ΕΠΙΣΚΟΠΗΣΗ ΠΡΟΓΡΑΜΜΑΤΟΣ
Στο στόχο μας να δημιουργήσουμε ένα πρόγραμμα Human-Centred AI Master’s, η Κοινοπραξία HCAIM ακολουθεί τον ορισμό της AI HLEG: «Η ανθρωποκεντρική προσέγγιση της ΤΝ προσπαθεί να διασφαλίσει ότι οι ανθρώπινες αξίες έχουν κεντρική σημασία για τον τρόπο με τον οποίο αναπτύσσονται, αναπτύσσονται, χρησιμοποιούνται και παρακολουθούνται τα συστήματα ΤΝ, διασφαλίζοντας τον σεβασμό των θεμελιωδών δικαιωμάτων.»
Για να ανταποκριθεί στις απαιτήσεις αυτού του ορισμού, το πρόγραμμα καλύπτει τα τεχνικά, δεοντολογικά και πρακτικά στοιχεία της τεχνητής νοημοσύνης. Έχουμε σχεδιάσει το περιεχόμενό μας γύρω από τις τρεις φάσεις του κύκλου ζωής των MLOps — ανάπτυξη, εγκατάσταση και συντήρηση μοντέλων μηχανικής μάθησης, δημιουργώντας έτσι τρεις βασικές ενότητες σε ευθυγράμμιση με τις προαναφερθείσες φάσεις ML-Ops: Μοντελοποίηση (Ενότητα Α), Ανάπτυξη (Ενότητα Β) και Αξιολόγηση (Ενότητα Γ). Έχουμε προσθέσει μια τέταρτη ενότητα (Δ) Αποφοίτηση, για να επιτρέψει στους μαθητές να αποδείξουν ότι μπορούν να λύσουν ανεξάρτητα τις προκλήσεις που προτείνονται από τη βιομηχανία με βάση τις τρέχουσες ανάγκες και απαιτήσεις που σχετίζονται με τον τομέα της ανθρωποκεντρικής τεχνητής νοημοσύνης.
Αυτό απεικονίζεται στον παρακάτω πίνακα.
Ενότητα Α | Ενότητα Β | Ενότητα Γ | Ενότητα Δ | |
Τεχνικός |
Τα θεμέλια της τεχνητής νοημοσύνης |
Προηγμένο AI: Βαθιά Μάθηση |
Μελλοντικη ΑΙ |
Μεταπτυχιακό Πρόγραμμα Διατριβής |
Πρακτικός | Μοντελοποίηση AI | ΤΝ σε δράση: ΟΡΓΑΝΩΣΗ ΤΝ |
Κοινωνικά Υπεύθυνη ΤΝ | |
Ηθικά | Βασικές αρχές ηθικής | Αξιόπιστη AI | Συμμόρφωση, Νομιμότητα & Ανθρωπότητα |
Αυτή η σελίδα περιέχει τη σύντομη περιγραφή των ενοτήτων που ορίζονται στο Κέντρο Ανθρώπινης Τεχνητής Νοημοσύνης Master. Όλα τα μαθησιακά γεγονότα, συμπεριλαμβανομένου του συνοδευτικού υλικού μελέτης, είναι διαθέσιμα στην ιστοσελίδα της HCAIM του Wikiwijs.
Οι περιγραφές των μαθησιακών εκδηλώσεων μεταφράστηκαν και στις 24 επίσημες γλώσσες της ΕΕ με τη χρήση του εργαλείου eTranslation της Ευρωπαϊκής Ένωσης και είναι διαθέσιμες από τους καταλόγους που έχουν αποδοθεί στις γλώσσες. Σημειώστε ότι οι μεταφράσεις δεν εξετάζονται από κανέναν καθηγητή.
Όλα τα υλικά είναι διαθέσιμα υπό άδεια Creative Commons Attribution-NonCommercial-NoDerivates 4.0 (CC BY-NC-ND 4.0)
Μοντελοποίηση (Ενότητα Α)
Η πρώτη ενότητα, δηλαδή η μοντελοποίηση (ενότητα Α), επικεντρώνεται στην πρώτη φάση του κύκλου ζωής των MLOps και σχετίζεται με το χαμηλότερο επίπεδο ωριμότητας της εφαρμογής της μηχανικής μάθησης (ML) σε οργανισμούς: δεδομένα μοντελοποίησης. Περιλαμβάνει τις δραστηριότητες που αποτελούν τη βάση της εφαρμογής του ML, όπως η εξαγωγή δεδομένων, η ανάλυση δεδομένων, η προετοιμασία δεδομένων, η κατάρτιση μοντέλων και (κυρίως το εγχειρίδιο) επικύρωση και αξιολόγηση μοντέλων.
