这一页讲的是课程 COMPSCI 712 的介绍，主题为 AI 的自主性、伦理与社会影响。

这一页讲的是课程 COMPSCI 712 的介绍，重点是人工智能（AI）的自主性（Agency）、伦理（Ethics）和社会（Society）相关问题。这门课由 Dr Kerry McInerney 授课，旨在探讨 AI 技术在社会中的角色及其潜在影响。幻灯片上的图案是一只手托着一个天平，象征着伦理与责任的平衡，暗示课程将深入讨论如何在技术发展中保持伦理原则。通过这门课，学生将学习如何评估 AI 的行为能力、理解技术对社会的伦理挑战，并探索解决这些问题的方法。这些内容对于未来从事 AI 相关领域的研究或应用具有重要指导意义。

这一页讲的是互动讨论，主题是 AI ethics（人工智能伦理）。主要内容是鼓励与邻座交流，介绍自己，并分享对 AI ethics 的看法。

这一页讲的是互动讨论，目的是通过与邻座交流来引发对 AI ethics（人工智能伦理）的思考。页面首先鼓励大家互相介绍自己，这是一个社交破冰的环节，帮助建立轻松的讨论氛围。接着提出一个问题：“听到 AI ethics，你会想到什么？”这个问题旨在引导大家思考人工智能在伦理层面可能涉及的问题，比如数据隐私、算法偏见、自动化决策的公平性等。这种讨论有助于从不同视角理解 AI 的伦理挑战，并培养批判性思维。例如，有人可能会想到 AI 在医疗领域的应用如何影响患者隐私，而另一个人可能会关注自动驾驶汽车如何在事故中做出道德决策。这种互动不仅能促进知识共享，还能激发更深层次的思考。

这一页讲的是课程目标，包括探讨人工智能相关的哲学和规范性主题。课程安排为每周两次讲座，最后部分是课堂展示。

这一页讲的是课程的目标和结构安排。课程的主要目标是探讨与人工智能相关的一系列哲学(philosophical)和规范性(normative)主题。这些主题可能包括人工智能的伦理问题、社会影响以及技术发展的哲学基础。课程安排为每周两次讲座，最后阶段专注于课堂展示(class presentations)，这部分可能要求学生将学习内容进行总结并展示。课程还包含一些具体的学习活动，比如定期的在线讨论(regular online discussion)、一次作业(an assignment)、海报展示(poster presentation)以及期末考试(exam)。这些活动旨在帮助学生更好地理解课程内容，同时培养他们的批判性思维和表达能力。例如，通过在线讨论，学生可以分享观点并相互学习；通过海报展示，可以锻炼总结和视觉表达能力。这种综合性的学习方式有助于全面掌握课程知识。

这一页讲的是人工智能伦理的重要性，探讨为什么 AI Ethics 对技术发展和社会至关重要。主要关注公平性、透明性和责任问题。

这一页讲的是人工智能伦理（AI Ethics）的重要性。AI Ethics 是指在人工智能的开发和应用过程中，确保技术符合道德规范和社会价值观。首先，公平性（Fairness）是关键，AI 系统可能会因为数据偏差或算法设计导致歧视性结果，因此需要确保其对不同群体的公平对待。其次，透明性（Transparency）要求 AI 的决策过程可解释，帮助公众理解其工作原理，增强信任。最后，责任（Accountability）强调开发者和使用者需要对 AI 的行为和后果负责。例如，自动驾驶汽车发生事故时，责任归属问题就是典型的伦理挑战。这些问题关系到技术的可持续发展和公众接受度，因此探讨 AI Ethics 是确保人工智能造福社会的必要步骤。

