},{"align":13},[297],{"text":298,"type":17},"Po kilku ćwiczeniach pogrupuj przyczyny rozbieżności: dane, definicja wskaźnika, nieodpowiedni kontekst lub niewłaściwe kolejne działanie. Nie sprowadzaj wszystkiego do jednej liczby „błędów AI”. Różne przyczyny wymagają różnych zmian. Nieaktualny status poprawia się w wymianie danych, niejednoznaczny wskaźnik — w definicji i wyjaśnieniu, a przekroczenie uprawnień — w procesie podejmowania decyzji. Taka klasyfikacja pomaga zespołowi skierować pracę tam, gdzie może usunąć powtarzający się problem.",{"type":11,"attrs":300,"content":301},{"align":13},[302],{"text":303,"type":17},"Poproś uczestnika o zaproponowanie jednej zmiany i sposobu sprawdzenia jej rezultatu. Można na przykład dodać datę aktualności pola i sprawdzić, czy pomaga to zauważać rozbieżności czasowe na nowych przykładach. Nie zakładaj, że każda dodatkowa informacja automatycznie poprawi nadzór. Nadmiar szczegółów może przesłonić główną wskazówkę. Porównuj zachowanie w znaczących przypadkach i zachowuj taki zakres prezentacji, który rzeczywiście pomaga podjąć uzasadnioną decyzję w dostępnym czasie i w granicach kompetencji dziedzinowych osoby weryfikującej.",{"type":11,"attrs":305,"content":306},{"align":13},[307],{"text":308,"type":17},"Osobno omów obciążenie pracą. Jeśli człowiek ma przejrzeć tyle wyników, że nie może przeczytać kluczowych materiałów, instrukcja „sprawdzajcie uważniej” nie rozwiązuje problemu organizacyjnego. Trzeba zmienić kolejkę, poziom automatyzacji, zakres zadania lub zasoby nadzoru. Program nauczania powinien pokazywać tę granicę: osobista uważność jest ważna, lecz dobry proces wymaga też rzeczywistej możliwości działania. W przeciwnym razie odpowiedzialność formalnie spoczywa na osobie weryfikującej bez zapewnienia warunków niezbędnych do pełnienia deklarowanej roli.",{"type":11,"attrs":310,"content":311},{"align":13},[312],{"text":313,"type":17},"Po zmianie powtórz weryfikację na nowych przypadkach, w tym na poprawnych rekomendacjach. Porównaj, czy konkretny błąd występuje rzadziej i czy nie pojawiło się inne niepożądane zniekształcenie. Wynik należy opisać w granicach ćwiczenia. Niewielki sukces edukacyjny nie dowodzi przydatności procesu w dowolnym rzeczywistym systemie. Pokazuje jednak, że uczestnik umie powiązać problem, działanie i dowód zmiany, co stanowi już znaczącą podstawę do dalszej praktyki dziedzinowej.",{"type":24,"attrs":315,"content":317},{"align":13,"level":26,"id":316},"heading_2_17",[318],{"text":319,"type":17},"Zachowaj odpowiedzialność w całym procesie",{"type":11,"attrs":321,"content":322},{"align":13},[323],{"text":324,"type":17},"Gdy LMS WeStudy jest częścią programu, połącz praktykę weryfikacji z wiedzą dziedzinową i zrozumiałą ścieżką postępowania ze spornym przypadkiem. Aktualizuj przykłady po zmianie danych, metryk lub sposobu użytkowania systemu. Umiejętność rozwija się poprzez ponowne rozróżnianie konkretnych sytuacji, a nie zapamiętywanie jednego zestawu ogólnych przestróg. Człowiek powinien umieć wyjaśnić, dlaczego tym razem rekomendację przyjęto, zmieniono lub odroczono i jakie podstawy rzeczywiście wpłynęły na ostateczne działanie.",{"type":11,"attrs":326,"content":327},{"align":13},[328],{"text":329,"type":17},"Przydatnym efektem nauki jest osoba weryfikująca, która dostrzega własne granice i wie, komu przekazać pytanie. Nie musi samodzielnie rozwiązywać wszystkich problemów technicznych, dziedzinowych i organizacyjnych. Powinna jednak zauważyć, kiedy dostępny dowód jest niewystarczający, i nie maskować tego braku formalnym zatwierdzeniem. Wtedy nadzór człowieka staje się rzeczywistym elementem jakości procesu: może zmienić wynik przed istotnym działaniem i pozostawia zrozumiałą podstawę do dalszego doskonalenia systemu oraz praktyki edukacyjnej.",{"type":24,"attrs":331,"content":333},{"align":13,"level":26,"id":332},"heading_2_18",[334],{"text":335,"type":17},"Źródła",{"type":337,"content":338},"bullet_list",[339,352,364,375,386],{"type":340,"content":341},"list_item",[342],{"type":11,"attrs":343,"content":344},{"align":13},[345,350],{"text":346,"type":17,"marks":347},"NIST: Artificial Intelligence Risk Management Framework 1.0",[348],{"type":61,"attrs":349},{"href":63,"title":13},{"text":351,"type":17},".",{"type":340,"content":353},[354],{"type":11,"attrs":355,"content":356},{"align":13},[357,363],{"text":358,"type":17,"marks":359},"NIST: AI Risk Management Framework resources",[360],{"type":61,"attrs":361},{"href":362,"title":13},"https:\u002F\u002Fwww.nist.gov\u002Fitl\u002Fai-risk-management-framework",{"text":351,"type":17},{"type":340,"content":365},[366],{"type":11,"attrs":367,"content":368},{"align":13},[369,374],{"text":370,"type":17,"marks":371},"Buçinca, Malaya, Gajos: To Trust or to Think",[372],{"type":61,"attrs":373},{"href":98,"title":13},{"text":351,"type":17},{"type":340,"content":376},[377],{"type":11,"attrs":378,"content":379},{"align":13},[380,385],{"text":381,"type":17,"marks":382},"OECD: AI Principles",[383],{"type":61,"attrs":384},{"href":189,"title":13},{"text":351,"type":17},{"type":340,"content":387},[388],{"type":11,"attrs":389,"content":390},{"align":13},[391,397],{"text":392,"type":17,"marks":393},"UNESCO: Recommendation on the Ethics of Artificial Intelligence",[394],{"type":61,"attrs":395},{"href":396,"title":13},"https:\u002F\u002Fwww.unesco.org\u002Fen\u002Fartificial-intelligence\u002Frecommendation-ethics",{"text":351,"type":17},{"type":8,"content":399},[400],{"type":11,"content":401},[402],{"text":6,"type":17},1791392525,"https:\u002F\u002Fcloud.cs3.westudy.ua\u002Ffile?path=westudy_online%2Fpublic%2Fwestudy%2F0340f72b-5da2-43ab-8c3e-f9f356057ac3.webp","yak-pereviriaty-avtomatyzovani-rishennia",true,false,"1a2266a8-143b-428a-8320-d3f66d0468bb","Майбутнє освіти та навички","future-of-education-and-skills","light","news.articles"]