Σε αυτό το στάδιο, δίνεται έμφαση στην ορθή ανάλυση και μοντελοποίηση των δεδομένων για την επίτευξη των επιχειρηματικών στόχων και ελάχιστη χρήση της αυτοματοποίησης (π.χ. CI/CD), η οποία προστίθεται μόνο στη δεύτερη φάση των MLOps (Ανάπτυξη — Ενότητα Β). Οι δραστηριότητες μοντελοποίησης συχνά χαρακτηρίζονται από τη χειροκίνητη, καθοδηγούμενη από σενάριο και διαδραστική μέθοδο με την οποία πραγματοποιείται η ανάλυση δεδομένων, η προετοιμασία, η κατάρτιση μοντέλων και η επικύρωση. Για να διατηρηθεί μια επισκόπηση των διαφορετικών μοντέλων, παραμέτρων και επιλογών που πειραματίζονται, χρησιμοποιείται η παρακολούθηση πειραμάτων.
Από δεοντολογικής πλευράς, είναι σημαντικό κατά τη φάση της μοντελοποίησης να αφιερώνεται επαρκής χρόνος και προσοχή στην εξεύρεση των στόχων του πελάτη, στη χαρτογράφηση των ενδιαφερόμενων μερών και στη διερεύνηση του τρόπου με τον οποίο επηρεάζονται οι επιμέρους αξίες αυτών των ενδιαφερόμενων μερών (και αναγνωρίζοντας πιθανές συγκρούσεις μεταξύ τους). Πτυχές όπως η διαφάνεια, η ένταξη, η ασφάλεια και η προστασία της ιδιωτικής ζωής έχουν μεγάλη σημασία σε αυτό. Φυσικά, πρέπει επίσης να δοθεί προσοχή στην κοινωνική και ηθική επιθυμία των στόχων του πελάτη. Επιπλέον, είναι σημαντικό να έχουμε (έγκαιρη) επίγνωση των πιθανών προκαταλήψεων/προκατάληψης στα διαθέσιμα δεδομένα, να αναγνωρίσουμε τις πιθανές συνέπειες αυτών των προκαταλήψεων και να βρούμε τρόπους μετριασμού για την αντιμετώπιση αυτών των προκαταλήψεων.
Μαθησιακά αποτελέσματα
- Ο φοιτητής αξιολογεί διάφορες τεχνικές ML για να κάνει μια καλά τεκμηριωμένη επιλογή, ταιριάζοντας με τις αποκτηθείσες απαιτήσεις του πελάτη και εφαρμόζοντας ένα πρωτότυπο της επιλεγμένης τεχνικής ML για να συμβουλεύσει για την επίλυση ενός δεδομένου προβλήματος μοντελοποίησης δεδομένων.
- Μαθησιακό αποτέλεσμα 1
- Ο φοιτητής υποστηρίζει, χρησιμοποιώντας θεμελιώδη ηθικά πλαίσια, πώς μπορούν να επιλυθούν ηθικά διλήμματα και αξιολογεί τις πιθανές συνέπειες των υφιστάμενων προκαταλήψεων στα δεδομένα και την επίδραση των σχεδιασμένων μέτρων μετριασμού για την αντιμετώπιση των συνεπειών αυτών των προκαταλήψεων.
- Μαθησιακό αποτέλεσμα 2
- Ο φοιτητής εφαρμόζει ποσοτικές και ποιοτικές μεθόδους έρευνας για να τεκμηριώσει επιστημονικά τις επιλογές του κατά τη διάρκεια της ηθικής εξέτασης και της κατασκευής του πρωτοτύπου.
- Μαθησιακό αποτέλεσμα 3
Ανάπτυξη (ενότητα Β)
Η ενότητα Ανάπτυξη (ενότητα Β) επικεντρώνεται στη δεύτερη φάση του κύκλου ανάπτυξης MLOps· η ανάπτυξη. Μετά τη φάση διερεύνησης δεδομένων της μοντελοποίησης (βλέπε Ενότητα Α — Μοντελοποίηση), έρχεται η ενσωμάτωση της λύσης ML στα επιχειρηματικά συστήματα. Είναι πλέον σημαντικό να αρχίσουμε να σκεφτόμαστε την αρχιτεκτονική ML και πώς λειτουργεί μαζί με τα υπάρχοντα συστήματα (κληρονομιά). Για να αποκομιστούν πραγματικά οφέλη από τις αυτοματοποιημένες λύσεις ML, πρέπει να εισαχθούν αγωγοί· αφενός, να είναι σε θέση να ασχοληθεί με τις συνεχείς και ζωντανές προμήθειες δεδομένων (επεξεργασία ροής) και, αφετέρου, να συνδέσει τα αποτελέσματα του μοντέλου ML με άλλα συστήματα.
