Programmi ülevaade

Meie eesmärk on luua inimkeskne AI magistriõppe programm, HCAIM konsortsium järgib AI HLEG määratlust: „Inimkeskse lähenemisviisiga tehisintellektile püütakse tagada, et inimväärtused on kesksel kohal tehisintellektisüsteemide arendamises, kasutuselevõtus, kasutamises ja järelevalves, tagades põhiõiguste austamise.

Selle määratluse nõuetele vastamiseks hõlmab programm tehisintellekti tehnilisi, eetilisi ja praktilisi elemente. Oleme kujundanud oma sisu MLOpsi elutsükli kolmes etapis – masinõppe mudelite arendamine, juurutamine ja hooldamine, luues seega kolm põhimoodulit kooskõlas eespool nimetatud ML-Ops faasidega: Modelleerimine (moodul A), kasutuselevõtt (moodul B) ja hindamine (moodul C). Oleme lisanud neljanda mooduli (D) Lõpetamine, mis võimaldab õpilastel näidata, et nad suudavad iseseisvalt lahendada tööstuse esitatud väljakutseid, tuginedes praegustele vajadustele ja nõuetele, mis on seotud inimkeskse tehisintellekti valdkonnaga.

See on visualiseeritud allolevas tabelis.

Moodul A Moodul B Moodul C Moodul D
Tehniline

AI alused

Täiustatud tehisintellekt:
Sügav õppimine
Tulevane tehisintellekt

Magistritöö projekt

Praktiline AI modelleerimine Tehisintellekt tegevuses:
Organisatsiooniline tehisintellekt
Sotsiaalselt vastutustundlik tehisintellekt
Eetiline Eetika alused Usaldusväärne tehisintellekt Vastavus, seaduslikkus ja inimkond

See leht sisaldab kõiki õppeüritusi, mis moodustavad Human Centered tehisintellekt Master. Kõik õppeüritused, sealhulgas nendega seotud õppematerjalid, tehakse kättesaadavaks inglise keeles HCAIMi veebisaidil ja neid saab tõlkida ükskõik millisesse ELi keelde, kasutades Euroopa Liidu eTranslationi vahendit. Selle eelvaate jaoks on üks mooduli A õppesündmus, üks mooduli B õppesündmus, kaks mooduli C õppeüritust ja lõputöö suunised ning kaks väitekirja teemade näidet sellel eelvaate leheküljel juba täielikult inglise keeles kättesaadavad (ja saab tõlkida ükskõik millisesse ELi keelde, kasutades Euroopa Liidu eTranslationi vahendit).

Lisaks sellele on HCAIM- programmi programmi ülevaade, moodul A Õppeeesmärgid, moodul A ülevaade õppetundide plaanidest ja moodul A õppeüritus „Õppimine – sissejuhatus inimkesksesse tehisintellekti“ selle eelvaate lehe kaudu juba kättesaadavad kõigis ELi keeltes.  HCAIM-programmi nende osade tõlgete nägemiseks valige käesoleva lehekülje allosas mõni keel.

Kõik materjalid on saadaval Creative Commons Attribution-NonCommercial-NoDerivates 4.0 litsentsi alusel (CC BY-NC-ND 4.0)

Modelleerimine (moodul A)

Esimene moodul, nimelt modelleerimine (moodul A), keskendub MLOpsi elutsükli esimesele etapile ja on seotud masinõppe (ML) rakendamise madalaima küpsusastmega organisatsioonides: andmete modelleerimine. See hõlmab tegevusi, mis on MLi kohaldamise aluseks, näiteks andmete väljavõte, andmete analüüs, andmete ettevalmistamine, mudelikoolitus ning (peamiselt käsitsi) mudeli valideerimine ja hindamine.

Selles etapis keskendutakse andmete korrektsele analüüsimisele ja modelleerimisele ärieesmärkide saavutamiseks ning automatiseerimist (nt CI/CD) kasutatakse vähe, mis lisatakse alles MLOpsi teises etapis (kasutamine – moodul B). Modelleerimistegevust iseloomustab sageli manuaalne, skriptipõhine ja interaktiivne meetod andmete analüüsimiseks, ettevalmistamiseks, modelleerimiseks ja valideerimiseks. Et hoida ülevaadet erinevatest mudelitest, parameetritest ja valikutest, millega katsetatakse, kasutatakse eksperimentide jälgimist.

