Prehľad programu
V našom cieli vytvoriť magisterský program AI zameraný na človeka sa HCAIM konzorcium riadi definíciou AI HLEG: „Prístup k umelej inteligencii zameraný na človeka sa snaží zabezpečiť, aby ľudské hodnoty boli kľúčové pre to, ako sa systémy umelej inteligencie vyvíjajú, zavádzajú, používajú a monitorujú, a to zabezpečením dodržiavania základných práv.“
Na zodpovedanie požiadaviek tejto definície sa program vzťahuje na technické, etické a praktické prvky umelej inteligencie. Náš obsah sme navrhli v troch fázach životného cyklu MLOps – vývoj, nasadenie a údržba modelov strojového učenia, čím sme vytvorili tri základné moduly v súlade s vyššie uvedenými fázami ML-Ops: Modelovanie (modul A), nasadenie (modul B) a hodnotenie (modul C). Pridali sme štvrtý modul (D) Graduation, ktorý študentom umožňuje ukázať, že dokážu nezávisle riešiť výzvy navrhnuté priemyslom na základe aktuálnych potrieb a požiadaviek súvisiacich s oblasťou umelej inteligencie zameranej na človeka.
To je vizualizované v tabuľke nižšie.
Modul A | Modul B | Modul C | Modul D | |
Technické |
Základy AI |
Pokročilá AI: Hlboké učenie |
Budúcnosť AI |
Magisterský projekt |
Praktické | Modelovanie AI | AI v akcii: Organizačná umelá inteligencia |
Spoločensky zodpovedná AI | |
Etické | Základy etiky | Dôveryhodná AI | Súlad, legalita a ľudskosť |
Táto stránka obsahuje všetky učebné udalosti, ktoré tvoria Human Centered Artificial Intelligence Master. Všetky vzdelávacie podujatia vrátane sprievodných študijných materiálov budú sprístupnené v angličtine na webovom sídle HCAIM a môžu byť preložené do ktoréhokoľvek z jazykov EÚ pomocou nástroja Európskej únie eTranslation. Na účely tohto náhľadu je na tejto úvodnej stránke plne k dispozícii vzdelávacia udalosť modulu A, jedna vzdelávacia udalosť modulu B, dve učebné udalosti modulu C a usmernenia k diplomovej práci, ako aj dva príklady tém práce v angličtine na tejto stránke ukážky (a môžu byť preložené do ktoréhokoľvek z jazykov EÚ pomocou nástroja Európskej únie eTranslation).
Okrem toho sú prehľad programu HCAIM, modul A Learning Objectives, modul A Prehľad plánov lekcií, ako aj modul A Learning Event „Lecture-Introduction to Human-Centered AI“ už k dispozícii vo všetkých jazykoch EÚ prostredníctvom tejto úvodnej stránky. Ak chcete vidieť preklady týchto častí programu HCAIM, vyberte ktorýkoľvek z jednotlivých jazykov v dolnej časti tejto stránky.
Všetky materiály sú k dispozícii pod licenciou Creative Commons Attribution-NonCommercial-NoDerivates 4.0 (CC BY-NC-ND 4.0)

Modelovanie (modul A)
Prvý modul, konkrétne modelovanie (modul A), sa zameriava na prvú fázu životného cyklu MLOps a súvisí s najnižšou úrovňou vyspelosti aplikácie strojového učenia (ML) v organizáciách: modelovanie dát. Zahŕňa činnosti, ktoré tvoria základ uplatňovania ML, ako je získavanie údajov, analýza údajov, príprava údajov, vzdelávanie modelov a (najmä manuálna) validácia a hodnotenie modelu.
V tejto fáze sa dôraz kladie na správnu analýzu a modelovanie údajov na dosiahnutie obchodných cieľov a málo sa využíva automatizácia (napr. CI/CD), ktorá sa pridáva len v druhej fáze MLOps (Nasadenie – modul B). Modelovacie činnosti sú často charakterizované manuálnou, skriptovanou a interaktívnou metódou, pomocou ktorej sa vykonáva analýza údajov, príprava, modelový výcvik a validácia. Na udržanie prehľadu rôznych modelov, parametrov a možností, s ktorými sa experimentuje, sa používa sledovanie experimentov.
Z etického hľadiska je vo fáze modelovania dôležité venovať dostatočný čas a pozornosť zisťovaniu cieľov klienta, mapovaniu zainteresovaných strán a skúmaniu vplyvu jednotlivých hodnôt týchto zainteresovaných strán (a rozpoznaniu možných konfliktov medzi nimi). V tejto súvislosti majú veľký význam aspekty ako transparentnosť, začlenenie, bezpečnosť a súkromie. Samozrejme, pozornosť treba venovať aj sociálnej a morálnej vhodnosti cieľov klienta. Okrem toho je dôležité mať (včas) povedomie o možných predsudkoch/predsudkoch v dostupných údajoch, rozpoznať možné dôsledky týchto predsudkov a nájsť zmierňujúce opatrenia na riešenie týchto predsudkov.
