Program Diploma IB Masyarakat Digital HL (asesmen pertama 2024; panduan 2021). Topik ini membekali inti KONSEP kursus (2.1-2.7: perubahan, ekspresi, identitas, kekuasaan, ruang, sistem, nilai dan etika) dengan fokus pada area KONTEN pertama (3.1 data, 3.2 algoritma), disaring melalui KONTEKS menuju penyelidikan dengan contoh dunia nyata, sebagaimana dituntut oleh Kertas 1 (35% HL). Lembar kerja ini mengajarkan lensa konsep, konten data dan algoritma, serta fokus penyelidikan. Semua contoh terkerjakan adalah kasus kelas asli.
Yang harus diketahui tentang data, algoritma, dan kekuasaan digital:
Keluarga
Konten
konsep
perubahan, ekspresi, identitas, kekuasaan, ruang, sistem, nilai dan etika: tujuh lensa
data
3.1: data vs informasi; pengumpulan, pemrosesan, penyimpanan
algoritma
3.2: instruksi masuk, bias masuk, keputusan keluar
konteks
budaya, ekonomi, lingkungan, kesehatan, pengetahuan manusia, politik, sosial
penyelidikan
konsep x konten x konteks x contoh dunia nyata: rumus fokus
Kursus menyelidiki melalui tujuh konsep: PERUBAHAN (evolusi atau transformasi), EKSPRESI (siapa yang bisa berbicara, sejauh mana pesan itu sampai), IDENTITAS (diri dan kelompok yang dibentuk dan dibentuk ulang), KEKUASAAN (siapa yang memutuskan, siapa yang mendapat manfaat), RUANG (tempat yang dikonfigurasi ulang oleh digital), SISTEM (bagian-bagian yang saling terkait dengan efek yang muncul) dan NILAI DAN ETIKA (apa yang baik, benar, dapat diterima). Sebuah konsep adalah pertanyaan yang diajukan terhadap suatu kasus: aplikasi yang sama menjadi objek yang berbeda melalui KEKUASAAN (data siapa) dan melalui IDENTITAS (presentasi diri siapa).
Contoh terkerjakan. Aplikasi kehadiran sekolah, dibaca empat cara: PERUBAHAN (daftar hadir berpindah dari ingatan guru ke basis data), KEKUASAAN (siapa yang boleh querying rekaman), RUANG (kehadiran diambil di mana saja), NILAI DAN ETIKA (pelacakan lokasi anak di bawah umur).
1.3
Data dan algoritma
Dalam area konten 3.1, data berbeda dari informasi: data adalah tangkapan mentah (timestamp, koordinat), informasi adalah data yang dibuat bermakna (pola keterlambatan). Disiplin area konten: tanyakan bagaimana data DIKUMPULKAN (apa yang dapat dan tidak dapat dilihat sensor), DIPROSES (dibersihkan, dicocokkan, dimodelkan) dan DISIMPAN (siapa yang menyimpannya, berapa lama); sebuah dataset adalah artefak dengan pembuatnya, bukan jendela melihat dunia. Sebuah algoritma (3.2) adalah urutan instruksi pada data tersebut: kursus menanyakan apa yang diasumsikan oleh instruksi (ambang batas mendefinisikan keterlambatan), dan keputusan apa yang mengalir keluar (tanda otomatis), karena bias masuk menjadi bias keluar.
Studi kasus terarah, lanjutan. Aturan keterlambatan aplikasi: kedatangan setelah lonceng kedua menandai catatan; asumsi algoritma (satu waktu lonceng untuk semua rute bus) membuat siswa pedesaan 'terlambat' secara desain: dataset tidak netral, dan lensa VALUES melihatnya.
1.4
Memfokuskan penyelidikan
Penyelidikan difokuskan dengan rumus KONSEP x KONTEN x KONTEKS x contoh dunia nyata: pertanyaan layak ditanyakan (apakah absensi otomatis mengubah kekuasaan untuk mendefinisikan keterlambatan?), konten yang dapat menjawabnya (data dan algoritma), konteks yang memposisikannya (konteks sosial sekolah; konteks ekonomi transportasi), dan studi kasus nyata (aplikasi absensi). Mode kegagalan: esai hanya konsep (tanpa kasus), cerita hanya kasus (tanpa konsep), dan tumpukan konteks (tanpa sistem digital dalam pandangan).
