Nang ang isang malakas na generative AI (GenAI) chatbot ay inilabas noong 2022, ginugol namin ang mga sumunod na taon sa pagtatalo kung kabilang ba ito sa aming silid-aralan. Sa opisyal na pag-greenlight ng Department of Education (DepEd) sa paggamit ng AI, tapos na ang debateng iyon. Ngayon, ang pamamahala sa paggamit ng AI sa mga silid-aralan ay sumusunod sa isang mas mahirap na talakayan: Paano natin makokontrol ang paggamit ng AI upang ligtas itong maisama sa ating mga silid-aralan?
Noong Pebrero 20, 2026, sa pagkilala na ang pag-ampon ng AI ay “nalampasan” ang pagkakaroon ng “maipapatupad na mga patakaran,” inilabas ng DepEd ang Order No. 003, s. 2026 (DO 3)—Foundational Guidelines sa Artificial Intelligence sa Basic Education—na nilagdaan ni Education Secretary Sonny Angara, bilang unang komprehensibong pambansang patnubay para sa AI sa pangunahing edukasyon. Ilang linggo bago nito, noong Enero 9, 2026, inilunsad ng gobyerno ang Project AGAP.AI para bumuo ng AI literacy ng 1.5 milyong estudyante, guro, at magulang. Magkasama, ang mga inisyatiba na ito ay bumubuo ng scaffolding para sa mas ligtas na AI-integrated na mga silid-aralan.
Sa pamamagitan ng DO 3, inilatag ng DepEd ang batayan sa pamamahala sa mga likas na panganib sa AI tulad ng mga paglabag sa privacy ng data, mapanlinlang na nilalaman, at hindi pantay na paggamit ng mga tool ng AI. Ang GenAI, gayunpaman, ay kilalang gumagawa ng mga panganib sa pagpapatupad at pag-deploy kung paano nalaman ng mga mag-aaral ang mga bagay-bagay, at iniiwan ng DO 3 ang mga paaralan at guro upang pamahalaan ang panganib na iyon sa pamamagitan ng pagiging front line, mga unang tumutugon sa pamamahala ng AI sa field.
Ang DO 3 ay nagpatibay ng isang gabay sa pag-uuri na nakabatay sa panganib na idinisenyo upang protektahan ang “ahensiya ng tao” at “isulong ang pagsasama.” Para maisakatuparan ang mga prinsipyo nito, gumagamit ang guideline ng ilang mekanismo ng pre-deployment upang suriin ang mga tool at system ng AI bago sila makarating sa mga pintuan ng silid-aralan.
Bilang capstone nito, ang Privacy Impact Assessment (PIA), na ipinag-uutos bago ang deployment, ay sinusuri ang mga panganib sa proteksyon ng data, seguridad, at kaligtasan ng bata, na tinitiyak ang pagsunod sa Data Privacy Act of 2012. Kasabay nito, sinusukat ng Digital Maturity Assessment (DMA) kung ang isang paaralan ay may teknolohikal na imprastraktura upang i-host ang tool. Itinatag din ng DO 3 ang DepEd AI Registry upang magsilbing opisyal na rekord para sa lahat ng AI deployment, at ikinategorya ang mga tool sa mga antas ng panganib—Hindi Katanggap-tanggap, Mataas, Limitado, at Minimal—na nag-aaplay ng mas mahigpit na mga regulasyon at mga kinakailangan para sa mga aplikasyon na may mataas na stakes tulad ng grading at admission.
Bagama’t ang mga device sa pamamahala na ito ay nagtatayo ng pundasyon para sa ligtas na pag-aampon ng AI, gumagana lamang ang mga ito bilang mga filter bago ang pag-deploy ng maliwanag na mga panganib sa AI. Maaaring i-clear ng AI na naka-deploy sa isang digitally mature na pampublikong paaralan ang PIA at komportableng maupo sa isang limitadong-panganib na pag-uuri, gayunpaman ay bumubuo pa rin ng mga hindi tumpak na salaysay o nagpapakita ng pagkiling. Ito ang ginagawa ng GenAI sa mga silid-aralan. Upang pamahalaan ito, bumalik ang DO 3 sa mahigpit na pangangasiwa sa antas ng silid-aralan, at sa pamamagitan ng paghahain ng Deklarasyon ng Paggamit ng AI na nagtatala lamang ng paggamit at hindi mga epekto. Kaya, ang kasalukuyang mga panukala ay ligtas na kahandaan at agarang kaligtasan, ngunit walang katumbas na mekanismo na sinisiguro ang pangmatagalang proseso ng kaalaman.
