Ôn tập cuối kỳ ITE302c Spring 2026

Các hệ thống thông minh môi trường (ambient intelligence systems) thu thập, truyền tải, lưu trữ và truy cập dữ liệu liên tục, dẫn đến những rủi ro bảo mật liên quan đến quyền riêng tư. Trong số các lựa chọn trên, rủi ro không được phép truy cập dữ liệu (Unauthorized data access) là phổ biến nhất do giám sát dữ liệu liên tục. Điều này là vì dữ liệu được thu thập và lưu trữ liên tục, tạo điều kiện cho những kẻ tấn công có thể truy cập trái phép và sử dụng dữ liệu nhạy cảm. Ngoài ra, việc giám sát dữ liệu liên tục cũng có thể dẫn đến việc thu thập và lưu trữ dữ liệu không cần thiết, gây lãng phí tài nguyên và vi phạm quyền riêng tư của người dùng.

Khi xây dựng mô hình dự đoán có đạo đức, chúng ta cần đảm bảo kết quả thu được đáp ứng các tiêu chí sau. Đầu tiên, mô hình cần phải chính xác và chính xác. Điều này có nghĩa là mô hình dự đoán phải đưa ra kết quả đúng và không có sai sót. Thứ hai, mô hình cần phải công bằng. Điều này có nghĩa là mô hình dự đoán phải đối xử công bằng với tất cả các cá nhân hoặc nhóm, không phân biệt đối xử hoặc thiên vị. Cuối cùng, mô hình cần phải minh bạch. Điều này có nghĩa là mô hình dự đoán phải có thể giải thích được cách nó đưa ra kết quả, giúp người dùng hiểu được quá trình dự đoán và có thể tin tưởng vào kết quả.

Một mô hình dự đoán có thể giúp chúng ta học hỏi được những điều gì không phụ thuộc vào việc liệu dữ liệu của cá nhân đó có được bao gồm trong tập dữ liệu huấn luyện hay không. Điều này có nghĩa là nếu chúng ta huấn luyện mô hình dự đoán với dữ liệu của cá nhân đó, hoặc nếu chúng ta huấn luyện mô hình dự đoán mà không bao gồm dữ liệu của cá nhân đó, kết quả dự đoán của mô hình vẫn nên giống nhau. Điều này cho thấy rằng mô hình dự đoán đã học hỏi được những đặc điểm chung của dữ liệu mà không bị ảnh hưởng bởi dữ liệu của cá nhân đó.

Pseudocode là một mô tả có thể hiểu được về mã code, được thiết kế cho con người, không phải cho máy tính. Nó là một dạng mô tả logic của một chương trình, giúp người lập trình viên hiểu rõ hơn về quy trình thực hiện của chương trình mà không cần phải viết mã code cụ thể. Pseudocode thường được sử dụng để mô tả các thuật toán, quy trình xử lý dữ liệu và các bước thực hiện của một chương trình. Nó giúp người lập trình viên có thể dễ dàng hiểu và giải thích các ý tưởng và quy trình của mình cho người khác, đồng thời cũng giúp họ có thể dễ dàng chuyển đổi pseudocode sang mã code thực tế.

Mô hình đạo đức là một khuôn khổ được thiết kế để giúp các cá nhân và tổ chức đưa ra quyết định đạo đức một cách có trách nhiệm. Nó cung cấp một bộ quy tắc và nguyên tắc để đánh giá hành vi và quyết định của mình. Mô hình đạo đức giúp tạo ra các bước hành động cụ thể để giải quyết các mối quan ngại đạo đức, đồng thời đảm bảo rằng các quyết định và hành động của chúng ta phù hợp với các giá trị và nguyên tắc đạo đức. Điều này giúp xây dựng niềm tin và uy tín, đồng thời giảm thiểu rủi ro về mặt đạo đức.