这一页讲的是 AI 是否中立的问题，结论是明确的：AI 并非中立。强调了 AI 的偏见问题及其影响。

这一页讲的是 AI 是否中立的问题，结论是明确的：AI 并非中立。幻灯片通过一个表情符号和醒目的文字“NO!”传达了这一观点。AI 的偏见来源于数据集、算法设计以及开发者的主观选择。例如，训练数据可能包含社会偏见，而模型会在预测中继承这些偏见。此外，算法的设计和优化目标也可能导致某些群体被忽略或不公平对待。这一问题非常重要，因为 AI 的决策会影响到医疗、招聘、司法等关键领域。如果忽视偏见问题，可能会加剧社会不公平。因此，研究和开发 AI 时需要特别关注公平性和透明性，采取措施减少偏见，例如多样化数据集和进行偏差检测。

这一页讲的是 AI 伦理的关键概念，包括透明性、责任性、公平性等重要原则。

这一页讲的是 AI 伦理的关键概念，重点列举了与人工智能系统设计和应用相关的多个重要原则。首先，透明性（Transparency）强调 AI 系统的运行过程应清晰可见，便于用户理解和监督。其次，责任性（Responsibility）要求开发者和使用者对 AI 的行为和结果负责任。公平性（Fairness）则关注避免算法偏见（Bias），确保 AI 对不同群体的处理不带有歧视性。此外，解释性（Explainability）强调 AI 的决策过程应易于解释，帮助用户理解其逻辑。安全性（Safety）和隐私性（Privacy）则关注保护用户数据和避免潜在危害。监督（Oversight, Human in the Loop）强调人类在 AI 决策中的参与，以确保系统符合伦理标准。最后，可持续性（Sustainability）提出 AI 应以环保和长期发展的方式设计。以上这些概念共同构成了 AI 伦理的框架，确保技术发展与社会价值相协调。

这一页讲的是人工智能领域中可能被忽视的重要议题。主要包括公平性、公正性和透明性等方面。

这一页讲的是人工智能发展中可能被忽视的关键议题，强调了技术设计和应用需要关注社会责任和伦理问题。这些议题包括公平性（Fairness）、透明性（Transparency）、可解释性（Explainability）、隐私（Privacy）以及责任（Responsibility），它们共同构成了确保技术对社会产生积极影响的基础。此外，还提到了一些更广泛的社会正义问题，例如性别正义（Gender Justice）、种族正义（Racial Justice）、全球正义（Global Justice）和环境正义（Environmental Justice），这些概念强调了技术在不同群体中的公平应用和影响。比如，‘Indigenous Data Sovereignty’提醒我们要尊重原住民的数据主权，而‘Oversight (Human in the Loop)’则强调了人类在技术决策中的重要性。这些问题的提出旨在促使技术开发者在设计和实施人工智能时，综合考虑伦理、社会和环境因素，从而实现更具包容性和可持续性的技术发展。

这一页讲的是人工智能（AI）如何改变权力分配。重点包括权力转移的影响和公平性问题。

这一页讲的是人工智能（AI）如何改变权力分配。核心观点是，与其单纯讨论 AI 是否公平或有益，更重要的是探讨它如何影响权力结构。AI 技术的应用可能集中权力于少数技术公司或政府机构，从而加剧社会不平等。例如，AI 的决策可能偏向某些群体，导致资源分配不均或隐性歧视。这种权力转移不仅影响个人，还可能改变社会的整体运行方式。因此，研究 AI 的社会影响需要关注技术背后的权力动态，而不仅仅是算法的技术层面。

这一页讲的是互联网对女性客体化的问题。主要强调互联网设计初始就存在性别偏见，并讨论其广泛影响。

这一页讲的是互联网对女性客体化的问题。标题指出问题远超某个具体平台或技术，表明这是一个系统性问题。副标题强调互联网的设计初始就带有性别偏见，导致女性被客体化（objectify）。这种现象不仅影响社会对女性的看法，还加剧了性别不平等。背景中的彩色图案可能象征互联网的多样性，但也暗示其复杂性和潜在问题。通过这一页，我们可以理解互联网并非中立工具，而是带有文化和社会结构偏见的产物。这种偏见会影响算法、内容分发以及用户体验。例如，社交媒体平台上的推荐算法可能优先展示迎合性别刻板印象的内容，进一步强化这种偏见。这一主题提醒我们在技术设计中需要更注重性别平等，避免无意识地加剧社会问题。