Ang mga modelo ng GenAI ay likas na gumagawa ng mga panganib na mahirap tugunan nang walang eksperto. Kahit na inaasahang kumilos ang mga user bilang mga espesyalista sa pagtitiyak ng kalidad, madaling kapitan pa rin sila sa mga panganib na nakakaapekto sa proseso ng pag-aaral: pagkakaiba sa wika, guni-guni, at sobrang pag-asa.
Mga Pagkakaiba sa Pagganap sa Mga Panrehiyong Wika
Ipinag-uutos ng DO 3 ang pag-iwas sa diskriminasyon sa mga output na binuo ng AI. Gayunpaman, ang mga frontier GenAI na modelo ay mga probabilistikong larawan ng kanilang mga dataset ng pagsasanay. Halos limang porsyento lamang ng mundo ang nagsasalita ng Ingles sa bahay, ngunit 63.7% ng online na teksto ay nasa Ingles. Kaya, ang karamihan sa mga modelong sinanay sa pamamahaging iyon ay hindi gumaganap sa mga di-Ingles na prompt. An Araling Panlipunan guro na nag-udyok sa isang GenAI sa Waray, Bisaya, o Bicolano samakatuwid ay nakikipag-ugnayan sa isang probabilistically weaker na bersyon. Higit pa rito, kung ang isang frontier chatbot ay gumawa ng mga dokumentadong kamalian at bias kahit na sa English noong 2024 (Insidente #645), ang paghina ng pagganap nito sa mga panrehiyong wika sa Pilipinas ay malamang na mas matalas at higit na hindi nakikita ng gumagamit.
Confabulation at localized na mga gaps sa kaalaman
Ang GenAI ay may istrukturang gumagawa ng mga confabulasyon—kumpiyansang nagpahayag ng maling nilalaman. Dahil ang karamihan sa data ng pagsasanay sa frontier AI ay nakasentro sa Kanluran, ang mga katanungan tungkol sa kasaysayan ng Pilipinas, mga lokal na katotohanan, o mga katutubong salaysay ay nahaharap sa mas mataas na pagkamaramdamin sa guni-guni dahil sa mga agwat ng kaalaman sa “cultural corpora” ng mga dataset ng pagsasanay.
Ang mga pandaigdigang talaan ay nagpapahiwatig ng sukat ng blind spot. Ang MIT AI Incident Tracker nag-log ng 186 na insidente na may kaugnayan sa mga AI system na “hindi sinasadyang bumubuo o nagkakalat ng hindi tama o mapanlinlang na impormasyon.” Noong 2024, nagsumite ang mga estudyante sa high school ng Massachusetts ng mga sanaysay sa Kasaysayan ng US na binuo ng AI na Advanced Placement (AP) na nagbabanggit ng mga hindi umiiral na aklat (Insidente #843). Noong 2024 din, ginamit ng Komisyoner ng Edukasyon ng Alaska ang GenAI upang bumalangkas ng patakaran sa cellphone ng paaralan na umabot sa Lupon ng estado na may mga gawa-gawang pagsipi (Insidente #915). Kung ang isang mag-aaral sa antas ng AP at komisyoner ng edukasyon ay parehong nakaligtaan ang gawa-gawang impormasyon, ang pag-asang mahuli sila ng mga mag-aaral at tagapagturo ng pangunahing edukasyon nang walang mga istrukturang mekanismo ay naglalantad sa kanila sa mismong panganib na iyon.