Eetilisest seisukohast on modelleerimisetapis oluline pühendada piisavalt aega ja tähelepanu kliendi eesmärkide väljaselgitamisele, sidusrühmade kaardistamisele ja selle uurimisele, kuidas nende sidusrühmade individuaalsed väärtused on mõjutatud (ning tunnistades võimalikke konflikte nende vahel). Selles on väga olulised sellised aspektid nagu läbipaistvus, kaasamine, turvalisus ja eraelu puutumatus. Loomulikult tuleb tähelepanu pöörata ka kliendi eesmärkide sotsiaalsele ja moraalsele soovile. Lisaks on oluline (õigeaegselt) teadlikkus võimalikest eelarvamustest ja eelarvamustest olemasolevates andmetes, tunnustada nende eelarvamuste võimalikke tagajärgi ja leida leevendusmeetmeid nende eelarvamustega tegelemiseks.

Õpitulemused

  • Õpilane hindab erinevaid ML tehnikaid, et teha põhjendatud valik, mis vastab kliendi omandatud nõuetele ja rakendab valitud ML-tehnika prototüüpi, et anda nõu antud andmete modelleerimise probleemi lahendamiseks.

  • Õpiväljund 1
  • Üliõpilane väidab, kasutades fundamentaalseid eetilisi raamistikke, kuidas moraalseid dilemmasid saab lahendada ja hindab andmete olemasolevate eelarvamuste võimalikke tagajärgi ja kavandatud leevenduste mõju, et võidelda nende eelarvamuste tagajärgedega.

  • Õpiväljund 2
  • Üliõpilane rakendab kvantitatiivseid ja kvalitatiivseid uurimismeetodeid, et teaduslikult põhjendada oma valikuid eetiliste kaalutluste ja prototüübi tegemise ajal.

  • Õpiväljund 3

Mooduli A tunniplaanid (mudel)

Üldine tehisintellekt

  • Loeng: Ajalooline sissejuhatus teaduslikesse selgitamismudelitesse
  • Loeng: Andmete mõistmine

Andmete uurimine masinõppeks

  • Õpetus: Andmete mõistmine
  • Loeng: Uurimuslik andmeanalüüs II
  • Õpetus: Uurimuslik andmete analüüs
  • Loeng: Järeldus ja üldistamine
  • Õpetus: Järeldus ja üldistamine

Masinõppe alused

  • Loeng: Mudeli hindamine
  • Õpetus: Mudeli hindamine
  • Loeng: Mudeli paigaldamine ja optimeerimine
  • Praktiline: Mudeli paigaldamine ja optimeerimine

Otsuse teooria

  • Loeng: Otsuse teooria
  • Õpetus: Otsuse teooria
  • Loeng: Otsuste võrgustikud
  • Õpetus: Otsuste võrgustikud

Andmeteadus

  • Loeng: Andmete analüüsi protsess
  • Lab seanss: Platvormid
  • Loeng: Andmete ettevalmistamine ja uurimine
  • Lab seanss: Andmete ettevalmistamine ja uurimine

Juhendatud masinõpe

  • Loeng: Lineaarne regressioon
  • Lab seanss: Lineaarne regressioon
  • Loeng: Otsuse puud
  • Lab seanss: Otsuse puud
  • Loeng: SVMs ja Kernels
  • Lab seanss: SVMs ja Kernels
  • Loeng: Närvivõrgud

Järelevalveta masinõpe

  • Loeng: Järelevalveta õppimine
  • Lab seanss: Järelevalveta õppimine

Ml rakendused

  • Loeng: Loodusliku keele töötlemine
  • Lab seanss: Loodusliku keele töötlemine

Üldine eetika

Eetilised raamistikud

  • Interaktiivne sessioon: Eetilised raamistikud
  • Loeng: Utilitarism
  • Interaktiivne sessioon: Utilitarism
  • Loeng: Vooruse eetika
  • Interaktiivne sessioon: Vooruse eetika
  • Loeng: Tööeetika
  • Interaktiivne sessioon: Tööeetika
  • Loeng: Õigluse teooria

Arenenud eetika

  • Loeng: Sotsiaallepingu teooriad
  • Loeng: Õigluse põhimõtted

Rakendatud eetika

  • Loeng: Väärtustundlik disain
  • Interaktiivne sessioon: Väärtustundlik disain
  • Loeng: Privaatsus
  • Loeng: Otsuste toetamise süsteemide eetika
  • Loeng: Otsuste tegemine ja (kognitiivsed) eelarvamused

Juurutamine (moodul B)

Mooduli kasutuselevõtt (moodul B) keskendub MLOpsi arendustsükli teisele etapile; lähetamine. Pärast modelleerimise andmete uurimise etappi (vt moodul A – modelleerimine) on ML-lahenduse integreerimine ärisüsteemidesse. Nüüd on oluline hakata mõtlema MLi arhitektuurile ja sellele, kuidas see toimib koos olemasolevate süsteemidega (õiguspärasus). Selleks et saada tõelist kasu automaatsetest ML-lahendustest, tuleb kasutusele võtta torujuhtmed; ühelt poolt, et oleks võimalik tegeleda pidevate ja reaalajas andmeedastustega (voogtöötlus) ning teiselt poolt siduda MLi mudeli tulemused teiste süsteemidega.

