GCRI · Campaigns
Literasi AI yang bertanggung jawab
Kecerdasan buatan kini membentuk apa yang dibaca orang, layanan apa yang mereka terima, dan bagaimana konten dibuat. Literasi AI yang bertanggung jawab adalah pemahaman praktis tentang apa yang dilakukan sistem ini, di mana sistem tersebut gagal, dan hak apa yang dimiliki orang ketika sistem itu digunakan. Literasi ini mencakup mengenali media sintetis, menilai jawaban yang dihasilkan, dan mengetahui kapan keputusan otomatis dapat dipertanyakan. Halaman ini menguraikan bagaimana kesalahpahaman tentang AI terbentuk dan menyebar, bagaimana literasi diukur, dan keputusan yang dipegang oleh pendidik, regulator, dan platform.
Responsible AI literacy on the record.
Responsible AI literacy: how the risk develops.
Practical understanding of AI risks. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Capability is misjudged
People over-trust fluent machine output, a pattern known as automation bias, and sometimes dismiss useful tools after a single failure. Conversational systems invite people to attribute understanding and intent they do not have, which shapes how carefully their answers are checked.
Asal-usul menjadi kabur
Synthetic images, audio and text can be produced cheaply and are hard to tell apart from authentic material. The doubt they create also lets genuine evidence be dismissed as fabricated, a pattern described as the liar’s dividend.
Harms fall unevenly
Kesalahan dan bias pada sistem otomatis paling berdampak pada orang yang paling sulit menyadari atau menggugatnya, seperti penerima tunjangan, pelamar kerja, dan penutur bahasa dengan sumber daya terbatas. Upaya literasi yang hanya menjangkau pengguna yang percaya diri justru memperlebar kesenjangan itu.
Use outpaces understanding
Perangkat diadopsi di tempat kerja, sekolah, dan layanan publik sebelum pengguna, guru, atau aparatur sipil negara memiliki kosakata bersama tentang keterbatasannya. Kesalahpahaman menyebar melalui saran sejawat dan klaim pemasaran, lalu mengendap dalam praktik sebelum panduan tersedia.
Model ambang batas perilaku kolektif.
Setiap agen bertindak begitu cukup banyak kontaknya yang bertindak; perubahan kecil pada ambang rata-rata atau pada pelopor awal menentukan apakah perilaku tetap lokal atau berantai ke seluruh populasi. Model pengajaran dengan nilai ilustratif yang dinyatakan, bukan prediksi.
Kendali
- Ambang rata-rata (pangsa tetangga)
- 18%
- Sebaran ambang batas
- 8 poin
- Pelopor awal
- 2,0% dari penduduk
- Kontak per orang
- 8
Pembacaan
- Pangsa yang akhirnya bertindak
- 100%
- Kaskade global
- Ya
- Langkah menuju stabil
- 8
Angka, metode, dan sumber
| Langkah | Pangsa yang telah bertindak (%) |
|---|---|
| 0 | 3.3 |
| 1 | 10.0 |
| 2 | 26.3 |
| 3 | 49.3 |
| 4 | 71.0 |
| 5 | 88.5 |
| 6 | 98.8 |
| 7 | 100.0 |
| 8 | 100.0 |
Metode
- Threshold models of collective behaviour Granovetter (1978), American Journal of Sociology 83
- Global cascades on random networks Watts (2002), PNAS 99
- Complex contagions Centola and Macy (2007), American Journal of Sociology 113
- One-at-a-time sensitivity (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Data
No observed data enters this model: it runs on the teaching values set by the controls, to be replaced with a programme’s own evidence.
Di seluruh enam pilar, dipimpin oleh Nexus Consortium
- Eksperimen Laboratorium
- Tertanam di Campaigns di Foundry
- Diuji pada Campaigns di Universe
- Dikodifikasi dalam Tata Kelola, Keamanan, dan Masyarakat di Standards
- Diterbitkan di Campaigns di Reports
- Diajarkan di Fakultas Tata Kelola, Kebijakan, dan Hubungan Internasional di Academy
AI literacy matters wherever AI enters a domain’s services.
Findings are designed for the Exponential Technology series. UNESCO’s Recommendation on the Ethics of AI (2021) includes AI literacy among its policy areas.
- Curricula and evaluations.
- Accounts of AI tools in daily life.
How Responsible AI literacy is modelled, measured and tested.
Model, asumsi, data, dan ketidakpastiannya, dalam bentuk yang akan diperiksa ilmuwan atau insinyur. Strukturnya mengikuti metode yang dipublikasikan. Nilai yang digambar bersifat ilustratif, bukan temuan.