这一页讲的是 AI 内容泛滥对互联网的影响，重点包括病毒式传播的奇异内容和其背后的技术与经济驱动。

这一页讲的是 AI 内容泛滥如何改变互联网生态。标题提到的“Shrimp Jesus”和“erotic tractors”是病毒式传播的奇特内容，反映了算法驱动的互联网如何生成并推广不真实或荒诞的内容。这种现象背后是少数科技公司控制的经济模式，依赖用户点击和互动来推动广告收入。图片展示了一些生成式 AI的例子，包括拟人化的虾形象、动画风格的政治场景，以及猫与警卫的奇异组合。这些内容的共同特点是吸引眼球但缺乏实际意义，反映了生成式 AI在内容生产中的强大能力及其对文化的影响。这一现象的重要性在于，它揭示了技术与经济如何共同塑造信息环境，同时也带来虚假信息泛滥和文化质量下降的风险。

这一页讲的是 AI 在超市中的误判问题及其偏见影响。主要提到一位毛利女性被误认为小偷，以及专家对这一现象的分析。

这一页讲的是 AI 在超市中的应用可能导致偏见问题。具体提到一位毛利女性在超市被 AI 误判为小偷的案例。专家 Karaitiana Tairua 表示，这种情况并不令人意外，并认为可能还有其他毛利人受到类似影响但尚未报告。这反映了 AI 系统可能存在的种族偏见问题，尤其是在训练数据不足或偏向某些群体时。这种偏见可能导致特定群体在公共场所被不公平对待，进而影响社会公平性。比如，假设一个超市的 AI 系统主要基于非毛利人群的数据训练，那么它可能无法准确识别毛利人的行为特征，从而产生误判。这一案例强调了在开发和部署 AI 系统时，确保数据多样性和公平性的重要性，以避免对弱势群体造成不必要的伤害。

这一页讲的是人工智能(AI)导师在课程中的应用是否合适。主要讨论学生对AI导师的担忧、大学的立场以及学习质量和费用问题。

这一页讲的是关于人工智能(AI)导师在课程中的应用是否合适的问题。首先，奥克兰大学的学生对使用AI导师提出了担忧，认为这种做法可能影响学习质量，并对课程费用的合理性表示质疑。其次，大学方面回应称，AI导师只是辅助手段，并不会取代面对面的教学，同时强调AI在市场营销等领域的重要性。最后，学生还指出AI可能存在不准确性，这进一步加剧了他们对学习效果的担忧。这一讨论反映了AI在教育领域应用的潜在挑战和争议。例如，虽然AI可以提高效率和提供个性化学习支持，但其准确性和人类互动的缺失可能成为限制因素。这一页旨在促使我们思考如何平衡技术创新与教育质量之间的关系。

这一页讲的是学生对使用 AI 教学的批评与担忧。主要提到学生不满 AI 教学质量差、信息不可靠，以及对课程结构的抱怨。

这一页讲的是学生对 AI 教学方式的批评和担忧。第一部分提到学生认为不应该为了使用质量低劣的 AI 教学而承担巨额贷款，并担心 AI 会进一步影响就业机会。第二部分引用了一位学生的评论，指出 AI 教学方式存在问题，包括信息不准确、环境影响大且学习效率低。学生更希望由专业人士授课，而不是依赖从网络上收集信息的机器人。此外，课程结构也发生了变化，传统的讲座被 AI 教学模块取代，学生需要通过 AI 教程完成学习任务。这反映了学生对 AI 教学的信任不足，以及对这种教育模式可能导致学习效果下降的担忧。