Lisaks suurendab moodul B tehisintellekti tehnoloogia keerukust, liikudes närvivõrkude ja süvaõppe suunas. Nende keerukamate mudelite peamine eelis on see, et need on paindlikumad ja mitmekülgsemad kui moodulis A – modelleerimine kasutusele võetud tehnikad. Kuid nende tehnikate olulised puudused on see, et need on keerukamad (mõista ja konfigureerida) ja läbipaistmatus. Selles peitub (edasijõudnud) tehisintellekti tehnikate kasutamisel oluline eetiline dilemma: kuidas sa ikka aru, mida AI lahendus arvutab ja kas seda tehakse õigesti? Tehisintellekti lahenduste kasutuselevõtu läbipaistvamaks muutmine ning võimalike riskide kindlaksmääramine ja nende riskide maandamine on käesoleva mooduli olulised (sotsiaalsed) teemad.

Õpitulemused

  • Üliõpilane hindab võimalikke valikuid täiustatud tehisintellekti tehnika, näiteks süva- ja/või tugevdatud õppe integreerimiseks, ning koostab üheleheküljelise aruande, mis põhineb prototüübil, mis on välja töötatud, võttes arvesse kliendi olemasolevate IKT-süsteemide ja andmerajatiste piiranguid ja mõju, mis on saadud koostöös näiteks IKT arhitektide või arendajatega.

  • Õpiväljund 1
  • Õpilane hindab võimalikku riski ja testib valitud tehisintellekti/MLi rakendamise läbipaistvuse taset (sealhulgas tõlgendatavust, reprodutseeritavust ja selgitatavust) ning kujundab lahendusi, kasutades meetodeid, mis suurendavad sidusrühmade teadmisi ja läbipaistvust (nn selgitatavad tehisintellekti (XAI) tehnikad), et kõrvaldada sellega seotud puudused võrreldes sotsiaalsete ja kliendipõhiste nõuetega.

  • Õpiväljund 2
  • Üliõpilane kujundab teaduslikult usaldusväärse (praktikale orienteeritud) uurimisprojekti, mis on seotud ettevõtte juhtumiga, sõnastades asjakohase, järjepideva, funktsionaalse uurimisküsimuse, võttes arvesse kasutatavaid rakenduslikke uurimismeetodeid ning luues täpse, asjakohase ja kriitilise teoreetilise raamistiku.

  • Õpiväljund 3

Mooduli B tunniplaanid (lähetamine)

Süvaõppe põhialused

  • Loeng: Sügava õppimise alused
  • Õpetus: Sügava õppimise alused
  • Praktiline: Sügava õppimise alused

Sügava õppimise optimeerimine

  • Loeng: Seadustamine
  • Õpetus: Seadustamine
  • Loeng: Partii töötlemine
  • Õpetus: Partii töötlemine

Süvaõppe rakendused

  • Loeng: Hoone arvutusgraafid, kaasaegsed arhitektuurid
  • Loeng: Convolutional Neural Networks
  • Õpetus: Convolutional Neural Networks
  • Praktiline: Convolutional Neural Networks
  • Loeng: Korduvad närvivõrgud
  • Loeng: Trafovõrgud
  • Õpetus: CNN-id ja kujutiste trafod
  • Loeng: Riist- ja tarkvararaamistikud süvaõppeks

MLOps

  • Loeng: Ml-Ops
  • Õpetus: Ml-Ops
  • Praktiline: Ml-Ops
  • Loeng: Ml-Ops elutsükkel
  • Praktiline: Ml-Ops elutsükkel

Tehisintellekti kasutuselevõtt

  • Loeng: Rakendustehnoloogia
  • Praktiline: Rakendustehnoloogia
  • Õpetus: Andmearhitektuur
  • Interaktiivne sessioon: Andmearhitektuur
  • Praktiline: Hadoopil põhinevad tehnoloogiad

