Utlösare: AI kan påverka en vuxenstuderandes väg, meritbevis eller kompetensregister.
AI för kompetens och vuxnas lärande · stödjande sammanhang
Lärande-AI bedöms
utifrån det sammanhang den faktiskt berör.
Ett stödjande sammanhang, inte ett ledande. Där en vuxenstuderandes väg står på spel är detta bevisuppsättningen. Där en studerande är under 18 år är det styrande regelverket minderårig-riktad AI - GDPR Art. 8, DSA Art. 28 och förbudet i Art. 5 mot slutledning av känslor inom utbildning.
Känsligt sammanhang
Var lärande-AI hör hemma - och var den lämnar företräde.
AI för vuxnas kompetens och lärande är ett stödjande sammanhang i denna plattform, och den behandlas som ett sådant. Den har betydelse där en rekommenderare snävar in en vuxens väg, där en adaptiv bedömning ger ett meritbevis som kan överklagas, eller där en RAG-assistent förankrar vägledning i inaktuellt kursinnehåll. Den upphör att ha betydelse som kategori i samma stund som den studerande är under 18 år: då är de styrande instrumenten GDPR Art. 8, DSA Art. 28 och förbudet i AI Act Art. 5(1)(f) mot slutledning av känslor inom utbildning, och systemet hör hemma på sidan för minderårig-riktad AI - inte denna. Använd detta sammanhang för arbetsplatslärande, lärlingsutbildningar och vuxnas kompetens. Dirigera allt som ett barn kan nå till regelverket för minderåriga, som är strängare av design.
Datakategorier inom omfattningen
Berörda personer
Riskscenarier
Vad som vanligtvis går fel.
Specifika felmoder som ses i detta känsliga sammanhang - utan strukturerade bevis.
En kompetensgrafsrekommenderare föreslår vägar med mätbara demografiska skillnader.
Inga bevisposter från gruppdisparitetsanalys. Ingen uppdelning per undergrupp. Ojämlik påverkan odokumenterad. Inköp kan inte belägga en rättvisegranskning.
En utbildnings-RAG-assistent besvarar frågor med hjälp av inaktuellt kursinnehåll.
Inga bevisposter för förankring och svarskvalitet. Dokumentgräns inte konfigurerad. Studerande får felaktig kursvägledning.
En AI-plattform för arbetsplatslärande skickar framstegsdata om studerande till en tredjeparts rekommendationsmotor.
Inget DPA bekräftat med leverantören av rekommendations-API:et. Studerandedata lämnar plattformen utan strukturerade bevis på rättslig grund.
En adaptiv bedömnings-AI ger resultat som inte kan återskapas vid en studerandes överklagande.
Ingen spårning i modellregister aktiv. Ingen härkomst. Tidigare bedömningskontext går inte att återhämta. Överklagandeprocessen undergrävs.
Gränskontroll, tillämpad här
Skanna systemet. Utfärda passet. Bevilja visumet.
Vad skanningen finner i detta sammanhang, vad passet registrerar och vilka villkor visumet fäster.
Currents
skanningenVilken AI körs, och vad vet vi inte om den?
Currents öppnar akten: vilka lärandesystem som påverkar ett utfall som en vuxen kan överklaga, vilka rekommenderare som snävar in en väg, vilka RAG-assistenter som förankrar i inaktuellt kursinnehåll - och vilka av dem som är nåbara för en studerande under 18 år, i vilket fall de lämnar detta sammanhang och går in i regelverket för minderåriga.
Ripples
passetVad är detta system, och vad är bevisat om det?
En Ripple registrerar datagränsen för studerande, prestanda per undergrupp där systemet påverkar ett utfall, hämtningsförankring för assistenten, och härkomst tillräcklig för att rekonstruera ett bedömningsbeslut vid ett överklagande. Läreffekt hör inte till det den registrerar, eftersom det inte hör till det vi mäter.
Droplets
visumetFår det köras HÄR, på DESSA data, under VILKA villkor?
En Droplet klarerar systemet för en kohort och ett syfte: endast vuxenstuderande, granskning av en mänsklig bedömare innan något meritbevis eller formellt utfall registreras, förankring över tröskelvärdet, och ett förfallodatum som tvingar fram att bevisen för rättvisa uppdateras varje cykel.
Omfattning
Vad som behöver en Ripple.
Arbetsflöde för intressenter
Från utlösare till åtkomstbeslut.
Scan
Art. 6 route · Annex III test
Evidence call
Annex IV · Art. 10 bias file
Seal Review
DPO · CISO · Art. 14 owner
Droplet
Conditions bound · expiring
Re-scan
On retrain, drift or model swap
Scan
Art. 6 route · Annex III test
Evidence call
Annex IV · Art. 10 bias file
Seal Review
DPO · CISO · Art. 14 owner
Droplet
Conditions bound · expiring
Re-scan
On retrain, drift or model swap
DPO
“Uppgifter om studerandes prestationer och framsteg kommer att behandlas av en AI-rekommendationsmotor.”