Výsledky učenia
-
Študent vyhodnocuje rôzne techniky ML, aby urobil dobre podloženú voľbu, zodpovedajúci získaným požiadavkám zákazníka a implementoval prototyp zvolenej techniky ML na poradenstvo pri riešení daného problému dátového modelovania.
- Výsledky učenia 1
-
Študent tvrdí, pomocou základných etických rámcov, ako možno vyriešiť morálne dilemy a vyhodnocuje možné dôsledky existujúcich predsudkov v údajoch a vplyv navrhnutých zmierňujúcich opatrení na boj proti dôsledkom týchto predsudkov.
- Výsledky učenia 2
-
Študent uplatňuje kvantitatívne a kvalitatívne výskumné metódy na vedecké zdôvodnenie svojich rozhodnutí počas etického zvažovania a tvorby prototypu.
- Výsledky učenia 3
Plány vyučovania pre modul A (modelovanie)
Všeobecné AI
- Prednáška: Historický úvod do modelov vedeckého vysvetlenia
- Prednáška: Pochopenie údajov
Prieskum dát pre strojové učenie
- Výukový program: Pochopenie údajov
- Prednáška: Prieskumná analýza údajov II
- Výukový program: Prieskumná analýza údajov
- Prednáška: Zovšeobecnenie a zovšeobecnenie
- Výukový program: Zovšeobecnenie a zovšeobecnenie
Základy strojového učenia
- Prednáška: Hodnotenie modelu
- Výukový program: Hodnotenie modelu
- Prednáška: Montáž modelu a optimalizácia
- Praktické: Montáž modelu a optimalizácia
Teória rozhodovania
- Prednáška: Teória rozhodovania
- Výukový program: Teória rozhodovania
- Prednáška: Rozhodovacie siete
- Výukový program: Rozhodovacie siete
Dátová veda
- Prednáška: Proces analýzy údajov
- Laboratórna relácia: Platformy
- Prednáška: Príprava a prieskum údajov
- Laboratórna relácia: Príprava a prieskum údajov
Strojové učenie pod dohľadom
- Prednáška: Lineárna regresia
- Laboratórna relácia: Lineárna regresia
- Prednáška: Rozhodovacie stromy
- Laboratórna relácia: Rozhodovacie stromy
- Prednáška: SVM a jadrá
- Laboratórna relácia: SVM a jadrá
- Prednáška: Neurónové siete
Strojové učenie bez dozoru
- Prednáška: Bez dozoru učenie
- Laboratórna relácia: Bez dozoru učenie
Aplikácie v ml
- Prednáška: Spracovanie prirodzeného jazyka
- Laboratórna relácia: Spracovanie prirodzeného jazyka
Všeobecná etika
Etické rámce
- Interaktívna relácia: Etické rámce
- Prednáška: Utilitarianizmus
- Interaktívna relácia: Utilitarianizmus
- Prednáška: Etika cnosti
- Interaktívna relácia: Etika cnosti
- Prednáška: Etika povinností
- Interaktívna relácia: Etika povinností
- Prednáška: Teória spravodlivosti
Pokročilá etika
- Prednáška: Teória sociálnych zmlúv
- Prednáška: Zásady spravodlivosti
Aplikovaná etika
- Prednáška: Hodnotovo citlivý dizajn
- Interaktívna relácia: Dizajn citlivý na hodnotu
- Prednáška: Ochrana osobných údajov
- Prednáška: Etika systémov podpory rozhodovania
- Prednáška: Rozhodovanie a (kognitívne) zaujatosti
Nasadenie (modul B)
Zavedenie modulu (modul B) sa zameriava na druhú fázu vývojového cyklu MLOps; nasadenie. Po prieskumnej fáze modelovania údajov (pozri modul A – Modelovanie) prichádza integrácia ML riešenia do podnikových systémov. Teraz je dôležité začať premýšľať o architektúre ML a o tom, ako sa hrá spolu s existujúcimi systémami (dedičstvo). Aby bolo možné skutočne využívať automatizované riešenia ML, je potrebné zaviesť plynovody; na jednej strane, aby bolo možné zaoberať sa nepretržitými a živými dodávkami údajov (spracovanie toku) a na druhej strane prepojiť výsledky modelu ML s inými systémami.
Modul B okrem toho zvyšuje zložitosť technológie umelej inteligencie tým, že smeruje k (využívaniu) neurónových sietí a hlbokému učeniu. Hlavnou výhodou týchto zložitejších modelov je, že sú flexibilnejšie a všestrannejšie ako techniky zavedené v module A – Modelovanie. Avšak, dôležité nevýhody týchto techník sú, že sú zložitejšie (rozumieť a konfigurovať) a nepriehľadné. V nej spočíva dôležitá etická dilema pri používaní (pokročilých) techník umelej inteligencie: ako stále rozumiete tomu, čo riešenie umelej inteligencie vypočíta a či sa to robí správnym spôsobom. Zvýšenie transparentnosti zavádzania riešení umelej inteligencie a schopnosť určiť možné riziká a zmierniť tieto riziká sú dôležitými (sociálnymi) témami v tomto module.