Arengu ja kasutuselevõtu kvaliteet

  • Loeng: CI/CD
  • Õpetus: CI/CD

Üldine selgitatav tehisintellekt

  • Loeng: Sissejuhatus Üldine selgitatav tehisintellekt
  • Loeng: Selgitatav tehisintellekt lõppkasutajatele
  • Praktiline: Harjutamine XAI mudelitega 1
  • Praktiline: Harjutamine XAI mudelitega 2
  • Loeng: Tipptasemel XAI arendused

Privaatsus

  • Loeng: Privaatsuse ja riskide tutvustamine
  • Interaktiivne sessioon: Perspektiiv eraelu puutumatuse kohta
  • Praktiline: Eraelu puutumatuse ja andmekaitse auditeerimisraamistikud
  • Loeng: Privaatsus ja masinõpe
  • Praktiline: Privaatsust säilitavate tehnikate rakendamine ja hindamine

Turvalisus ja töökindlus

  • Loeng: Turvalisus ja töökindlus
  • Praktiline: Auditiraamistike rakendamine
  • Praktiline: MLi julgeoleku ja töökindluse suurendamine

Risk

  • Loeng: Riskide ja riskide maandamine
  • Interaktiivne sessioon: Riskide ja riskide maandamine
  • Praktiline: Riskide ja riskide maandamine

Hindamine (moodul C)

Hindamismoodul (moodul C) keskendub tehisintellekti arendamise hindamisaspektidele, sealhulgas nii tehisintellekti toote ühiskondlikele aspektidele kui ka tehisintellekti võimalike tulevikusuundade hindamise arendamisele, võttes arvesse tehnoloogiasuundumusi; sotsiaalselt vastutustundlik tehisintellekt; nõuetele vastavus ning selle tagamine, et inimelement oleks tehisintellektisüsteemide projekteerimisel, arendamisel ja hindamisel alati esindatud.

Tehisintellekti tuleviku osana arutatakse tehisintellekti kasutuselevõtu taseme uurimist eri tööstusharudes ning tehisintellekti kohandamist eri valdkondade jaoks. Sotsiaalselt vastutustundliku tehisintellekti uurimine hõlmab seda, kuidas tehisintellekt mõjutab üksikisikuid ja erinevaid ühiskonnarühmi. Ning mooduli olulise osana keskendutakse tehisintellektiga seotud seadustele, poliitikale ja tegevusjuhenditele (rõhuga sellistele küsimustele nagu selgitatavus ja usaldus), samuti kvaliteedikontrollile ja kvaliteedijuhtimise protsessidele, et hinnata tehisintellekti algatuste tulemusi.

Õpitulemused

  • Üliõpilane arendab kõrgelt tehisintellekti ja masinõppe tipptasemel lähenemisviise, samuti arusaamist sellest, kuidas tehisintellekti kasutatakse erinevates valdkondades ja kuidas hinnata võimalikke suundi, mida tehisintellekt võib tulevikus minna.

  • Õpiväljund 1
  • Üliõpilane näitab täpselt määratletud lähenemist tagajärgede skaneerimisele, võttes arvesse selliseid küsimusi nagu võimaliku mõju hindamine, mida uus tehnoloogia võib üksikisikutele ja ühiskonnale avaldada, keskendudes eelkõige vähemustele ja tõrjutud rühmadele ning võimalikule keskkonnamõjule.

  • Õpiväljund 2
  • Üliõpilane näitab võimet kasutada täielikult liigendatud uurimismetoodikat, millel on eetika kõigis etappides, olles teadlik konkreetsete lähenemisviiside kontekstuaalsest olemusest, mida tuleks kasutada ja mida teavitatakse selles moodulis käsitletud juhtumiuuringutest.

  • Õpiväljund 3

Mooduli C tunniplaanid (hindamine)

Sissejuhatus

  • Loeng: Sissejuhatus tehisintellekti ja MLi taaspuhkemisse
  • Loeng: Külalisloeng AI tuleviku kohta

Avatud probleemid ja väljakutsed

  • Loeng: Selgitatava masinõppe külalisloeng (XAI)
  • Praktiline: Seletatav masinõpe (XAI)
  • Loeng: Kaasavus, privaatsus ja põhjuslikkus
  • Interaktiivne sessioon: Kaasavus, privaatsus ja põhjuslikkus
  • Loeng: Usaldus, normatiivsus ja mudel Drift
  • Interaktiivne sessioon: Usaldus, normatiivsus ja mudel Drift
  • Loeng: Üldistus ja üldine tehisintellekt (AGI). Avatud probleemid VS väljakutsed