Keempat faktor sekaligus menghasilkan pertanyaan layak ditanyakan; kurangi salah satu dan penyelidikan gagal.
Studi kasus terarah, disimpulkan. Difokuskan: KUASA (konsep) x ALGORITMA (konten) x SOSIAL dan EKONOMI (konteks) x aplikasi absensi (contoh), menjawab apakah otomasi memindahkan kekuasaan untuk mendefinisikan keterlambatan dari guru kepada pembuat aturan.
1.5
Daftar Periksa
Tujuh konsep sebagai pertanyaan yang diajukan terhadap kasus (konsep).
Data vs informasi; pengumpulan, pemrosesan, penyimpanan; dataset memiliki pembuat (data).
Algoritma: asumsi masuk, keputusan keluar, bias melalui (algoritma).
Tujuh konteks yang memposisikan setiap penyelidikan (konteks).
Rumus fokus diterapkan; tiga mode kegagalan dihindari (penyelidikan).
Catatan batas: penguji harus melihat penyelidikan berfungsi: konsep dinamakan, sumber beragam dan dievaluasi, contoh dunia nyata nyata. Semua studi kasus terarah adalah kasus kelas asli.
Persiapan yang didukung: Data, keputusan, dan akuntabilitas
Cakupan dan prasyarat
Penilaian pertama IB Masyarakat Digital 2024. Integrasikan konsep, konten, dan konteks. Penyelidikan menggunakan dokumen proses, presentasi multimedia yang terekam, dan referensi; HL menambahkan intervensi kesejahteraan global, tata kelola/hak asasi manusia, dan pembangunan berkelanjutan.
Hasil persiapan terpetakan: ib_digital_society_hl.1.1, ib_digital_society_hl.1.2. Bacalah pelajaran asli yang sesuai terlebih dahulu. Pilihan yang disetujui, bukti, dan karya siswa akhir tetap terpisah.
Kosakata sumber
algoritma; jejak digital.
Penjelasan dan metode terarah
Data adalah nilai yang terekam; informasi memberikan makna kontekstual bagi mereka. Algoritma memetakan input ke output di bawah aturan tertentu. Prediksi bukanlah penyebab. Kekhawatiran privasi mencakup pengumpulan, akses, penggunaan, dan penyimpanan; kekuasaan termasuk siapa yang menentukan tujuan dan siapa yang dapat menantang keputusan.
Kasus asli: sebuah sistem rekomendasi praktik menyimpan kuis yang hilang sebagai nol dan menetapkan tugas yang lebih mudah. Analisis mekanisme dan satu solusi.
Ketidakadaan data dapat muncul karena ketiadaan atau kegagalan akses, bukan karena kemampuan rendah. Mengubahnya menjadi nol mengubah kemampuan yang disimpulkan dan dapat membatasi kesempatan. Bedakan antara data yang hilang dan nol yang teramati, selidiki penyebabnya, izinkan perbaikan, dan uji hasil di seluruh kelompok yang terdampak. Akurasi rata-rata tinggi tidak menjamin kesalahan yang setara.
Transfer mandiri
Pengembang mengusulkan pengumpulan pendapatan keluarga untuk menjelaskan kuis yang hilang. Evaluasi respons ini.
Cobalah secara mandiri sebelum membaca model.
Model asli yang diverifikasi
Variabel yang diusulkan memerlukan relevansi langsung, izin sekolah, minimisasi data, dan perlindungan. Selidiki kegagalan koneksi dan izinkan perbaikan data yang hilang terlebih dahulu jika memungkinkan. Data yang lebih sensitif tidak otomatis meningkatkan keadilan dan dapat menciptakan risiko privasi atau eksklusi baru.
Ini adalah ekspektasi formatif yang dibuat sendiri, bukan deskriptor resmi IB. Terima argumen beralasan lain dengan bukti dan batasan materi.
Sumber dan tugas disimpan
Suplemen ini mengajarkan metode untuk bagian kursus ini. Kriteria penilaian lengkap dan teks apa pun yang dipilih sekolah Anda berasal dari guru Anda.
Pelajaran interaktif untuk topik ini
Kerjakan langkah demi langkah, dengan latihan pengecekan instan.