这一页讲的是课程的学习目标，包括分析AI伦理问题、应用伦理方法，以及讨论相关争议。

这一页讲的是课程的学习目标，明确了完成课程后学生应具备的能力。首先，学生需要能够分析和评估人工智能相关的伦理和哲学问题，不仅限于书面表达，还包括口头讨论。这意味着学生需要理解AI技术带来的伦理挑战，例如隐私、偏见和公平性问题，并能清晰地表达自己的观点。其次，学生要能够在不同场景中应用多种伦理方法来评估AI的使用，例如功利主义、义务论或美德伦理。这要求学生具有灵活性和批判性思维，以适应复杂的实际问题。此外，课程还强调对新西兰的《怀唐伊条约》（Te Tiriti o Waitangi）原则及其在AI领域的责任进行批判性讨论，这是结合文化和社会背景进行伦理分析的重要部分。最后，学生需要能够构建并论证关于信息相关争议的伦理观点，例如在数据隐私和算法透明度方面的辩论。这些能力对于未来在AI领域的研究和实践具有重要意义。

这一页讲的是课程的时间和地点安排。主要包括周一和周二的具体时间和教室位置。

这一页讲的是课程的时间和地点安排。周一的课程时间是上午9点到10点，地点在会议中心（Conference Centre）的342教室。周二的课程时间是上午8点到10点，地点在工程楼1（Engineering Block 1）的439教室。幻灯片还通过图标强调了时间和学习的主题，包括一个时钟、学术帽和书本的图案，象征着学习和时间管理的重要性。这些信息帮助学生明确课程安排，方便规划自己的学习时间。举例来说，如果学生需要在周二早上参加课程，他们可以提前安排好交通和时间，以确保准时到达工程楼1的439教室。

这一页讲的是课堂讨论安排，包括参与要求和提交内容。

这一页讲的是课堂讨论的安排和要求。首先，学生需要在第 2-5 周和第 6-10 周的课程中分别至少参加 3 次课堂讨论。讨论的形式是以小组为单位，老师会提供讨论主题，学生需要记录小组的讨论内容。其次，学生需要将小组讨论的工作表拍照并上传到 Canvas 平台。此外，每位学生还需提交两次简短的书面总结，记录自己的讨论思考。这些要求旨在促进学生的参与和团队合作，同时提高他们的表达能力和批判性思维能力。

这一页讲的是Dr. Daniel Wilson的背景和研究兴趣。他是课程负责人，研究重点是数据伦理和算法主权，特别关注毛利数据的使用。

这一页讲的是Dr. Daniel Wilson的专业背景和研究方向。他是课程负责人，办公室位于303S.494，邮箱是daniel.wilson@auckland.ac.nz。他的研究兴趣集中在数据和算法使用中的伦理问题，尤其是毛利数据（Māori data）及算法主权（algorithmic sovereignty）。此外，他有十年的软件开发经验，拥有数据科学硕士学位和哲学博士学位，这些学位均来自奥克兰大学（University of Auckland）。他的研究对理解文化数据的伦理使用和算法的公平性具有重要意义。例如，毛利数据主权强调原住民对其数据的控制权，这在设计公平算法时至关重要。

这一页讲的是课程协调员 Dr Kerry McInerney 的研究兴趣和背景。她专注于伦理 AI 开发、部署以及女性主义 AI 伦理等领域，并有社会科学和人文学科的背景。

这一页讲的是 Dr Kerry McInerney 的研究方向和学术背景。她目前是课程协调员，办公室位于 303S.487，邮箱为 kerry.mcinerney@auckland.ac.nz。她的研究兴趣包括伦理 AI 的开发与部署（ethical AI development and deployment）、女性主义 AI 伦理（feminist AI ethics）、种族与数字文化（race and digital culture）以及 AI 与国际关系（AI and international relations）。这些领域的研究旨在探索技术与社会的交互，特别是如何以负责任和包容的方式开发与应用 AI 技术。此外，她的背景是社会科学和人文学科，并曾在 Leverhulme Centre for the Future of Intelligence 工作，担任 AI 伦理学家。这些经历表明她在跨学科领域的深厚知识储备和实践经验，为她的研究提供了坚实的基础。