ML-mudelite edenemine läbi HC objektiivi. Tulemustele orienteeritud uuring

  • Loeng: Pooljärelvalveta ja järelevalveta õppimine
  • Loeng: Generatiivsed mudelid, süvaõppe ja hübriidõppe mudelid
  • Loeng: Federated Learning teooria (profileerimine ja isikupärastamine)
  • Loeng: Federated Learning – Advances and Open Challenges
  • Praktiline: Federated Learning – rongi sügavad mudelid
  • Loeng: Mudel kompressioon – Edge Computing
  • Praktiline: Mudel kompressioon – Edge Computing
  • Loeng: Automaatne hüperparameetri optimeerimine

HCAI mudelite kujunemisjärgus hindamine – arutelupõhine uuring

  • Loeng: Funktsioon olulisus, usaldusmudelid ja usalduse kvantifitseerimine
  • Praktiline: Funktsioon olulisus, usaldusmudelid ja usalduse kvantifitseerimine
  • Loeng: ML mudelite tõenäosuslikud kirjeldused, subjektiivne loogika, permutatsiooni tähtsus
  • Praktiline: Osaline sõltuvus, individuaalne tingimuslik ootus (ICE), LIME, DeepLIFT, SHAP

Filosoofiline arutelu tulevase tehisintellekti tehnoloogia üle

  • Loeng: Quantum Computing’i külalisloeng
  • Interaktiivne sessioon: Tehisintellekt ja singulaarsus
  • Interaktiivne sessioon: Roboti õiguste liikumine
  • Interaktiivne sessioon: Inimese ja masina bioloogia/Neuromorfilised tehnoloogiad
  • Interaktiivne sessioon: Robotitega elamine
  • Interaktiivne sessioon: Inimese ja masina koostoimed

ELi ja rahvusvahelised õigusaktid/andmed, tehisintellekt, inimõigused ja võrdõiguslikkus

  • Loeng: Ülevaade HCAI rakenduste eetilistest, professionaalsetest ja õiguslikest aspektidest
  • Interaktiivne sessioon: HCAI rakenduste eetilised, professionaalsed ja õiguslikud aspektid
  • Loeng: Andmed ja selle probleemid – ELi isikuandmete kaitse üldmäärus, USA COPPA, HIPPA
  • Loeng: Andmed ja selle probleemid – andmeeeskirjad, andmete hankimine ja HCAI perspektiiv
  • Interaktiivne sessioon: Andmed ja nende väljakutsed. Kuidas GDPR mõjutab tehisintellekti lahendusi
  • Praktiline: Andmed ja nende väljakutsed. Tehisintellekti reguleerimise harjutus
  • Loeng: ELi inimõigustealased õigusaktid
  • Interaktiivne sessioon: Inimõigusi käsitlevad ELi õigusaktid – juhtumiuuring
  • Loeng: ELi ettepanek HCAI rakendusi käsitleva määruse kohta
  • Interaktiivne sessioon: ELi ettepanek tehisintellekti käsitleva määruse kohta – juhtumiuuring
  • Praktiline: Tehisintellekti käsitleva ELi määruse ettepaneku mõjusus
  • Loeng: Olemasolevate seaduste tugevused ja piirangud a Deeper Dive

Andmete haldamine, auditeerimine ja hindamine

  • Loeng: Andmete turvalisus ja vastavus, andmeliin ja haldamine
  • Loeng: Juhtimine ja hooldus, peamised sidusrühmad ja isikuandmete haldamine
  • Praktiline: Ühised rollid ja Cross Overs vahel andmehaldus ja AI meeskonnad
  • Praktiline: Uurige AI meeskondade andmeliini, väljakutseid ja võimalikku mõju

Poliitika ja raamistikud – elutsükkel

  • Loeng: DS, AI, MLi elutsükkel – inimkeskne lähenemisviis
  • Praktiline: Elutsükli rakendamine ja õigluse test

Sotsiaalselt vastutustundliku tehisintellekti ulatus

  • Loeng: Positiivsed ja negatiivsed välismõjud
  • Interaktiivne sessioon: Heaoluga seotud välismõjud
  • Interaktiivne sessioon: Negatiivsed välismõjud – Bhopal Gas Tragedy – juhtumiuuring
  • Interaktiivne sessioon: Toote hinnakujundus Vs tehasejäätmed – AI perspektiiv
  • Loeng: Välismõjud ranges mikromajanduslikus mõttes