Model sistem
The couplings between the systems in Responsible AI literacy: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
Apa yang diukur, dan seberapa baik.
Setiap indikator membawa satuan, frekuensi, jenis sumber di baliknya, dan label bukti yang akan dibawa suatu nilai. Tidak ada nilai yang ditampilkan: sebuah program menyediakannya berdasarkan wewenangnya sendiri.
| Indikator | Unit | Kadensi | Jenis sumber | Label |
|---|---|---|---|---|
| Self-assessed understanding of AI | persen responden | per gelombang survei | Eurobarometer dan survei nasional | DILAPORKAN |
| Akurasi dalam mengidentifikasi media sintetis | persentase benar dalam tugas terkendali | per studi | Experimental audience research | TERAMATI |
| Awareness of rights over automated decisions | persen responden | per gelombang survei | National and EU surveys | DILAPORKAN |
| Kekhawatiran tentang membedakan konten asli dari palsu secara daring | persen responden | tahunan | Reuters Institute Digital News Report | DILAPORKAN |
| Guru yang dilatih dalam penggunaan AI | percent of teachers | per siklus survei | OECD TALIS dan kementerian pendidikan | Statistik terbitan |
| Insiden AI yang dilaporkan terkait penipuan atau penyamaran | insiden per bulan | setiap bulan | AI Incident Database | DILAPORKAN |
| AI literacy measures in national policy | jumlah langkah menurut jenis | tahunan | OECD.AI policy database | DINYATAKAN |
Asal bukti.
Set data publik bernama dan catatan kelembagaan, masing-masing dengan kelas lisensinya. Sumber berdasarkan perjanjian hanya digunakan sesuai ketentuannya dan tidak pernah diterbitkan ulang.
| Sumber | Apa yang diberikannya | Kelas lisensi |
|---|---|---|
| Eurobarometer surveys on artificial intelligence and the digital decade | Awareness, attitudes and expectations of AI across EU member states | Penggunaan ulang bebas dengan atribusi |
| Stanford AI Index | Annual compilation of AI research, deployment, policy and public opinion data | CC BY-ND 4.0 |
| OECD.AI Policy Observatory | Strategi AI nasional dan langkah kebijakan, termasuk pendidikan dan keterampilan | Ketentuan OECD, gratis dengan atribusi |
| AI Incident Database | Reported incidents of harm or near harm involving AI systems | CC BY-SA 4.0 |
| Reuters Institute Digital News Report | Kenyamanan publik terhadap AI dalam berita dan kekhawatiran tentang konten palsu | Gratis dibaca; data survei atas permintaan |
| OECD TALIS | Pelatihan guru, praktik, dan penggunaan alat digital | Ketentuan OECD, gratis dengan atribusi |
| Survei Pew Research Center tentang AI | Kesadaran dan sikap publik terhadap AI di beberapa negara | Free to use with attribution; datasets on request |
Siapa yang memutuskan, dan apa yang dilayani bukti.
Campaigns menyiapkan bukti. Keputusan di bawah ini diambil oleh otoritas yang disebutkan, berdasarkan aturan mereka sendiri, dan tidak pernah oleh platform.
| Siapa yang memutuskan | Pertanyaannya | Bukti yang dilayani halaman ini |
|---|---|---|
| Kementerian pendidikan dan otoritas kurikulum | Which AI competencies students and teachers need, and at which stages | Data pelatihan guru; kerangka kompetensi; materi ajar yang telah diuji |
| AI and data protection regulators | Cara mengawasi literasi AI dan kewajiban transparansi, seperti Pasal 4 Undang-Undang AI Uni Eropa | Survei kesadaran; catatan insiden; ukuran literasi dalam kebijakan |
| Platform daring dan penyedia AI | Cara memberi label pada konten sintetis dan menjelaskan batasan sistem kepada pengguna | Research on label comprehension; incident patterns; provenance standards |
| Lembaga penyelenggara pemilu | How to prepare voters for synthetic media during elections | Detection task research; rumour logs; trust in electoral information |
Keluaran yang dihasilkan topik ini
- Practical explainers on how generative and predictive systems work and fail
- Latihan pemeriksaan sumber dan asal-usul media, dengan batasan-batasannya dinyatakan
- Plain-language guides to rights over automated decisions under applicable law
- Materi ajar bagi pendidik yang selaras dengan kerangka kompetensi AI UNESCO
Apa yang ditanyakan pakar.