这一页讲的是 ED Discussion 平台的概念和用途。它强调在线交流的重要性，通常用于学术讨论和协作。

这一页讲的是 ED Discussion 平台，主要用于在线学术交流和协作。ED Discussion 是一种数字化工具，允许用户通过计算机进行实时讨论和信息共享。这种平台通常被用于教育领域，帮助学生和教师在课程中进行互动。图片中展示了多台计算机，象征着技术在支持团队协作和知识共享中的重要性。通过 ED Discussion，用户可以提出问题、分享资源以及解决问题，促进学习效率和团队合作。比如，在计算机科学课程中，学生可以通过该平台讨论算法优化问题，教师可以及时解答学生的疑问。这种工具特别适合远程学习和跨地域的团队合作，体现了技术在现代教育中的关键作用。

这一页讲的是课程总体规划，包括课程的主要模块和时间安排。重点内容有伦理学导论、人工智能与代理、以及人工智能的伦理问题和社会影响。

这一页讲的是课程的总体规划，详细描述了课程的几个主要模块及其时间安排。首先是由 Kerry 主讲的课程介绍，随后是伦理学导论（Introduction to Ethics），预计持续 1 周，主要帮助学生理解伦理学的基本概念和框架。接着是人工智能与代理（Artificial Intelligence and Agency），由 Daniel 主讲，预计持续 2 周，探讨人工智能如何作为代理进行决策和行动。之后是人工智能的伦理问题（Ethical issues in Artificial Intelligence），由 Daniel 和 Kerry 共同主讲，预计持续 5 周，深入分析人工智能在实际应用中可能引发的伦理挑战，例如隐私问题、偏见和责任归属等。接下来是人工智能与社会（Artificial Intelligence and Society），由 Kerry 主讲，预计持续 2 周，讨论人工智能对社会结构、就业和文化的潜在影响。最后两周为海报展示环节，学生将总结所学内容并展示自己的研究成果。这份规划清晰地划分了课程重点，帮助学生有条理地掌握知识。

这一页讲的是伦理学导论，重点讨论人工智能的伦理挑战及应对方法。

这一页讲的是伦理学导论，主要关注人工智能（AI）领域的伦理问题。首先提出了两个核心问题：人工智能带来的伦理挑战是什么？以及哪些伦理方法最适合解决这些挑战？这些问题强调了人工智能技术在快速发展过程中可能引发的社会责任、隐私保护、偏见与公平性等问题。伦理学的研究在此背景下显得尤为重要，它帮助我们理解技术的影响，并制定合理的规范来指导技术应用。例如，隐私问题可能涉及用户数据的收集与使用，而偏见问题可能源于算法设计中的数据选择不当。通过伦理评估，我们可以选择适当的理论框架，如功利主义（utilitarianism）或义务论（deontology），来分析和解决这些问题。这一页的内容为后续深入探讨人工智能伦理奠定了基础。

这一页讲的是 AI 与自主性(agency)的相关问题，包括智能、创造力和意识等概念，以及 AI 是否能拥有权利。

这一页讲的是 AI 与自主性(agency)的哲学问题。首先，提出了一个核心问题：计算机是否可能像人类一样拥有智能？接着深入探讨了几个关键概念，包括“智能(intelligence)”、“自主性(agency)”、“创造力(creativity)”和“意识(consciousness)”，并提出了一个重要的思考点——AI 是否能够具备这些能力。此外，幻灯片还引发了关于 AI 是否有可能成为拥有权利的存在的讨论，例如道德权利或法律权利。最后，这些问题的重要性被强调，因为它们直接影响到我们如何设计、使用和管理 AI 系统。举例来说，如果 AI 能够表现出类似人类的意识或创造力，那么我们可能需要重新审视其在社会中的角色和伦理地位。

这一页讲的是人工智能与伦理 (AI and Ethics)，探讨了 AI 引发的几个伦理问题，例如隐私保护、自动化决策中的人类参与，以及数据偏见可能导致的歧视。

这一页讲的是人工智能与伦理 (AI and Ethics)，重点讨论了 AI 技术发展过程中可能面临的伦理问题。首先，提出了机器是否应该参与影响人类基本权利和利益的决策，这涉及到机器决策的合理性和对人类价值观的尊重。其次，探讨了在 AI 广泛使用个人信息的背景下，如何维护现有的隐私和同意机制，这反映了数据使用与个人权利之间的冲突。此外，还提到了如何在这种技术环境下保护 Māori 的文化权利和利益，这是一个关于技术如何适应多元文化需求的具体问题。接着，问题延伸到人类在自动化决策中的参与程度，强调了人类在 AI 系统中的角色不可忽视。最后，指出依赖现有数据集的 AI 是否会不可避免地带来歧视性结果，这与数据偏见和公平性密切相关。通过这些问题，可以看出 AI 的伦理挑战不仅涉及技术本身，还与社会价值观和文化多样性息息相关。