Pangmatagalang pagkasira ng proseso ng kaalaman
Kapag labis ang tiwala ng mga user sa AI, maaari itong magresulta sa pagkiling ng automation at pagguho ng kritikal na pag-iisip. Iniulat ng ASEAN Foundation na humigit-kumulang tatlo sa apat na estudyante at dalawa sa limang guro sa rehiyon ang gumagamit ng GenAI para sa kanilang sariling mga gawain sa pagsusulat. Ang edukasyon ay isang pangunahing lugar ng panganib na ito dahil ang sobrang pag-asa ay maaaring maging partikular na “mapanganib” kapag ang mga mag-aaral o guro ay “maaaring kulang sa nauugnay na kadalubhasaan upang masusing suriin ang mga tugon ng (AI).”
Ito ay nagpapakilala sa panganib ng cognitive automation, na pinagsasama ng isa pang GenAI phenomenon na kilala bilang pagkasindak—kapag nambobola ng modelo ang mga user sa pamamagitan ng muling pagkumpirma sa kanilang mga paniniwala at maling paniniwala. Kapag ang isang AI system ay gumagana nang mas mabilis kaysa sa sariling pag-iisip ng isang mag-aaral at bihirang hamunin ang mga maling kuru-kuro, ang kadalian ng automation ay pumapalit sa pag-unlad na pakikibaka na kinakailangan upang bumuo ng aktwal na akademikong kasanayan.
Ang Pilipinas ay may hawak na institusyonal na pagkilos sa pag-access sa paaralan, pampublikong pagkuha, at mga kontrol sa antas ng system. Upang bumuo ng maipapatupad na pamamahala, ang mga regulasyon ay dapat lumipat mula sa nakahiwalay na pangangasiwa sa silid-aralan patungo sa sentralisadong epistemic auditing ecosystem na may isang independiyenteng auditing body. Ginagamit na ng DO 3 ang dalawa sa anim Mga Kontrol sa Proseso ng Operasyon sa MIT AI Risk Mitigation Taxonomy: Pamamahala ng Datasa pamamagitan ng PIA at DMA, at Pamamahala ng Accesssa pamamagitan ng mga klasipikasyon ng panganib. Ang National AI Strategy Roadmap 2.0 ng bansa ay tumuturo na sa direksyong ito, na nakatuon sa isang “sistema para sa mga auditor at produkto ng AI.”
Makukumpleto ng DepEd ang control ecosystem sa pamamagitan ng pagbuo ng natitirang apat na kontrol—Pagsubok at Pag-audit, Sted Deployment, Pagsubaybay sa Post-Deploymentat Pagtugon sa Insidente at Pagbawi—sa mga inilatag na pundasyon.
Epistemic Impact Controls
Inaatasan na ng DO 3 na ang mga vendor ay magsumite ng “mga model card, mga ulat sa pagsubok sa kaligtasan (hal., bias, toxicity, hallucination rate), (at) content provenance solutions.” Maaaring kapaki-pakinabang na idagdag ng DepEd ang espesipikasyon na dapat i-benchmark ang mga ulat sa pagsusuring pangkaligtasan para sa konteksto ng Pilipinas.
Isang standardized Epistemic Impact Assessment (EIA) ang magbibigay ng detalyeng iyon. Batay sa tatlong mga panganib pagkatapos ng pag-deploy na tinukoy sa itaas, at sa mga likas na pag-uugali ng modelo, partikular para sa mga tool ng GenAI, kakailanganin ng EIA na idokumento ng mga ulat sa pagsubok sa kaligtasan ang:
- Paghahambing ng pagganap sa pagitan ng Ingles at mga pangunahing panrehiyong wika;
- Pagganap sa kasaysayan ng Pilipinas, civic data, at lokal na realidad; at
- Ang paglaban ng modelo sa sycophancy, at ang mga pananggalang nito laban sa cognitive automation.
Kung ang isang AI developer ay napipilitang gumawa ng mga naturang ulat, ang parehong mga item ay maaaring isulong bilang isang agenda ng pananaliksik na pinangungunahan ng Department. Ang isang komplementaryong itinanghal na kinakailangan sa pag-deploy ay magbibigay-daan sa patuloy na pagpapatunay sa kaligtasan habang lumalawak ang pag-access o kakayahan ng isang tool, na tinatrato ang mga makabuluhang update sa modelo bilang mga bagong deployment, natural na pagpapares sa mga kasalukuyang estado ng lifecycle ng Registry.