Bekräfta rättslig grund, DPA och bevis på uppgiftsminimering. Granska före klarering.
Chef för lärande och utveckling
“En AI för kompetensmatchning upphandlas för kompetensutveckling i arbetslivet.”
Kräv en Ripple med rättvisesignaler och villkor för mänsklig tillsyn vid vägbeslut med höga insatser.
Inköp
“En kompetens- eller lärandeplattform hävdar AI-driven personalisering.”
Begär en strukturerad Ripple. Kräv bevis för RAG-förankring och bekräftelse på datagräns.
Åtkomstbeslut
Villkor för kontext-Droplet.
De åtkomstbeslut som gäller i detta känsliga sammanhang - och de bevisvillkor som ger upphov till dem.
- Endast vuxenstuderande - åtkomst för under 18 år dirigeras till regelverket för minderåriga
- Bevis för rättvisa tillhandahållna för utfallspåverkande särdrag
- Bevis för RAG-förankring finns
- Granskningsgrind med mänsklig bedömare för rekommendationer med höga insatser
- Bevis för rättvisa saknas för utfalls-AI
- RAG-förankring under tröskelvärdet
- Studerandedata lämnar plattformen utan bekräftat DPA
- AI påverkar formella examina, meritbevis eller betygssättning
- En mänsklig bedömare måste verifiera innan ett formellt utfall registreras
- Rå studerandedata exporteras utan rättslig grund
- Ingen förklarbarhet för bedömningsutfall som kan överklagas
Mätning
Bevisfamiljer vi kan strukturera.
De mätbara beviskategorier som är relevanta för detta sammanhang och de bevissignaler de ger upphov till.
Datakvalitet
Fullständighet, konsistens och aktualitet hos tränings- och inferensdatamängder för kompetens- och lärande-AI.
Rättvisa och undergrupper
Prestanda per undergrupp och ojämlik påverkan för rekommendations- och utfallspåverkande AI.
RAG-förankring
Trohet, relevans och kontextuell precision hos utbildnings-RAG-assistenter - utan att rå kursinnehåll exporteras.
Integritet
Rättslig grund för behandling av studerandedata, DPA-status och bevis på datagräns.
Härkomst
Härkomst för datamängd och modell som möjliggör rekonstruktion av rekommendations- eller bedömningsutdata vid överklaganden.
Mänsklig tillsyn
Bevis på att utbildare eller bedömare granskar AI-utdata innan formella utbildningsutfall registreras.
Ärlig omfattning
Vad som fortfarande inte kan bedömas.
AffectLog överdriver inte. Dessa punkter kräver extern expertis, regulatorisk process eller långsiktig studie.
Läreffekt eller pedagogisk effektivitet
Huruvida ett AI-baserat lärverktyg förbättrar utfall kräver en kontrollerad utvärderingsstudie med lämplig metodik.
I stället: Beställ en oberoende utvärdering av läreffekt före storskalig driftsättning.
Erkännande av meritbevis eller examen
Erkännande av meritbevis kräver processer hos ett examinerande organ eller en tillsynsmyndighet - inte en bevisplattform.
I stället: Involvera relevant examinerande organ eller tillsynsmyndighet för formella erkännandeprocesser.
Exempel
Exempel på Ripple för detta sammanhang.
SkillsMap-rekommenderare v3
Rekommendation av kompetensvägar i arbetslivet · L&D-plattform
Åtkomstvillkor
Vad vi inte kommer att överdriva
AffectLog tillhandahåller tekniska och operativa bevis för utbildnings- och kompetens-AI. Vi hävdar inte läreffekt, pedagogisk effektivitet eller erkännande av meritbevis. Vi visar datagränser, rättvisesignaler och vilka granskningsvillkor som krävs.
Vanliga frågor
Frågor som detta sammanhang väcker.
“Vår kompetensplattform använder AI ansvarsfullt - vi har en etikpolicy.”
En etikpolicy är ett åtagandedokument. AffectLog strukturerar mätbara bevis: bevisposter för rättvisa, poäng för RAG-förankring, konfiguration av datagräns och härkomst - så att DPO och inköp kan verifiera i stället för att förlita sig på policyuttalanden.
“Vi samlar inte in känsliga studerandedata - endast andelen slutförda kurser.”
Uppgifter om slutförda kurser i kombination med kompetensprofiler kan ändå avslöja demografiska mönster och påverka möjligheter. Även datakategorier med låg känslighet gynnas av strukturerade bevis när AI används för att ge rekommendationer.
Kom igång
Kartlägg varje AI-verktyg som formar
studerandes vägar och kompetens.
Identifiera vilka utbildnings- och kompetens-AI-system som behöver bevis, vilka RAG-assistenter som behöver förankringstester, och vilka rekommendationsmotorer som behöver rättvisesignaler innan de påverkar nästa kohort.
AffectLog tillhandahåller tekniska och operativa bevis. Inte påståenden om läreffekt, utbildningscertifiering eller regulatoriskt godkännande.