Ettevõtte sotsiaalne vastutus (ISO 26000) – HCAI süsteemi kasutamisel

  • Loeng: Õiglased tegevustavad – tehisintellekti värbamine ja tehisintellekti järelevalvega seotud puudused
  • Interaktiivne sessioon: AI-põhine otsuste tegemine – värbamine ja edendamine
  • Interaktiivne sessioon: Otsustamine põhineb tehisintellekti järelevalvel
  • Interaktiivne sessioon: Inimsekkumine ebajärjepidevate ja/või heade tehisintellekti otsuste tegemisel
  • Interaktiivne sessioon: Kontroll edasi-tagasi inimese ja AI vahel
  • Interaktiivne sessioon: Fükoloogilised aspektid AI-ga töötamisel – stress, ärevus, depressioon
  • Loeng: Tarbijaküsimused – Filtreeri mullid, andmete säilitamine, tehisintellekti jälgimine, õiglased tavad
  • Interaktiivne sessioon: Tarbijaküsimused – Filtreeri mullid, andmete säilitamine, tehisintellekti jälgimine, õiglased tavad
  • Interaktiivne sessioon: Kogukonna areng – ühiskondliku mõju hindamine enne tehisintellekti projektiga töötamist

Tehisintellekti sotsiaalsed ja õiguslikud aspektid

  • Interaktiivne sessioon: Kes on vastutav? – Tootevastutus, autoriõiguse probleemid

AI kõigile

  • Loeng: Majanduslik lõhe – digitaalne lõhe
  • Interaktiivne sessioon: Majanduslikud lõhed – Digitaalne jagunemine kategooriates
  • Geograafiline, tehniline, finants- ja poliitiline
  • Interaktiivne sessioon: Kuidas tehisintellekt mõjutab inimese käitumist – positiivne ja negatiivne
  • Interaktiivne sessioon: Keskkonnamõju – süsiniku jalajälg
  • Interaktiivne sessioon: Hariduse mõju – automaatne tehisintellekti otsuste tegemine
  • Interaktiivne sessioon: Filter mull – poliitiline, korporatiivne ja geograafiline
  • Interaktiivne sessioon: AI-jõuline sõda ja rahvusvaheline rahu

Lõpetamine (moodul D)

Lõpetamise moodul (moodul D) peegeldab HCAIM-programmi põhiprintsiipi, mis põhineb projektipõhise õppe kontseptsioonil (PBL). Selle mooduli eesmärk on paigutada lõpetamisprojekt (professionaalne toode) keskselt õpilase õppimistrajektoorile. Osana oma lõpetamise projektist (magistritöö) näitavad õpilased, et nad suudavad iseseisvalt lahendada tööstuse esitatud väljakutseid praeguste vajaduste ja nõuete alusel, võttes arvesse nii kõnealuse küsimuse tehnilisi kui ka eetilisi aspekte.

Iga väitekirja peetakse kohapeal, sisemise juhendaja (professor ülikoolist, kus üliõpilane jätkab kraadi) ja väline juhendaja, kes kuulub poolele, kes pakub väitekirja (kui see on olemas). Viimati nimetatud aspekti, kuigi see ei ole kohustuslik, järgitakse rangelt. Ettepaneku teinud pool võib olla VKE, tippkeskus või muu ülikool nii riiklikul kui ka rahvusvahelisel tasandil. Ettepaneku osapooltelt oodatakse nii riikliku kui ka rahvusvahelise väitekirja esitamist (st doktoritöö korraldatud ülikooliga samast riigist või välisriigist).

Õpitulemused

  • Õpilane tunnustab ja peegeldab AI elutsükli realistlik, tööstusharu teadlik kontekstis ja erinevates kohtades, stsenaariumid ja kasutamise juhtudel.

  • Õpiväljund 1
  • Üliõpilane demonstreerib tugevat ja kehtivat teadustöö suhtumist projekti kaudu, millel on täpselt määratletud interdistsiplinaarne lähenemine, mis toodab tööstuse jaoks asjakohaseid ja tehnoloogiliselt pädevaid lahendusi, hinnates samal ajal nende töö võimalikku mõju üksikisikutele ja ühiskonnale.

  • Õpiväljund 2
  • Õpilane demonstreerib professionaalset suhtumist suhtlemisesse asjaomaste sidusrühmadega (nt mentorid, nõustajad, eakaaslased ja kliendid), analüütilist suhtumist, tööeetikat, planeerimispädevust, proaktiivsust ja eneseteadlikkust.

  • Õpiväljund 3

Doktoritöö juhised

HCAIM doktoritöö Ettepaneku suunised

Käesolevate suuniste eesmärk on toetada osapooli, kes kavatsevad esitada uue väitekirja.

HCAIM väitekirja malli

Vaata HCAIM väitekirja mall siin.