这一页讲的是人工智能(AI)与社会的关系，重点讨论AI带来的社会问题，例如心理治疗、环境影响、工作未来、医疗及AI叙事的重要性。

这一页讲的是人工智能(AI)与社会的关系，探讨了AI带来的几个关键社会问题。首先提到“Can AI be your therapist?”，即AI是否能够作为心理治疗师，这涉及AI在情感支持和心理健康领域的潜力与伦理问题。其次讨论了“environmental impact of AI systems”，即AI系统对环境的影响，例如高能耗的模型训练是否会加剧碳排放。第三个问题是“AI shape the future of work”，即AI如何改变工作的未来，包括自动化对就业市场的冲击与可能的工作结构转型。第四个问题是“AI affect healthcare”，探讨AI在医疗领域的应用，比如诊断辅助和个性化治疗的潜力。最后提到“AI narratives”，即我们如何讲述AI的故事，这些叙事如何影响公众对AI的理解和接受度。通过这些问题，幻灯片强调了AI不仅是技术问题，更是社会问题，要求我们从多角度审视其影响。

这一页讲的是课程评估方式，包括讨论任务和书面作业的要求与分值分配。讨论任务占总成绩的20%，书面作业占30%。

这一页讲的是课程评估方式，分为两部分：讨论任务和书面作业。讨论任务（Discussions）占总成绩的20%，分为两次，每次10%。它的评分依据是学生在第6周和第11周的课堂讨论参与情况以及提交的反思文章。书面作业（Written Assignment）占总成绩的30%，要求学生撰写一篇2000字的论文，主题需与人工智能的代理性（AI Agency）、伦理（Ethics）和社会（Society）相关，例如深度伪造（Deepfakes）、相关案例研究或算法宪章（Algorithm Charter）等。书面作业的最终提交时间为第8周。学生可以从讲座提供的主题列表中选择，也可以就自己感兴趣的相关主题与课程负责人 Kerry 沟通以获得批准。这些评估方式旨在考察学生对课程内容的理解和实际应用能力。

这一页讲的是课程评估方式，包括海报展示和考试的安排。海报展示占总成绩的20%，考试占30%。

这一页讲的是课程的评估方式，分为两部分：海报展示（Poster Presentation）和考试（Exam）。海报展示的主题是关于 AI 的代理、伦理与社会问题，占总成绩的20%。展示安排在最后两周的课程时间内，并额外安排了三个时段（5月25日、26日和6月2日，下午2点到4点）。考试是在线进行的，占总成绩的30%。考试地点会在考试前一天通过短信通知，并在学生服务系统（SSO）上显示。特别注意，学生必须通过考试才能通过课程。这些评估方式旨在综合考察学生的学术能力和实践能力，例如通过海报展示评估学生对复杂主题的理解和表达能力，通过考试评估学生对课程内容的掌握程度。

这一页讲的是课程评估的组成和通过要求。课程评估包括两部分：课程作业占70%，期末考试占30%。通过要求是两部分都至少达到及格分。

这一页讲的是课程评估的具体内容和通过标准。课程评估分为两部分：课程作业 (Coursework) 和期末考试 (Final Exam)。课程作业占总成绩的70%，包括三个部分：讨论作业 (Discussion Assignments) 占20%，海报展示 (Poster Presentation) 占20%，书面作业 (Written Assignment) 占30%。要通过课程作业部分，学生需要在这部分至少获得35分（满分70分）。期末考试占总成绩的30%，通过要求是至少获得15分（满分30分）。通过课程的整体要求是两部分都达到及格分（50%）。这种评估方式强调了学生在多个方面的表现，包括参与讨论、展示能力和书面表达能力，同时也要求学生在考试中表现良好。

