GCRI · Campaigns
Грамотность в области ответственного ИИ
Artificial intelligence now shapes what people read, which services they receive and how content is made. Responsible AI literacy is a practical understanding of what these systems do, where they fail and what rights people have when they are used. It covers recognising synthetic media, judging generated answers and knowing when automated decisions can be questioned. This page sets out how misunderstanding of AI forms and spreads, how literacy is measured, and the decisions held by educators, regulators and platforms.
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.
Provenance blurs
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
Errors and bias in automated systems fall most on people least able to notice or contest them, such as benefit claimants, job applicants and speakers of less-resourced languages. Literacy work that reaches only confident users widens that gap.
Use outpaces understanding
Tools are adopted at work, in schools and in public services before users, teachers or public servants share a vocabulary for their limits. Misconceptions spread through peer advice and marketing claims and settle into practice before guidance exists.
Пороговая модель коллективного поведения.
Каждый агент действует, когда это сделало достаточное число его контактов; небольшие изменения среднего порога или первых участников определяют, останется ли поведение локальным или каскадом охватит население. Учебная модель с заданными иллюстративными значениями, а не прогноз.
Меры контроля
- Средний порог (доля соседей)
- 18%
- Разброс порогов
- 8 пунктов
- Первые участники
- 2.0% населения
- Контакты на человека
- 8
Показания
- Доля тех, кто в итоге действовал
- 100%
- Глобальный каскад
- Да
- Шаги до стабилизации
- 8
Числа, методы и источники
| Шаг | Доля тех, кто уже действовал (%) |
|---|---|
| 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 |
Методы
- 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
Данные
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.
По шести опорам, под руководством Nexus Consortium
- Эксперименты Лаборатории
- Построено в Campaigns в Foundry
- Проверено в Campaigns в Universe
- Закреплено в Управление, безопасность и общество в Standards
- Опубликовано в Campaigns в Reports
- Преподаётся в Факультет управления, политики и международных отношений в 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.
Модель, её допущения, данные и неопределённость в том виде, в каком их проверил бы учёный или инженер. Структуры следуют опубликованным методам. Показанные значения являются иллюстративными, а не результатами.
Модель системы
The couplings between the systems in Responsible AI literacy: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
Что измеряется и насколько хорошо.
Каждый показатель указывает свою единицу, периодичность, тип источника и метку доказательной базы, которую несло бы значение. Значения не показываются: программа предоставляет их под собственную ответственность.
| Индикатор | Единица | Периодичность | Тип источника | Метка |
|---|---|---|---|---|
| Self-assessed understanding of AI | процент респондентов | за волну опроса | Eurobarometer and national surveys | СООБЩЕНО |
| Accuracy in identifying synthetic media | percent correct in a controlled task | на каждое исследование | Experimental audience research | НАБЛЮДАЕМО |
| Awareness of rights over automated decisions | процент респондентов | за волну опроса | National and EU surveys | СООБЩЕНО |
| Concern about telling real from fake content online | процент респондентов | ежегодно | Reuters Institute Digital News Report | СООБЩЕНО |
| Teachers trained in the use of AI | percent of teachers | за цикл обследования | OECD TALIS and education ministries | Опубликованная статистика |
| Reported AI incidents involving deception or impersonation | инцидентов в месяц | ежемесячно | AI Incident Database | СООБЩЕНО |
| AI literacy measures in national policy | число мер по типам | ежегодно | OECD.AI policy database | ЗАДЕКЛАРИРОВАНО |
Откуда берётся доказательная база.
Названные публичные наборы данных и институциональные записи, каждый со своим классом лицензии. Источники по соглашению используются только на их условиях и никогда не публикуются повторно.
| Источник | Что он даёт | Класс лицензии |
|---|---|---|
| Eurobarometer surveys on artificial intelligence and the digital decade | Awareness, attitudes and expectations of AI across EU member states | Свободное повторное использование с указанием авторства |
| Stanford AI Index | Annual compilation of AI research, deployment, policy and public opinion data | CC BY-ND 4.0 |
| OECD.AI Policy Observatory | National AI strategies and policy measures, including education and skills | Условия ОЭСР, бесплатно при указании источника |
| AI Incident Database | Reported incidents of harm or near harm involving AI systems | CC BY-SA 4.0 |
| Reuters Institute Digital News Report | Готовность общества принимать ИИ в новостях и обеспокоенность ложным контентом | Free to read; survey data by request |
| OECD TALIS | Teacher training, practice and use of digital tools | Условия ОЭСР, бесплатно при указании источника |
| Опросы Pew Research Center об ИИ | Public awareness of and attitudes to AI in several countries | Free to use with attribution; datasets on request |
Кто принимает решения и чему служит доказательная база.