Để giám sát các chính sách tổ chức có đạo đức, một bước quan trọng là thực hiện kiểm tra tuân thủ thường xuyên. Điều này giúp đảm bảo rằng các chính sách được thực thi một cách nghiêm túc và không có vi phạm nào xảy ra. Kiểm tra tuân thủ thường xuyên cũng giúp phát hiện ra các vấn đề tiềm ẩn và ngăn chặn chúng trước khi chúng trở thành vấn đề nghiêm trọng. Ngoài ra, việc kiểm tra tuân thủ thường xuyên cũng giúp xây dựng niềm tin giữa các nhân viên và tổ chức, đồng thời cũng giúp tổ chức duy trì hình ảnh tốt đẹp trong mắt công chúng.

Để giảm thiểu rủi ro về mặt đạo đức trong AI và Khoa học dữ liệu, giao tiếp hiệu quả đóng vai trò quan trọng. Điều này có thể đạt được bằng cách đảm bảo sự minh bạch và hiểu biết về các hướng dẫn đạo đức. Khi mọi người hiểu rõ về các nguyên tắc đạo đức và cách áp dụng chúng, họ có thể đưa ra quyết định sáng suốt hơn và tránh những hành động có thể gây hại. Ngoài ra, giao tiếp hiệu quả cũng giúp xây dựng niềm tin và tăng cường sự hợp tác trong các dự án AI và Khoa học dữ liệu. Điều này có thể giúp giảm thiểu rủi ro về mặt đạo đức và đảm bảo rằng các công nghệ này được sử dụng một cách có trách nhiệm.

Automation bias là hiện tượng người dùng tin tưởng quá mức vào kết quả tự động, dẫn đến bỏ qua hoặc bỏ qua các nguồn dữ liệu khác. Ví dụ về automation bias là việc sử dụng dữ liệu Twitter được thu thập tự động (scraped) thay cho dữ liệu từ khảo sát. Điều này có thể dẫn đến kết quả không chính xác vì dữ liệu tự động có thể bị lỗi hoặc không đầy đủ. Việc sử dụng dữ liệu tự động thay cho dữ liệu từ khảo sát có thể là một ví dụ về automation bias vì nó có thể dẫn đến bỏ qua các nguồn dữ liệu quan trọng và tin tưởng vào kết quả không chính xác.

Bias chọn mẫu (Selection bias) là một loại thiên vị xảy ra khi dữ liệu đào tạo không đại diện cho dân số. Điều này có nghĩa là dữ liệu được sử dụng để đào tạo mô hình không phản ánh đúng đặc điểm của dân số mà mô hình sẽ được áp dụng. Ví dụ, nếu một công ty đang phát triển một mô hình dự đoán khả năng thành công của các ứng viên, nhưng dữ liệu đào tạo chỉ bao gồm ứng viên từ các trường đại học danh tiếng, thì mô hình sẽ thiên vị về mặt xã hội và không phản ánh được khả năng thành công của ứng viên từ các trường đại học khác. Điều này có thể dẫn đến kết quả không chính xác khi áp dụng mô hình vào dân số thực tế.

Một chương trình truyền thông trong khủng hoảng nên quản lý ý tưởng quan trọng nhất là cách công chúng nhìn nhận về khủng hoảng. Điều này có nghĩa là chương trình truyền thông trong khủng hoảng cần tập trung vào việc tạo ra và duy trì hình ảnh tích cực về tổ chức hoặc cá nhân đang trải qua khủng hoảng. Điều này bao gồm việc cung cấp thông tin chính xác, minh bạch và kịp thời về tình hình khủng hoảng, cũng như việc giải thích và biện minh cho các hành động của tổ chức hoặc cá nhân. Việc quản lý hình ảnh công chúng trong khủng hoảng là chìa khóa để duy trì sự tin tưởng và ủng hộ của công chúng, và cuối cùng giúp tổ chức hoặc cá nhân phục hồi sau khủng hoảng.