Επιπλέον, η ενότητα Β ενισχύει την πολυπλοκότητα της τεχνολογίας ΤΝ, προχωρώντας προς (τη χρήση) νευρωνικών δικτύων και βαθιάς μάθησης. Ένα σημαντικό πλεονέκτημα αυτών των πιο σύνθετων μοντέλων είναι ότι είναι πιο ευέλικτα και ευέλικτα από τις τεχνικές που εισάγονται στην ενότητα Α — Μοντελοποίηση. Ωστόσο, τα σημαντικά μειονεκτήματα αυτών των τεχνικών είναι ότι είναι πιο σύνθετες (να κατανοήσουν και να διαμορφώσουν) και αδιαφανείς. Εκεί βρίσκεται ένα σημαντικό ηθικό δίλημμα στη χρήση (προηγμένων) τεχνικών τεχνητής νοημοσύνης: πώς μπορείτε ακόμα να καταλάβετε τι υπολογίζει η λύση ΤΝ και αν αυτό γίνεται με τον σωστό τρόπο. Η αύξηση της διαφάνειας της ανάπτυξης λύσεων ΤΝ και η δυνατότητα προσδιορισμού των πιθανών κινδύνων και μετριασμού αυτών των κινδύνων αποτελούν σημαντικά (κοινωνικά) θέματα στην παρούσα ενότητα.
Μαθησιακά αποτελέσματα
- Ο φοιτητής αξιολογεί τις πιθανές επιλογές για την ενσωμάτωση μιας προηγμένης τεχνικής τεχνητής νοημοσύνης, όπως η βαθιά και/ή μάθηση ενίσχυσης, και συντάσσει μια μονοσέλιδη έκθεση βασισμένη σε ένα πρωτότυπο που έχει αναπτυχθεί λαμβάνοντας υπόψη τους περιορισμούς και τις επιρροές στα υπάρχοντα συστήματα ΤΠΕ και τις εγκαταστάσεις δεδομένων του πελάτη, τα οποία έχουν αποκτηθεί σε συνεργασία, για παράδειγμα, με αρχιτέκτονες ΤΠΕ ή προγραμματιστές.
- Μαθησιακό αποτέλεσμα 1
- Ο σπουδαστής αξιολογεί τον πιθανό κίνδυνο και εξετάζει τον βαθμό διαφάνειας (συμπεριλαμβανομένης της ερμηνευσιμότητας, της αναπαραγωγιμότητας και της εξηγησιμότητας) μιας επιλεγμένης εφαρμογής ΤΝ/ΜΛ και σχεδιάζει λύσεις με τη χρήση τεχνικών που αυξάνουν τη διορατικότητα και τη διαφάνεια μεταξύ των ενδιαφερόμενων μερών (οι λεγόμενες Επεξηγητέες τεχνικές ΤΝ (XAI)) για την αντιμετώπιση των ελλείψεων σε αυτό το πλαίσιο σε σύγκριση με τις κοινωνικές απαιτήσεις και τις απαιτήσεις που αφορούν τον πελάτη.
- Μαθησιακό αποτέλεσμα 2
- Ο φοιτητής διατυπώνει ένα ερευνητικό σχέδιο για ένα επιστημονικά υγιές (πρακτικό-προσανατολισμένο) ερευνητικό έργο που σχετίζεται με μια περίπτωση εταιρείας, διατυπώνοντας ένα σχετικό, συνεπές, λειτουργικό ερευνητικό ερώτημα, λαμβάνοντας υπόψη τις μεθόδους εφαρμοσμένης έρευνας που πρέπει να χρησιμοποιηθούν και καθιερώνοντας ένα ακριβές, σχετικό και κριτικό θεωρητικό πλαίσιο.