Eetilised juhised HCAIM Teemad

Plagiaat, andmete valmistamine ja piltide manipuleerimine

Plagiaat ei ole vastuvõetav. Plagiaat hõlmab teksti, ideede, piltide või andmete kopeerimist teisest allikast, sealhulgas teie enda väljaannetest, andmata algsele allikale krediiti.

Teisest allikast kopeeritud teksti taaskasutamine peab olema jutumärkide ja originaalallika vahel. Kui varasemad uuringud on inspireerinud uuringu ülesehitust või käsikirja struktuuri või keelt, tuleb nendele uuringutele selgesõnaliselt viidata.

Pildifaile ei tohi manipuleerida ega kohandada viisil, mis võib põhjustada originaalpildil esitatud teabe väärtõlgendamist. Ebaregulaarne manipuleerimine hõlmab 1) originaalkujutise funktsioonide tutvustamist, täiustamist, liigutamist või eemaldamist, 2) eraldi esitatavate piltide rühmitamist või 3) kontrasti, heleduse või värvitasakaalu muutmist teatud teabe varjamiseks, kõrvaldamiseks või täiustamiseks.

Esitatud tulemused ei tohi olla sobimatult valitud, manipuleeritud, täiustatud ega valmistatud. See hõlmab 1) andmepunktide väljajätmist järelduste olulisuse suurendamiseks, 2) andmete koostamist, 3) tulemuste valimist, mis toetavad konkreetset järeldust vastuoluliste andmete arvelt, 4) analüüsivahendite või -meetodite tahtlikku valimist konkreetse järelduse toetamiseks (sealhulgas p-hacking).

Uurimistegevus, mis hõlmab inimesi, loomi või taimi

Inimsubjekte, inimmaterjale, inimkudesid või inimandmeid hõlmavate teadusuuringute kohta aru andes peab ettepaneku teinud pool tagama, et uuringud viiakse läbi vastavalt 1975. aasta Helsingi deklaratsioonis sätestatud eeskirjadele, mis vaadati läbi 2013. aastal. Kõik tagajärjed, mis on seotud selle aspekti rikkumisega, on täielikult omistatud ettepaneku esitajale ja ei HCAIM konsortsiumile ega õpilasele.

Need, kes töötavad rakuliinidega, peaksid märkima mis tahes rakuliinide päritolu. Väljakujunenud rakuliinide puhul tuleks märkida päritolu ning viidata ka avaldatud paberile või kaubanduslikule allikale. Kui on kasutatud varem avaldamata de novo rakuliine, sealhulgas neid, mis on antud teisest laborist, tuleb anda institutsionaalse kontrollikomitee või eetikakomitee heakskiit ning esitada kirjaliku informeeritud nõusoleku kinnitus, kui liin on inimpäritolu.

Kõik teemad, mis võivad tuleneda mis tahes uuringutest, mis põhjustavad loomadele kahju, on keelatud. Kõiki inimeste suhtes kohaldatavaid suuniseid tuleks järgida (võimaluse korral) ka loomade puhul.

Katseuuringud taimedega (kas kultiveeritud või looduslikud), sealhulgas taimse materjali kogumine, peavad vastama institutsioonilistele, riiklikele või rahvusvahelistele suunistele. Soovitame järgida bioloogilise mitmekesisuse konventsiooni ning ohustatud looduslike looma- ja taimeliikidega kauplemise konventsiooni.

Sugu, sugu, etnilisus, religioon ja muud eelarvamused teadusuuringutes

Komiteed julgustatakse järgima suuniseid „Seksuaalne ja sooline võrdõiguslikkus teadusuuringutes – SAGER – suunised“ ning vajaduse korral võtma arvesse soolisi ja soolisi kaalutlusi. Mõisteid sugu (bioloogiline atribuut) ja sugu (kujundatud sotsiaalsete ja kultuuriliste olude järgi) tuleks kasutada hoolikalt, et vältida segadust mõlemas mõistes. Samuti tuleks väitekirjas kirjeldada (taustas), kas soolisi ja/või soolisi erinevusi võib eeldada; teatada, kuidas soo ja/või sooga arvestati uuringu kavandamisel; esitama vajaduse korral eristatud andmed soo ja/või soo alusel; ja arutada vastavaid tulemusi. Kui soo- ja/või sooanalüüsi ei ole läbi viidud, tuleb seda põhjendada arutelus.

Sarnased kaalutlused kehtivad kõigi teiste eelarvamuste vormide kohta, sealhulgas (ja mitte ainult) etniline kuuluvus ja religioon. Esimese puhul tuletame meelde, et inimestel ei ole rassi, vaid ainult rahvust.

Kui lõputöö on keskendunud kallutatusele, tuleb selle põhjendust algusest peale selgitada.