Đáp án đúng: Act in such a way that your actions may become a universal law. ; Don't treat people as a means to an end; treat them always as an end. ; Each person must use reason to will moral laws.. Ba công thức của mệnh lệnh tuyệt đối: quy luật phổ quát (B), nhân tính (C), tự trị của lý trí (D). A là chủ nghĩa vị kết quả — trái với Kant.

Tính tự động hóa là một hiện tượng tâm lý trong đó con người dựa quá mức vào công nghệ và tự động hóa để đưa ra quyết định. Điều này dẫn đến việc bỏ qua khả năng đánh giá và phân tích của con người. Trong nhiều trường hợp, con người có xu hướng tin tưởng vào kết quả của hệ thống tự động hóa hơn là khả năng đánh giá của bản thân. Điều này có thể gây ra những hậu quả nghiêm trọng, đặc biệt là trong các tình huống khẩn cấp hoặc khi quyết định có ảnh hưởng lớn đến kết quả. Tính tự động hóa có thể được giải thích bởi sự phụ thuộc quá mức vào công nghệ, điều này khiến con người trở nên phụ thuộc vào hệ thống tự động hóa và bỏ qua khả năng đánh giá của bản thân.

Danh mục rủi ro liên quan đến trách nhiệm của các bên liên quan trong việc tạo và sử dụng công nghệ dựa trên dữ liệu là Accountability. Trách nhiệm này đề cập đến việc xác định và chịu trách nhiệm về các quyết định và hành động được đưa ra dựa trên dữ liệu. Điều này bao gồm việc đảm bảo rằng các bên liên quan hiểu rõ về dữ liệu và các công nghệ được sử dụng, cũng như việc xác định và chịu trách nhiệm về bất kỳ hậu quả nào có thể xảy ra từ việc sử dụng dữ liệu và công nghệ. Accountability là một phần quan trọng của quản lý rủi ro trong việc tạo và sử dụng dữ liệu và công nghệ.

Trong trường hợp xảy ra khủng hoảng đạo đức, việc giao tiếp với truyền thông một cách hiệu quả là rất quan trọng. Một trong những phương pháp có thể được thực hiện để giao tiếp hiệu quả với truyền thông là cung cấp thông tin cập nhật thường xuyên để giữ truyền thông được thông tin. Điều này giúp truyền thông hiểu rõ hơn về tình hình và giảm thiểu sự hiểu lầm. Phương pháp này cũng giúp xây dựng niềm tin và uy tín với công chúng. Ngoài ra, cung cấp thông tin cập nhật thường xuyên cũng giúp tổ chức hoặc cá nhân có thể phản hồi nhanh chóng và chính xác với các câu hỏi và thắc mắc của truyền thông. Điều này giúp giảm thiểu sự lan truyền thông tin sai lệch và duy trì sự minh bạch.

Các thiên hướng tâm lý là một phần quan trọng trong tâm lý học và chúng tồn tại vì nhiều lý do khác nhau. Một trong những lý giải cho sự tồn tại của thiên hướng tâm lý là chúng giúp chúng ta xử lý thông tin một cách hiệu quả. Khi chúng ta tiếp nhận quá nhiều thông tin, não bộ của chúng ta sẽ phải đối mặt với tình trạng quá tải thông tin. Để giải quyết vấn đề này, não bộ đã phát triển các thiên hướng tâm lý để giúp chúng ta lọc ra những thông tin quan trọng và bỏ qua những thông tin không cần thiết. Điều này giúp chúng ta tập trung vào những thông tin quan trọng và giảm thiểu sự phân tâm.

Dưới đây là giải thích chi tiết về câu hỏi. Luật Bảo vệ Thông tin Cá nhân và Tài liệu Điện tử (PIPEDA) là một đạo luật quan trọng liên quan đến bảo vệ thông tin cá nhân ở Canada. Khi so sánh với các luật và quy định tương tự, một điểm nổi bật của PIPEDA là phạm vi áp dụng rộng lớn và tập trung vào các vấn đề quốc gia. Điều này có nghĩa là luật này được áp dụng trên toàn quốc và tập trung vào việc bảo vệ thông tin cá nhân của công dân Canada. Điều này giúp tạo ra một môi trường an toàn hơn cho việc thu thập, lưu trữ và sử dụng thông tin cá nhân.