- Μαθησιακό αποτέλεσμα 3
Αξιολόγηση (ενότητα Γ)
Η ενότητα αξιολόγησης (ενότητα Γ) επικεντρώνεται στις πτυχές της αξιολόγησης της ανάπτυξης της ΤΝ, συμπεριλαμβανομένων τόσο των κοινωνικών πτυχών ενός προϊόντος ΤΝ, όσο και της ανάπτυξης εκτίμησης των πιθανών μελλοντικών κατευθύνσεων που μπορεί να λάβει η ΤΝ, εξετάζοντας τις τεχνολογικές τάσεις· κοινωνικά υπεύθυνη ΤΝ· συμμόρφωση, καθώς και διασφάλιση ότι το ανθρώπινο στοιχείο είναι πάντα παρόν στον σχεδιασμό, την ανάπτυξη και την αξιολόγηση των συστημάτων τεχνητής νοημοσύνης.
Στο πλαίσιο του μέλλοντος της ΤΝ, συζητείται η διερεύνηση του επιπέδου υιοθέτησης της ΤΝ σε διάφορους κλάδους, καθώς και ο τρόπος προσαρμογής της ΤΝ σε διαφορετικούς τομείς. Η εξέταση της κοινωνικά υπεύθυνης τεχνητής νοημοσύνης περιλαμβάνει τον τρόπο με τον οποίο η ΤΝ επηρεάζει τα άτομα και τις διαφορετικές ομάδες στην κοινωνία. Και ως κρίσιμο μέρος της ενότητας, δίνεται έμφαση στους νόμους, τις πολιτικές και τους κώδικες δεοντολογίας που σχετίζονται με την ΤΝ (με έμφαση σε ζητήματα όπως η εξηγησιμότητα και η εμπιστοσύνη), καθώς και οι διαδικασίες ποιοτικού ελέγχου και διαχείρισης της ποιότητας, για την αξιολόγηση των αποτελεσμάτων των πρωτοβουλιών ΤΝ.
Μαθησιακά αποτελέσματα
- Ο φοιτητής αναπτύσσει μια εκτίμηση των προσεγγίσεων αιχμής της τεχνητής νοημοσύνης και της μηχανικής μάθησης, καθώς και την κατανόηση του τρόπου με τον οποίο η τεχνητή νοημοσύνη χρησιμοποιείται σε διαφορετικούς τομείς και πώς να αξιολογήσει τις πιθανές κατευθύνσεις που η τεχνητή νοημοσύνη μπορεί να πάει στο μέλλον.
- Μαθησιακό αποτέλεσμα 1
- Ο φοιτητής παρουσιάζει μια σαφώς καθορισμένη προσέγγιση στη σάρωση των συνεπειών, λαμβάνοντας υπόψη ζητήματα όπως η αξιολόγηση του δυνητικού αντίκτυπου που θα μπορούσε να έχει η νέα τεχνολογία στα άτομα και την κοινωνία, εστιάζοντας ειδικά στις μειονότητες και τις περιθωριοποιημένες ομάδες, καθώς και τις πιθανές περιβαλλοντικές επιπτώσεις.
- Μαθησιακό αποτέλεσμα 2
- Ο φοιτητής αποδεικνύει την ικανότητα να χρησιμοποιεί μια πλήρως αρθρωμένη ερευνητική μεθοδολογία με ηθική ενσωματωμένη σε όλα τα στάδια, με επίγνωση του συμφραζόμενου χαρακτήρα των συγκεκριμένων προσεγγίσεων που θα πρέπει να χρησιμοποιηθούν και οι οποίες θα ενημερωθούν από τις περιπτωσιολογικές μελέτες που καλύπτονται σε αυτή την ενότητα.
- Μαθησιακό αποτέλεσμα 3
Αποφοίτηση (Ενότητα Δ)
Η ενότητα αποφοίτησης (ενότητα Δ) αντικατοπτρίζει τη βασική αρχή του προγράμματος HCAIM που βασίζεται στην έννοια της μάθησης βάσει έργων (PBL). Ο στόχος αυτής της ενότητας είναι να τοποθετήσει το έργο αποφοίτησης (κάνοντας ένα επαγγελματικό προϊόν) κεντρικά στην πορεία μάθησης του μαθητή. Στο πλαίσιο του προγράμματος αποφοίτησής τους (η μεταπτυχιακή διατριβή), οι μαθητές δείχνουν ότι μπορούν να λύσουν ανεξάρτητα τις προκλήσεις που προτείνονται από τη βιομηχανία με βάση τις τρέχουσες ανάγκες και απαιτήσεις, λαμβάνοντας υπόψη τόσο τις τεχνικές όσο και τις δεοντολογικές πτυχές του συγκεκριμένου ζητήματος.