Huvide konflikt

Õpilased peavad vältima nii mittetulunduslike kui ka mittetulunduslike õppesponsoritega lepingute sõlmimist, mis häirivad juurdepääsu kõigile uuringu andmetele või häirivad nende võimet analüüsida ja tõlgendada andmeid ning valmistada väitekirja iseseisvalt ette, millal ja kus nad valivad.

Õpilased peavad tuvastama ja deklareerima kõik isiklikud asjaolud või huvi, mida võib pidada ebasobivalt mõjutada esitatud uurimistulemuste esindatust või tõlgendamist. Võimalike huvide konfliktide näideteks on muu hulgas finantshuvid (nt liikmesus, tööhõive, konsultatsioonifirmad, aktsiad/aktsiad, autasud, toetused või muu rahastamine, tasulised ekspertide tunnistused ja patendilitsentsimise kord) ja mitterahalised huvid (nt isiklikud või ametialased suhted, kuuluvus, isiklikud veendumused).

Rahastamise sponsorite mis tahes roll uuringu kavandamisel, andmete kogumisel, analüüsimisel või tõlgendamisel, käsikirja kirjutamisel või tulemuste avaldamise otsuses tuleb eelnevalt deklareerida.

Tsitaadipoliitika

  • Õpilased peaksid tagama, et kui materjal on võetud muudest allikatest (sealhulgas nende enda avaldatud kirjalikult), on allikas selgelt viidatud ja kui asjakohane luba on saadud.
  • Õpilased ei tohiks tegeleda oma töö liigse eneseväljendusega.
  • Õpilased ei tohiks kopeerida viiteid teistest väljaannetest, kui nad ei ole viidatud tööd lugenud.
  • Õpilased ei tohiks eelistatult tsiteerida oma või oma sõprade, eakaaslaste või asutuse väljaandeid.
  • Õpilased ei tohiks tsiteerida reklaame ega reklaammaterjale.

Eetilised juhised hindajatele

Võimalikud huvide konfliktid

Hindajatel palutakse teavitada HCAIMi juhatust, kui neil on huvide konflikt, mis võib mõjutada läbivaatamisaruannet, kas positiivsel või negatiivsel viisil. Enne ülevaatajate kutsumist kontrollib juhatus võimalikult täpselt; siiski oodatakse ja hinnatakse hindajate koostööd selles küsimuses.

Konfidentsiaalsus ja anonüümsus

Retsensent peab hoidma väitekirja sisu, sealhulgas abstraktset, konfidentsiaalsena. Nad peavad teavitama HCAIMi juhatust, kui nad soovivad, et kolleeg viiks läbivaatamise nende nimel lõpule.

Riskide maatriks ja HCAIM-i teeside maandamise kava

See vorm võimaldab juhendajal toetada üliõpilast probleemide tuvastamisel ja käsitlemisel. Samal ajal palutakse see vorm koostada lõputöö ettepaneku esitajal.

Projektiettepanekusse tuleks lisadakõik kavandatava teadusprojekti lõpuleviimise vahe-eesmärgid ja tulemused. Õpilased peavad koostama ka riskimaatriksi, mis sisaldab riske, mis võivad ohustada nende tulemuste saavutamist, ja esitama situatsiooniplaanid kirjeldatud riskide leevendamiseks. Allpool on esitatud näide riskimaatriksi ja riskimaandamiskava kohta. Lisage vajaduse korral lisariskid:

Risk Raskusaste Tõenäosus Leevendamine
Sihtandmete õigeaegne kogumine nurjus Kõrge Madal Projekti raames hakatakse uurima avalikult kättesaadavaid ressursse. Uurige võimalusi saada sünteetilisi või eelnevalt kättesaadavaid avalikke andmeid, mis sarnanevad sihtandmetele.
Vahendite ebapiisav rahastamine Keskmine Keskmine Otsitakse alternatiivseid rahastamisallikaid.
Teadusuuringute/projekti eesmärgid on liiga ambitsioonikad Keskmine Madal Vaadata korrapäraselt läbi projekti eesmärgid ja korrigeerida projekti tulemusi läbivaatamisprotsessi põhjal.
(Ülemäärane)
Täiendav

koolitus on vajalik
Keskmine Madal Eelnev nõusolek võetakse vastu. Projekti eesmärke ajakohastatakse selle lisakoolituse jaoks kasutatud aja ja ressursside põhjal.
Andmete kadumine Keskmine Madal Õpilane järgib asjakohaseid varundamise protseduure, et minimeerida riske.

Näited väitekirja teemadest





















Liigu sisu juurde



Skip to content