Dynamic na AI registry monitoring
Itinatala ng DepEd AI Registry ang AI lifecycle status. Itinalaga ito ng DO 3 bilang “opisyal na sanggunian para sa pagsubaybay, pagsusuri, at transparency.” Upang mapagtanto ito, ang Registry ay dapat na umunlad sa isang aktibong rekord ng pagganap, pinalawak upang isama ang data ng pagsubok sa kaligtasan at mga pagkabigo na naka-log sa aktwal na paggamit sa silid-aralan. Kung ang pagsubaybay ay nagpapakita ng tool na lampas sa katanggap-tanggap na localized na mga rate ng pagkabigo, ang paglipat ng status nito mula sa “Aktibo” patungo sa “Retired” ay dapat na bawiin ang access nito sa buong network ng pampublikong paaralan.
Isang sistema ng pag-uulat ng insidente
Bagama’t tahasang hinihiling ng DO 3 ang pag-uulat ng insidente ng AI, dapat na agad na magtatag ang DepEd ng magaan, standardized na daloy ng trabaho para sa mga silid-aralan upang i-flag ang mga pagkabigo sa AI—mga guni-guni, confabulasyon, o sycophancy. Dagdag pa rito ay isang simpleng “digital incident form” na madaling ma-access ng mga guro at estudyante. Halimbawa, kapag ang isang tagapagturo ay nakatagpo ng isang kabiguan, tulad ng isang gawa-gawang account ng 1986 People Power Revolution, ang isang structured na channel sa pag-uulat ay dapat isulong ang kaso sa kumokontrol na katawan sa halip na mag-iwan ng mga pagwawasto sa isang silid-aralan. Ang mga kumpirmadong insidente ay nagpapakain sa Registry at nagpapalitaw ng suspensyon sa buong network kapag hiniling.
Bukod pa rito, ang mga alituntunin sa hinaharap ay dapat manatiling sapat na kakayahang umangkop upang magpatibay ng mga automated na algorithm ng pag-detect ng pagkabigo, at i-benchmark ang mga ito laban sa mga dataset ng Pilipinas, habang lumalaki ang mga ito. Mahalaga, ang pagbawi ay dapat ding maging pedagogical: sa pamamagitan ng pagsubaybay sa mga insidenteng ito sa gitnang bahagi, ang DepEd ay maaaring mag-isyu ng naka-target, corrective na patnubay sa mga apektadong paaralan kapag ang mga mag-aaral ay nakakuha na ng kamalian.
Bagama’t maaaring turuan ng AGAP.AI ang mga mag-aaral at tagapagturo kung paano kritikal na suriin ang mga output ng AI, tinitiyak ng mga iminungkahing kontrol sa pamamahala na sinusuri nila ang mga output ng AI sa isang aktibong kapaligiran. Sa pamamagitan ng paghingi ng pananagutan sa vendor na partikular sa konteksto sa punto ng pagkuha at mga dinamikong sistema ng pamamahala, matitiyak ng DepEd na ang pananggalang na “human-in-the-loop” na nakikita ng DO 3 ay gumagana sa loob ng isang ligtas at ligtas na AI ecosystem.
Ang etikal na pagsasama ng AI ay isang tuluy-tuloy na kasanayan sa supply chain. Sa pamamagitan ng mga proactive na kontrol sa pamamahala ng AI, mabisang mapamahalaan ng mga policymakers ang probabilistic reality ng GenAI. Ang pamamahala sa kung paano tinatanggap, tinatasa, at pinapanagot ang mga output ng AI ay ang tunay na hawak ng Pilipinas—at binibigyan na tayo ng DO 3 ng hawakan. Ang tanong ay kung hinihila ba natin ito bago, o pagkatapos lamang na pumasok ang unang Pilipinong estudyante sa incident tracker.