Κάθε διατριβή θεωρείται τοπικά, με έναν εσωτερικό επόπτη (καθηγητή από το Πανεπιστήμιο στο οποίο ο φοιτητής επιδιώκει το πτυχίο) και έναν εξωτερικό επόπτη που ανήκει στο κόμμα που προτείνει τη διατριβή (εάν υπάρχει). Η τελευταία αυτή πτυχή, παρά το γεγονός ότι δεν είναι υποχρεωτική, επιδιώκεται αυστηρά. Το προτείνον κόμμα μπορεί να είναι ΜΜΕ, Κέντρο Αριστείας ή άλλο Πανεπιστήμιο, τόσο σε εθνικό όσο και σε διεθνές επίπεδο. Τα προτείνοντα κόμματα αναμένεται να παράσχουν τόσο εθνική όσο και διεθνή διατριβή (π.χ. διατριβή που διοργανώνεται με Πανεπιστήμιο από την ίδια χώρα ή από αλλοδαπό).
Μαθησιακά αποτελέσματα
- Ο φοιτητής αναγνωρίζει και αντανακλά τον κύκλο ζωής της τεχνητής νοημοσύνης σε ένα ρεαλιστικό, πληροφορημένο από τη βιομηχανία πλαίσιο, και σε διαφορετικές τοποθεσίες, σενάρια και περιπτώσεις χρήσης.
- Μαθησιακό αποτέλεσμα 1
- Ο φοιτητής επιδεικνύει μια ισχυρή και έγκυρη ερευνητική στάση μέσω ενός έργου με μια σαφώς καθορισμένη διεπιστημονική προσέγγιση που παράγει σχετικές με τη βιομηχανία και τεχνολογικά κατάλληλες λύσεις, αξιολογώντας παράλληλα τον πιθανό αντίκτυπο του έργου τους στα άτομα και την κοινωνία.
- Μαθησιακό αποτέλεσμα 2
- Ο φοιτητής επιδεικνύει μια επαγγελματική στάση όσον αφορά την επικοινωνία με τα σχετικά ενδιαφερόμενα μέρη (π.χ., μέντορες, συμβούλους, συνομηλίκους και πελάτες), μια αναλυτική στάση, το ήθος της εργασίας, την ικανότητα σχεδιασμού, την προ-δραστηριότητα και την αυτογνωσία.
- Μαθησιακό αποτέλεσμα 3
Κατευθυντήριες γραμμές για τη Διατριβή
Οδηγίες Προτάσεων Διατριβής HCAIM
Αυτές οι κατευθυντήριες γραμμές αποσκοπούν στην υποστήριξη των κομμάτων που προτίθενται να προτείνουν μια νέα διατριβή.
Πρότυπο διατριβής HCAIM
Δείτε το πρότυπο διατριβής HCAIM εδώ.
Δεοντολογικές κατευθυντήριες γραμμές για τις θέσεις HCAIM
Λογοκλοπή, επεξεργασία δεδομένων και χειραγώγηση εικόνας
Η λογοκλοπή δεν είναι αποδεκτή. Η λογοκλοπή περιλαμβάνει την αντιγραφή κειμένου, ιδεών, εικόνων ή δεδομένων από άλλη πηγή, συμπεριλαμβανομένων των δικών σας δημοσιεύσεων, χωρίς να δίνετε πίστωση στην αρχική πηγή.
Η επαναχρησιμοποίηση κειμένου που αντιγράφεται από άλλη πηγή πρέπει να είναι μεταξύ εισαγωγικών και πρέπει να αναφέρεται η αρχική πηγή. Εάν προηγούμενες μελέτες έχουν εμπνεύσει το σχεδιασμό μιας μελέτης ή τη δομή ή τη γλώσσα του χειρόγραφου, αυτές οι μελέτες πρέπει να αναφέρονται ρητά.
Τααρχεία εικόνας δεν πρέπει να παραποιούνται ή να προσαρμόζονται με οποιονδήποτε τρόπο που θα μπορούσε να οδηγήσει σε παρερμηνεία των πληροφοριών που παρέχονται από την αρχική εικόνα. Ο ακανόνιστος χειρισμός περιλαμβάνει 1) εισαγωγή, βελτίωση, μετακίνηση ή αφαίρεση χαρακτηριστικών από την αρχική εικόνα, 2) ομαδοποίηση εικόνων που θα πρέπει να παρουσιάζονται ξεχωριστά ή 3) τροποποίηση της αντίθεσης, της φωτεινότητας ή της ισορροπίας των χρωμάτων για να αποκρύπτει, να εξαλείφει ή να ενισχύει ορισμένες πληροφορίες.