- 01
What should a non-specialist understand?
That AI systems learn patterns from data, can be confidently wrong and reflect the limits of what they were trained on.
- 02
Which risks are practical today?
Fabricated content, impersonation, automated errors in services, privacy loss and over-reliance on generated answers.
- 03
How can people check what they see?
Kebiasaan verifikasi: penelusuran sumber, sinyal asal-usul, dan menanyakan siapa yang diuntungkan oleh suatu klaim.
- 04
What recourse exists?
How people can question an automated decision, correct data about themselves or report misuse.
Pendorong hasilnya.
Model generatif menghasilkan teks, gambar dan audio yang fasih dengan memprediksi keluaran yang masuk akal, bukan dengan memeriksa fakta. Kefasihan mengundang kepercayaan, sehingga kesalahan dan fabrikasi dapat menyebar. Media sintetis menurunkan biaya penyamaran dan produksi materi yang menyesatkan dalam skala besar.
Automated decision systems used in lending, hiring, benefits or policing can embed historical patterns in their data, and their reasoning may be hard to explain. Errors fall unevenly, and people affected may not know an automated system was involved.
Diskusi publik berayun antara kepanikan dan sensasi berlebihan. Keduanya mengaburkan penilaian. Upaya literasi bertujuan membangun pemahaman yang terkalibrasi: apa yang dilakukan sistem saat ini secara andal, di mana sistem itu gagal, dan pengaman apa yang ada.
Cara bukti dihimpun, dan di mana batasnya.
| Metode | Apa yang ditampilkannya | Batasannya |
|---|---|---|
| Survei kesalahpahaman | Common beliefs about how AI works | Beliefs shift quickly with new tools |
| Hands-on exercises | Whether people can spot errors or synthetic content | Detection skills may not transfer to new formats |
| Tinjauan pakar | Accuracy of claims about capabilities | Capabilities change between review and reading |
| Langkah tindak lanjut | Apakah kebiasaan verifikasi bertahan | Attrition and self-report bias |
Cara hal ini dikaji, dan apa yang tidak dapat dinyatakan metodenya.
Where this page’s references lead.
Badan dan dokumen yang menjadi acuan halaman ini. Status dan edisi berubah; setiap tautan menuju badan penerbitnya.
Tanya jawab.
Can people learn to spot deepfakes?
Apa itu provenans konten?
What rights do people have over automated decisions?
Apakah Campaigns memeringkat produk AI?
Does the platform evaluate or rate AI products?
Is AI used to produce campaign material?
How does the material stay current?
Kontribusikan bukti dari halaman ini.
Reports adalah publikasi triwulanan Konsorsium. Apa yang Anda ketahui tentang subjek ini dapat menjadi bukti, kasus, atau koreksi dalam edisi berikutnya, dengan kredit atas nama Anda dan dipublikasikan di bawah CC BY 4.0 jika merupakan karya Anda sendiri.
- SurelGerbang GW-GCRIKirim dari halaman iniBukti, koreksi, kasus, metode, tinjauan, terjemahan, atau masukan profil. Kiriman tiba dengan label halaman ini, sehingga editor pemiliknya menerimanya.
- ZenodoOpen depositDeposit it and submit to the communityPublish your own record on Zenodo with your ORCID iD, then submit it to the Reports community there. Curators review it; the DOI stays yours.
- LaporanGCRILihat semua cara berkontribusiJenis kontribusi, cara masing-masing ditinjau, kredit yang Anda terima, lisensinya, dan apa yang tidak pernah diterima.
Jangan pernah mengirim data pribadi, rincian infrastruktur sensitif, atau apa pun yang tidak berhak Anda bagikan. Kontribusi ditinjau sebelum digunakan. Mengirimkannya tidak memberikan hak kepenulisan atau editorial, dan sponsor tidak pernah membeli sebuah temuan.
Bawa metode, dataset, atau pertanyaan.
Informasi dan pertanyaan sudah terbuka hari ini. Sebuah pertanyaan menerima nomor referensi dan menyebutkan langkah berikutnya; lamaran, pembayaran, alokasi komputasi, dan pendaftaran hanya dibuka ketika tim, ketentuan, dan kapasitas tinjauannya tersedia.
Dokumen hukum.
Peta, data, dan gambar di situs ini ditampilkan untuk konteks dan informasi umum. Semua itu bukan nasihat, prakiraan, atau peringatan; batasan informasinya dijelaskan dalam Penafian dan Pemberitahuan Data.