数据安全与分级
适用对象：通用 ｜ 状态：✅ 已完成（建议性规范，待学校政策对齐）｜ 更新于：2026-06-01
先懂一件事：发给 AI 看 = 上云
Section titled “先懂一件事：发给 AI 看 = 上云”你的 Claude Code / Codex 背后连的是 DeepSeek 云端。
- 你直接发给 AI 看的内容（贴进去的文字、让它”读”的文件、附上的表格）——会上传到云端服务器。
- 你只让 AI 写代码、自己在本机运行——这段代码处理的真实数据不出本机，AI 全程没看到。
整个数据安全的核心，就是分清这两件事。
把手头的材料对号入座，再决定怎么处理。
| 级别 | 典型例子 | 能否给云端 AI 看 | 怎么用 |
|---|---|---|---|
| 公开 | 已发表论文、公开教材、官网公告、公开统计年鉴 | ✅ 可以 | 直接贴给 AI 读、总结、提炼。仍需核实 AI 转述是否准确。 |
| 内部 | 课程大纲、教学 PPT、未公开但不敏感的工作材料、已脱敏的汇总数据 | ⚠️ 谨慎 | 不含个人隐私、不涉密的可以给；拿不准的先去标识、只给必要片段。 |
| 敏感 | 学生信息 / 成绩 / 名单、问卷原始作答、未发表的论文与数据、访谈原始记录 | ❌ 不直接上云 | 走「AI 写代码、本地跑」，或彻底脱敏（去掉姓名学号等）后再考虑。 |
| 涉密 | 基金申请书（本子）、评审意见、保密协议下的数据、涉及国家 / 商业秘密的材料 | 🚫 绝不上云 | 不放进任何联网 AI。以学校保密规定为准，必要时完全离线处理。 |
核心模式：🔒 AI 写代码、数据本地跑
Section titled “核心模式：🔒 AI 写代码、数据本地跑”这是经管师生最该掌握的一招：让 AI 只看”数据长什么样”（列名、结构、规则），不看”数据是什么”（真实的每一行）。 AI 产出代码，你在自己电脑上对真实数据运行。
一个经管例子：问卷数据算信度
Section titled “一个经管例子：问卷数据算信度”假设你有一份问卷的原始作答（每一行是一个学生的真实回答），想算各维度的 Cronbach’s α。
❌ 错误做法（数据上云）：
“这是我的问卷数据（附上整张表），帮我算信度。”
这样整张真实作答都传到了云端。
✅ 正确做法（AI 只看列名）：
“我有一份问卷数据，列名是 A1–A20、性别、年龄、年级。量表有 4 个维度，每维 5 题（A1–A5、A6–A10、A11–A15、A16–A20），反向题是 A5、A12。帮我写一段 Python 代码算各维度的 Cronbach’s α，读取本地的
survey.csv。”
AI 给你一段代码，你在自己电脑上运行它——跑的是真实数据，但 AI 全程只看到了列名和规则，没看到任何一行真实作答。
给 AI 看之前，先脱敏
Section titled “给 AI 看之前，先脱敏”如果确实需要 AI 直接处理数据（而不只是写代码），先把能识别到个人的信息去掉：
- 去掉姓名、学号、身份证号、手机号、邮箱、具体住址。
- 把能间接定位到个人的字段做处理（如把出生日期改成年龄段、把具体班级改成编号）。
- 自由文本（如开放题回答、访谈片段）里夹带的人名、单位名一并清理。
脱敏后仍属敏感的，回到「AI 写代码、本地跑」。
- 材料是公开的 → 可以直接给 AI。
- 材料内部但不敏感 → 谨慎给，只给必要部分。
- 材料含个人隐私 / 未发表 / 涉密 → 不直接上云，走「AI 写代码、本地跑」或彻底脱敏。
- 分不清 → 按更严一级处理，或问院系 / 科研管理部门。