Τα αποτελέσματα που παρουσιάζονται δεν πρέπει να είναι ακατάλληλα επιλεγμένα, χειραγωγημένα, ενισχυμένα ή κατασκευασμένα. Αυτό περιλαμβάνει 1) τον αποκλεισμό των σημείων δεδομένων για την ενίσχυση της σημασίας των συμπερασμάτων, 2) την κατασκευή δεδομένων, 3) την επιλογή των αποτελεσμάτων που υποστηρίζουν ένα συγκεκριμένο συμπέρασμα εις βάρος των αντιφατικών δεδομένων, 4) τη σκόπιμη επιλογή εργαλείων ή μεθόδων ανάλυσης για την υποστήριξη ενός συγκεκριμένου συμπεράσματος (συμπεριλαμβανομένου του p-hacking).
Έρευνα που περιλαμβάνει ανθρώπινα υποκείμενα, ζώα ή φυτά
Κατά την υποβολή εκθέσεων σχετικά με έρευνες που αφορούν ανθρώπινα υποκείμενα, ανθρώπινο υλικό, ανθρώπινους ιστούς ή ανθρώπινα δεδομένα, το προτείνον μέρος πρέπει να διασφαλίζει ότι οι έρευνες πραγματοποιήθηκαν σύμφωνα με τους κανόνες της Διακήρυξης του Ελσίνκι του 1975, η οποία αναθεωρήθηκε το 2013. Οποιαδήποτε συνέπεια που σχετίζεται με την παραβίαση αυτής της πτυχής θα καταλογιστεί εξ ολοκλήρου στο προτείνον κόμμα και ούτε στην κοινοπραξία HCAIM ούτε στον σπουδαστή.
Οι διατριβές, που εργάζονται με κυτταρικές γραμμές θα πρέπει να αναφέρουν την προέλευση οποιωνδήποτε κυτταρικών σειρών. Για τις καθιερωμένες κυτταρικές σειρές, θα πρέπει να αναφέρεται η προέλευση και πρέπει επίσης να δίδονται αναφορές σε δημοσιευμένο χαρτί ή σε εμπορική πηγή. Εάν χρησιμοποιήθηκαν προηγουμένως αδημοσίευτες σειρές κυττάρων de novo, συμπεριλαμβανομένων εκείνων που προμήθευσαν από άλλο εργαστήριο, πρέπει να δοθούν λεπτομέρειες σχετικά με την έγκριση του θεσμικού συμβουλίου αναθεώρησης ή της επιτροπής δεοντολογίας και πρέπει να παρέχεται επιβεβαίωση της γραπτής συναίνεσης μετά από ενημέρωση εάν η γραμμή είναι ανθρώπινης προέλευσης.
Όλα τα θέματα που ενδεχομένως προκύπτουν από οποιαδήποτε έρευνα που προκαλεί οποιαδήποτε βλάβη στα ζώα απαγορεύονται. Όλες οι κατευθυντήριες γραμμές που εφαρμόζονται στον άνθρωπο πρέπει να τηρούνται (όπου είναι δυνατόν) και για τα ζώα.
Η πειραματική έρευνα σε φυτά (καλλιεργούμενα ή άγρια), συμπεριλαμβανομένης της συλλογής φυτικού υλικού, πρέπει να συμμορφώνεται με τις θεσμικές, εθνικές ή διεθνείς κατευθυντήριες γραμμές. Συνιστούμε οι θέσεις αυτές να τηρούν τη σύμβαση για τη βιολογική ποικιλότητα και τη σύμβαση για το εμπόριο ειδών άγριας πανίδας και χλωρίδας που απειλούνται με εξαφάνιση.
Φύλο, Εθνότητα, Θρησκεία και άλλες προκαταλήψεις στην έρευνα
Ενθαρρύνεται να ακολουθήσει τις «κατευθυντήριες γραμμές για το φύλο και την ισότητα των φύλων στην έρευνα — SAGER — κατευθυντήριες γραμμές» και να συμπεριλάβει, κατά περίπτωση, ζητήματα φύλου και φύλου. Οι όροι φύλο (βιολογική ιδιότητα) και φύλο (διαμορφωμένοι από κοινωνικές και πολιτιστικές συνθήκες) θα πρέπει να χρησιμοποιούνται προσεκτικά για να αποφευχθεί η σύγχυση και των δύο όρων. Η διατριβή θα πρέπει επίσης να περιγράφει (στο «γενικό») κατά πόσον μπορεί να αναμένονται διαφορές μεταξύ φύλου και/ή φύλου· να αναφέρουν τον τρόπο με τον οποίο ελήφθησαν υπόψη το φύλο και/ή το φύλο κατά τον σχεδιασμό της μελέτης· παρέχει αναλυτικά δεδομένα ανά φύλο και/ή φύλο, κατά περίπτωση· και να συζητήσει τα αντίστοιχα αποτελέσματα. Εάν δεν διενεργήθηκε ανάλυση φύλου ή/και φύλου, το σκεπτικό θα πρέπει να αναφέρεται στη συζήτηση.