Giải pháp này nhấn mạnh việc đối xử với con người như những mục đích bản thân, không chỉ là những phương tiện. Nguyên tắc này được đề cập trong học thuyết của Immanuel Kant, một triết gia người Đức. Theo Kant, con người nên được đối xử như những mục đích bản thân, chứ không chỉ là những phương tiện để đạt được mục tiêu khác. Điều này có nghĩa là con người có giá trị và quyền được đối xử công bằng, tôn trọng và được đối xử như những cá thể có ý thức và tự do. Học thuyết này được gọi là deontology, và nó nhấn mạnh tầm quan trọng của việc tuân thủ các nguyên tắc và quy tắc đạo đức, ngay cả khi đó có nghĩa là từ chối đạt được mục tiêu khác.

Để xây dựng và duy trì một văn hóa tổ chức đạo đức, cần có chiến lược quan trọng. Chiến lược này là thực hiện các khóa đào tạo đạo đức và các buổi thảo luận hiệu quả. Điều này giúp nhân viên hiểu rõ hơn về các nguyên tắc đạo đức và cách áp dụng chúng trong công việc. Ngoài ra, các khóa đào tạo cũng giúp nhân viên phát triển kỹ năng giải quyết vấn đề và đưa ra quyết định sáng suốt. Bằng cách thực hiện các khóa đào tạo đạo đức, tổ chức có thể tạo ra một môi trường làm việc tích cực và khuyến khích nhân viên hành động một cách có trách nhiệm.

Khả năng cẩn thận (Capability Caution) được đề cập trong Nguyên tắc Asilomar về trí tuệ nhân tạo (AI) là một nguyên tắc quan trọng. Nó cho rằng, khi còn thiếu sự đồng thuận về khả năng của trí tuệ nhân tạo trong tương lai, chúng ta nên tránh đưa ra những giả định mạnh mẽ về giới hạn trên của khả năng này. Điều này có nghĩa là, chúng ta không nên tự tin vào khả năng của trí tuệ nhân tạo mà không có bằng chứng vững chắc. Thay vào đó, chúng ta nên tiếp tục nghiên cứu và đánh giá khả năng của trí tuệ nhân tạo một cách cẩn thận và thận trọng. Nguyên tắc này giúp chúng ta tránh những sai lầm nghiêm trọng và đảm bảo rằng trí tuệ nhân tạo được phát triển một cách an toàn và có trách nhiệm.

Chủ nghĩa hậu quả luận và chủ nghĩa deontologie là hai trường phái đạo đức học khác nhau. Chủ nghĩa hậu quả luận tập trung vào kết quả cuối cùng của hành động, trong khi chủ nghĩa deontologie tập trung vào nghĩa vụ và trách nhiệm của con người. Theo chủ nghĩa hậu quả luận, hành động được coi là đúng hay sai dựa trên kết quả mà nó mang lại. Ngược lại, theo chủ nghĩa deontologie, hành động được coi là đúng hay sai dựa trên nghĩa vụ và trách nhiệm của con người, bất kể kết quả cuối cùng. Ví dụ, một hành động có thể mang lại kết quả tốt đẹp nhưng vi phạm một nguyên tắc đạo đức, thì theo chủ nghĩa deontologie, hành động đó vẫn là sai. Ngược lại, một hành động có thể mang lại kết quả xấu nhưng tuân thủ một nguyên tắc đạo đức, thì theo chủ nghĩa hậu quả luận, hành động đó vẫn là đúng. Do đó, chủ nghĩa hậu quả luận và chủ nghĩa deontologie có quan điểm khác nhau về nguyên tắc đạo đức và kết quả cuối cùng.