这一页讲的是生成式 AI 政策，强调责任使用 AI 工具的重要性，并介绍奥克兰大学的评估方法。

这一页讲的是生成式 AI 政策，重点在于如何在学习和评估中负责任地使用 AI 工具。奥克兰大学（Waipapa Taumata Rau）的目标是通过 AI 工具使评估和反馈更有意义、支持性和公平，同时保持学术诚信，维护学位的价值，帮助学生发展学术技能和专业能力，为未来职业和研究生学习做好准备。此外，从 2026 年第一学期开始，科学学院（Te Whare Pūtaiao）将实施一种“双轨”（two-lane）评估方法，并计划在 2027 年推广至全校范围。这种方法可能旨在平衡 AI 工具的使用与传统学术标准，以确保技术创新与学术质量并行。

这一页讲的是 Lane 1 的评估方式及规则。主要内容包括受控任务的条件、AI 使用限制以及学术诚信的重要性。

这一页讲的是 Lane 1 的评估方式，强调受控任务（controlled tasks）的严格条件。这些评估是在能够让教学人员验证学生个人工作的条件下进行，确保学生掌握其学习阶段和课程所需的技能与知识。这种方式的目的是维护评估的真实性和可靠性。学生在执行受控任务时，除非得到课程负责人明确许可，否则不得使用 AI 工具。如果在未授权的情况下使用 AI，可能会被视为违反学术诚信（academic integrity）。这一页还明确指出 Lane 1 的受控任务类型是监考考试（invigilated exam），这种考试形式要求学生在严格监控下完成，进一步保证评估的公平性和真实性。例如，在监考考试中，学生需要独立完成所有问题，不能依赖外部工具或协助，这种方式能够有效验证学生的真实能力和知识水平。

这一页讲的是 Lane 2 的非受控任务评估。主要内容包括允许学生使用 AI 工具完成任务，以及任务的具体类型。

这一页讲的是 Lane 2 的评估方式，即非受控条件下的任务评估。这种评估方式旨在支持学生学科知识和技能的发展，同时鼓励他们在学习中以高效且负责任的方式使用 AI 工具。在非受控任务中，学生被允许使用 AI 来辅助完成任务。这些任务包括讨论类作业 (Discussion Assignments)、书面研究作业 (Written Research Assignment) 和海报展示 (Poster Presentations，仅限海报文字部分)。这种方式的重要性在于，它不仅培养学生的学术能力，还帮助他们学会如何恰当地利用 AI 技术。例如，在撰写研究作业时，学生可以用 AI 工具进行信息整理，但仍需对内容进行批判性分析和原创性表达。

这一页讲的是招募班级代表(Class Reps)的相关信息，包括报名优势、职责和截止日期。

这一页讲的是班级代表(Class Reps)的招募信息，主要内容包括报名的好处、职责以及如何获取更多信息。首先，报名成为班级代表可以为个人简历增添重要内容，提升领导技能，并有机会对教育环境产生积极影响。此外，学期末还将获得由 AUSA 颁发的班级代表证书，但需在第二周周五前完成注册。职责方面，班级代表需要收集同学的反馈意见、参加系部和学院会议，并帮助解决班级内可能出现的问题。页面右侧介绍了 AUSA Advocacy 服务，它提供关于学生权利、大学程序以及租房等方面的建议，强调公平、支持性、独立和保密性。页面还提供了相关网址和邮箱以便获取更多信息或联系工作人员。