Παρόμοιες εκτιμήσεις ισχύουν για όλες τις άλλες μορφές προκατάληψης, συμπεριλαμβανομένης (και όχι περιοριστικά) της εθνικότητας και της θρησκείας. Για τους πρώτους, υπενθυμίζουμε ότι οι άνθρωποι δεν έχουν φυλές, αλλά μόνο εθνικότητα.
Εάν η διατριβή επικεντρώνεται στην προκατάληψη, η λογική πίσω από αυτήν πρέπει να αποσαφηνιστεί από την αρχή.
Σύγκρουση Συμφερόντων
Οι φοιτητές πρέπει να αποφεύγουν να συνάπτουν συμφωνίες με χορηγούς σπουδών, τόσο κερδοσκοπικού όσο και μη κερδοσκοπικού χαρακτήρα, που παρεμποδίζουν την πρόσβαση σε όλα τα δεδομένα της μελέτης ή που παρεμποδίζουν την ικανότητά τους να αναλύουν και να ερμηνεύουν τα δεδομένα και να προετοιμάζουν τη διατριβή ανεξάρτητα πότε και πού επιλέγουν.
Οι μαθητές πρέπει να εντοπίζουν και να δηλώνουν οποιεσδήποτε προσωπικές περιστάσεις ή συμφέροντα που μπορεί να εκληφθούν ως ανάρμοστα επηρεάζοντας την εκπροσώπηση ή την ερμηνεία των αναφερόμενων αποτελεσμάτων της έρευνας. Παραδείγματα δυνητικών συγκρούσεων συμφερόντων περιλαμβάνουν, μεταξύ άλλων, οικονομικά συμφέροντα (όπως η ιδιότητα μέλους, η απασχόληση, τα γραφεία συμβούλων, οι μετοχές/μετοχές ιδιοκτησίας, τιμόνια, επιχορηγήσεις ή άλλη χρηματοδότηση, πληρωμένες μαρτυρίες εμπειρογνωμόνων και ρυθμίσεις αδειοδότησης διπλωμάτων ευρεσιτεχνίας) και μη οικονομικά συμφέροντα (όπως προσωπικές ή επαγγελματικές σχέσεις, σχέσεις, προσωπικές πεποιθήσεις).
Κάθε ρόλος των χορηγών χρηματοδότησης στον σχεδιασμό της μελέτης, στη συλλογή, ανάλυση ή ερμηνεία δεδομένων, στη σύνταξη του χειρόγραφου ή στην απόφαση δημοσίευσης των αποτελεσμάτων πρέπει να δηλώνεται εκ των προτέρων.
Πολιτικές παραπομπών
- Οι μαθητές θα πρέπει να διασφαλίζουν ότι όταν το υλικό λαμβάνεται από άλλες πηγές (συμπεριλαμβανομένης της δικής τους δημοσιευμένης γραφής), η πηγή αναφέρεται σαφώς και, όπου ενδείκνυται, λαμβάνεται άδεια.
- Οι μαθητές δεν πρέπει να συμμετέχουν σε υπερβολική αυτο-παραπομπή της δικής τους εργασίας.
- Οι μαθητές δεν πρέπει να αντιγράφουν αναφορές από άλλες δημοσιεύσεις εάν δεν έχουν διαβάσει το αναφερόμενο έργο.
- Οι μαθητές δεν θα πρέπει να αναφέρουν κατά προτίμηση τις δημοσιεύσεις των δικών τους ή των φίλων τους, των συνομηλίκων τους ή των ιδρυμάτων.
- Οι μαθητές δεν πρέπει να αναφέρουν διαφημίσεις ή διαφημιστικό υλικό.