Campaigns готовит доказательную базу. Перечисленные ниже решения принимают указанные органы по своим собственным правилам, но никогда не платформа.
| Кто принимает решение | Вопрос | Доказательная база, которую обслуживает эта страница |
|---|---|---|
| Ministries of education and curriculum authorities | Which AI competencies students and teachers need, and at which stages | Teacher training data; competency frameworks; tested teaching material |
| AI and data protection regulators | Как осуществлять надзор за обязательствами по обеспечению грамотности в области ИИ и прозрачности, например статьёй 4 Закона ЕС об ИИ | Awareness surveys; incident records; literacy measures in policy |
| Online platforms and AI providers | How to label synthetic content and explain system limits to users | Research on label comprehension; incident patterns; provenance standards |
| Органы управления выборами | How to prepare voters for synthetic media during elections | Detection task research; rumour logs; trust in electoral information |
Результаты, которые даёт эта тема
- Practical explainers on how generative and predictive systems work and fail
- Exercises on checking source and provenance of media, with their limits stated
- Plain-language guides to rights over automated decisions under applicable law
- Teaching material for educators aligned with UNESCO AI competency frameworks
Что спрашивают эксперты.
- 01
What should a non-specialist understand?
То, что системы ИИ обучаются закономерностям на данных, могут быть уверенно неправы и отражают ограничения того, на чём их обучали.
- 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?
Навыки проверки: прослеживание источников, признаки происхождения и вопрос о том, кому выгодно то или иное утверждение.
- 04
What recourse exists?
How people can question an automated decision, correct data about themselves or report misuse.
Что определяет результат.
Генеративные модели создают беглый текст, изображения и аудио, предсказывая правдоподобные результаты, а не проверяя факты. Беглость располагает к доверию, поэтому ошибки и фальсификации могут распространяться. Синтетические медиа снижают стоимость выдавания себя за другое лицо и массового производства вводящих в заблуждение материалов.
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.
Публичная дискуссия колеблется между тревогой и ажиотажем. Оба подхода искажают суждение. Работа по повышению грамотности нацелена на выверенное понимание: что современные системы делают надёжно, где они дают сбои и какие меры защиты существуют.
Как собирается доказательная база и где её пределы.
| Метод | Что он показывает | Его ограничение |
|---|---|---|
| Misconception surveys | Common beliefs about how AI works | Представления быстро меняются с появлением новых инструментов |
| Hands-on exercises | Whether people can spot errors or synthetic content | Detection skills may not transfer to new formats |
| Экспертная рецензия | Точность заявлений о возможностях | Capabilities change between review and reading |
| Follow-up measures | Whether verification habits persist | Attrition and self-report bias |
Как это изучается и чего методы не могут сказать.
Where this page’s references lead.
Органы и документы, с которыми сопоставляется эта страница. Статусы и редакции меняются; каждая ссылка ведёт к выпускающему органу.
Вопросы и ответы.
Can people learn to spot deepfakes?
Что такое происхождение контента?
What rights do people have over automated decisions?
Does Campaigns rate AI products?
Does the platform evaluate or rate AI products?
Is AI used to produce campaign material?
How does the material stay current?
Поделитесь доказательствами с этой страницы.
Reports является ежеквартальным изданием Консорциума. Ваши знания по этой теме могут стать доказательством, кейсом или исправлением в следующем выпуске с указанием вашего авторства и публикацией по лицензии CC BY 4.0, если это ваша собственная работа.
- Электронная почтаШлюз GW-GCRIОтправьте с этой страницыДоказательная база, исправление, случай, метод, рецензия, перевод или вклад в профиль. Материал приходит с пометкой этой страницы, поэтому его получает редактор, отвечающий за неё.
- 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.
- ОтчётыGCRIВсе способы внести вкладВиды вклада, порядок рецензирования каждого из них, указание авторства, лицензия и то, что никогда не принимается.
Никогда не отправляйте персональные данные, сведения о чувствительной инфраструктуре или то, чем вы не вправе делиться. Материал проходит рассмотрение перед использованием; его отправка не дает авторских или редакционных прав, а спонсорство никогда не покупает выводы.
Предложите метод, набор данных или вопрос.
Информация и запросы открыты уже сегодня. Запрос получает номер и указывает следующий шаг; заявки, платежи, выделение вычислительных ресурсов и регистрации открываются только тогда, когда существуют их команда, условия и возможности для проверки.
Юридические документы.
Карты, данные и рисунки на этом сайте приводятся для контекста и общей информации. Они не являются советом, прогнозом или предупреждением; ограничения информации изложены в Оговорках и уведомлениях о данных.