这一页讲的是班级代表(Class Representatives)的角色与作用。主要强调他们如何确保学生的意见在课程中被听取，以及如何找到班级代表的信息。

这一页讲的是班级代表(Class Representatives)的职责和重要性。班级代表是学生与学校之间的沟通桥梁，他们的主要任务是确保学生的意见能够被课程负责人或学校管理层听到，从而改善教学质量和学生体验。幻灯片上的图片展示了一群学生围绕着电脑，可能是在讨论或协作，体现了班级代表需要与学生群体紧密互动的特点。文字部分提到“Your class, your voice”，强调了班级代表的重要性在于表达学生的声音。通过访问提供的网址（ausa.org.nz），学生可以找到自己的班级代表是谁，并了解他们具体是如何帮助学生表达意见的。例如，如果某门课程的教学方式存在问题，班级代表可以将学生的反馈汇总并向课程负责人提出建议，从而推动改进。这种机制不仅有助于提升学生的学习体验，还能培养学生的参与感和责任感。

这一页讲的是 Staff Student Consultative Committee (SSCC) 代表的作用，包括他们为何重要以及职责。

这一页讲的是 Staff Student Consultative Committee (SSCC) 代表的作用。SSCC 代表是学生与学院之间的桥梁，主要职责是帮助需要协助的学生，将课堂问题反馈给授课教师并寻求解决方案。他们还充当所在班级与计算机科学学院之间的联络人。此外，SSCC 代表对奥克兰大学学生协会 (AUSA) 也非常重要，因为他们提供关于学生对教育质量满意度的关键反馈。这种反馈有助于学校了解学生需求并改善教学质量。例如，如果某门课程的学生普遍反映作业负担过重，SSCC 代表可以将这一问题传递给相关教师或学院，从而推动调整课程设计。

这一页讲的是 SSCC 班级代表的职责，包括培训、与学生和教职员工的沟通。

这一页讲的是 SSCC 班级代表的职责，主要包括六项内容。首先，班级代表需要参加专门的培训课程（Class Representative Training Session），以便了解自己的角色和责任。其次，他们需要对班级学生保持可接触性（Be available to students），确保学生能够随时向他们反馈问题。第三，班级代表需要积极解决学生提出的问题（Actively address problems），这是他们的核心任务之一。此外，他们还需参与教职员工与学生协商委员会（Staff Student Consultative Committee, SSCC）的会议，代表学生表达意见。第五，他们需要向教职员工报告任何正面或负面的反馈（Report feedback），以帮助改善教学和学习环境。最后，必要时与讲师进行沟通（Liaise with lecturers），确保学生和教师之间的信息流畅。这些职责强调了班级代表在沟通和问题解决中的重要作用，有助于提升学生体验和教学质量。

这一页讲的是 SSCC 班级代表的职责范围限制，强调他们不处理骚扰案件和个人问题。

这一页讲的是 SSCC 班级代表（SSCC Class Reps）不负责处理的事项。首先，骚扰案件（harassment cases）需要由大学监察员（University Proctors）处理，幻灯片提供了相关链接，指导学生访问奥克兰大学网站以获取更多信息。其次，学生的个人问题（personal problems）应由 AUSA Advocacy Service 负责，幻灯片也列出了相关的电子邮件地址和支持服务的链接。这一页的重点是明确班级代表的职责范围，避免学生将不属于他们职责范围的事项交给他们处理。这种明确分工对于提高问题解决效率和确保学生获得专业帮助非常重要，例如，骚扰案件需要专业的调查和处理，而个人问题可能涉及心理健康支持或其他专业服务。

这一页讲的是SSCC会议讨论的议题，包括未解决的问题、计算机学院相关问题及大学范围内的学生共同关心的问题。

这一页讲的是SSCC会议（Student-Staff Consultative Committee，学生与教职工协商委员会）讨论的议题。主要包括三个方面：第一，学生向讲师提出但尚未得到充分解决的问题，例如课程安排或教学反馈问题。第二，涉及计算机学院整体的问题，如学院资源分配或学术支持。第三，可能对大学其他学生也有影响的问题，例如图书馆服务、计算机或网络访问、讲座场地的照明或温度问题等。这些议题的讨论旨在促进学生与教职工之间的沟通，解决学生学习和生活中的实际困难。举例来说，如果学生反映教室温度过低，SSCC会议可以提出建议并协调相关部门解决问题，从而提升学生的学习体验。