Δεοντολογικές Κατευθυντήριες Γραμμές για τους Αναθεωρητές
Πιθανή σύγκρουση συμφερόντων
Οι αξιολογητές καλούνται να ενημερώσουν το συμβούλιο του HCAIM σε περίπτωση σύγκρουσης συμφερόντων που ενδέχεται να θίξει την έκθεση ανασκόπησης, είτε με θετικό είτε με αρνητικό τρόπο. Το διοικητικό συμβούλιο ελέγχει όσο το δυνατόν ακριβέστερα προτού προσκαλέσει αξιολογητές· παρ’ όλα αυτά, η συνεργασία των αναθεωρητών σε αυτό το θέμα αναμένεται και εκτιμάται.
Εμπιστευτικότητα και ανωνυμία
Οι αξιολογητές πρέπει να διατηρούν το περιεχόμενο της διατριβής, συμπεριλαμβανομένης της αφηρημένης, εμπιστευτικής. Πρέπει να ενημερώσουν το διοικητικό συμβούλιο του HCAIM εάν επιθυμούν έναν συνάδελφο να ολοκληρώσει την εξέταση για λογαριασμό τους.
Πίνακας κινδύνων και σχέδιο μετριασμού για τις θέσεις HCAIM
Αυτό το πρότυπο επιτρέπει στον επόπτη να υποστηρίξει τον μαθητή στον εντοπισμό και την αντιμετώπιση προβλημάτων. Ταυτόχρονα, θα ζητηθεί από ένα προτείνον κόμμα διατριβής να καταρτίσει αυτό το υπόδειγμα.
Όλα τα ορόσημα και τα παραδοτέα για την ολοκλήρωση του προτεινόμενου ερευνητικού έργου θα πρέπει να συμπεριληφθούν στην πρόταση του έργου. Οι μαθητές καλούνται επίσης να προετοιμάσουν έναν πίνακα κινδύνου που περιλαμβάνει κινδύνους που θα μπορούσαν να θέσουν σε κίνδυνο την επίτευξη αυτών των παραδοτέων και να παρέχουν σχέδια έκτακτης ανάγκης για τον μετριασμό των περιγραφόμενων κινδύνων. Ένα παράδειγμα πίνακα κινδύνου και σχεδίου μετριασμού παρουσιάζεται παρακάτω. Συμπεριλάβετε πρόσθετους κινδύνους, εάν απαιτείται:
ΚΙΝΔΥΝΟΣ | Σοβαρότητα | Πιθανότητα | Μετριασμός |
Αποτυχία έγκαιρης συλλογής των δεδομένων στόχου | Υψηλή | Χαμηλή | Το έργο θα αρχίσει να εξετάζει τους ανοιχτά διαθέσιμους πόρους. Διερεύνηση επιλογών για την απόκτηση σύνθετων ή προ-διαθέσιμων δημόσιων δεδομένων παρόμοια με τα δεδομένα-στόχους. |
Ανεπαρκής χρηματοδότηση των πόρων | Μεσαίο | Μεσαίο | Θα αναζητηθούν εναλλακτικές πηγές χρηματοδότησης. |
Στόχοι έρευνας/έργου υπερβολικά φιλόδοξοι | Μεσαίο | Χαμηλή | Να επανεξετάζει τακτικά τους στόχους του έργου και να τακτοποιεί τα αποτελέσματα του έργου με βάση τη διαδικασία επανεξέτασης. |
(Υπερβολικά) Μεγάλες ποσότητες πρόσθετης εκπαίδευσης που απαιτούνται |
Μεσαίο | Χαμηλή | Θα ληφθεί προηγούμενη έγκριση. Οι στόχοι του έργου θα επικαιροποιηθούν με βάση το χρόνο και τους πόρους που χρησιμοποιούνται για αυτή την πρόσθετη εκπαίδευση. |
Απώλεια δεδομένων | Μεσαίο | Χαμηλή | Ο φοιτητής θα ακολουθήσει τις κατάλληλες διαδικασίες δημιουργίας αντιγράφων ασφαλείας για να ελαχιστοποιήσει τον κίνδυνο. |
Παραδείγματα Θεμάτων Διατριβής
- Θέμα Διατριβής Παράδειγμα 1: Επιθέσεις φοροδιαφυγής εναντίον ανιχνευτών κακόβουλου λογισμικού με βάση το ML
- Θέμα Διατριβής Παράδειγμα 2: PICO-ML: Pipe Defined Computing και ο ρόλος της συνεχούς τεχνητής νοημοσύνης σε αυτό
- Θέμα Διατριβής Παράδειγμα 3: Διερεύνηση προκαταλήψεων σε προ-εκπαιδευμένα μοντέλα NLP