Výsledky učenia
-
Študent posudzuje možné možnosti integrácie pokročilej techniky umelej inteligencie, ako je napríklad hĺbkové učenie a/alebo učenie o posilnení, a autorom je jednostranová správa založená na prototype, ktorý bol vyvinutý s prihliadnutím na obmedzenia a vplyvy existujúcich IKT systémov a dátových zariadení zákazníka, ktoré boli získané napríklad v spolupráci s architektmi alebo vývojármi IKT.
- Výsledky učenia 1
-
Študent posudzuje možné riziko a testuje stupeň transparentnosti (vrátane interpretovateľnosti, reprodukovateľnosti a vysvetliteľnosti) vybraných implementačných riešení umelej inteligencie/ML a navrhuje riešenia pomocou techník, ktoré zvyšujú prehľad a transparentnosť medzi zainteresovanými stranami (tzv. techniky vysvetliteľnej umelej inteligencie (XAI)) na nápravu nedostatkov v tomto ohľade v porovnaní so sociálnymi a zákazníckymi požiadavkami.
- Výsledky učenia 2
-
Študent formuluje výskumný návrh pre vedecky podložený (praktický) výskumný projekt týkajúci sa prípadu spoločnosti formulovaním relevantnej, konzistentnej, funkčnej výskumnej otázky, zvážením aplikovaných výskumných metód, ktoré sa majú použiť, a vytvorením presného, relevantného a kritického teoretického rámca.
- Výsledky učenia 3
Plány lekcií pre modul B (nasadenie)
Základy hlbokého učenia
- Prednáška: Základy hĺbkového učenia
- Výukový program: Základy hĺbkového učenia
- Praktické: Základy hĺbkového učenia
Optimalizácia hĺbkového učenia
- Prednáška: Legalizácia
- Výukový program: Legalizácia
- Prednáška: Dávkové spracovanie
- Výukový program: Dávkové spracovanie
Aplikácie hlbokého učenia
- Prednáška: Stavebné výpočtové grafy, moderné architektúry
- Prednáška: Konvolučné neurálne siete
- Výukový program: Konvolučné neurálne siete
- Praktické: Konvolučné neurálne siete
- Prednáška: Opakujúce sa neurálne siete
- Prednáška: Transformačné siete
- Výukový program: CNN a transformátory pre obrázky
- Prednáška: Hardvérové a softvérové rámce pre hlboké učenie
MLOps
- Prednáška: Ml-Ops
- Výukový program: Ml-Ops
- Praktické: Ml-Ops
- Prednáška: Ml-Ops životný cyklus
- Praktické: Ml-Ops životný cyklus
Nasadenie umelej inteligencie
- Prednáška: Aplikačná technológia
- Praktické: Aplikačná technológia
- Výukový program: Dátová architektúra
- Interaktívna relácia: Dátová architektúra
- Praktické: Technológie založené na Hadoop
Kvalita rozvoja a nasadzovania
- Prednáška: CI/CD
- Výukový program: CI/CD
Všeobecne vysvetliteľná AI
- Prednáška: Úvod Všeobecné Vysvetliteľné AI
- Prednáška: Vysvetliteľná umelá inteligencia pre koncových používateľov
- Praktické: Prax s modelmi XAI 1
- Praktické: Prax s modelmi XAI 2
- Prednáška: Špičkový vývoj XAI
Ochrana osobných údajov
- Prednáška: Úvod do súkromia a rizika
- Interaktívna relácia: Pohľady na súkromie
- Praktické: Audítorské rámce ochrany súkromia a údajov
- Prednáška: Súkromie a strojové učenie
- Praktické: Uplatňovanie a hodnotenie techník ochrany súkromia
Bezpečnosť a robustnosť
- Prednáška: Bezpečnosť a robustnosť
- Praktické: Uplatňovať audítorské rámce
- Praktické: Zvýšenie bezpečnosti ML a robustnosti
Riziko
- Prednáška: Zmierňovanie rizika a rizika
- Interaktívna relácia: Zmierňovanie rizika a rizika
- Praktické: Zmierňovanie rizika a rizika
Hodnotenie (modul C)
Modul hodnotenia (modul C) sa zameriava na hodnotiace aspekty vývoja umelej inteligencie vrátane spoločenských aspektov produktu umelej inteligencie, ako aj na rozvoj hodnotenia možných budúcich smerov umelej inteligencie, pričom sa zohľadnia technologické trendy; sociálne zodpovednú umelú inteligenciu; súlad, ako aj zabezpečenie toho, aby bol ľudský prvok stále prítomný pri navrhovaní, vývoji a hodnotení systémov umelej inteligencie.
V rámci budúcnosti umelej inteligencie sa diskutuje o preskúmaní úrovne prijatia umelej inteligencie v rôznych odvetviach, ako aj o tom, ako sa umelá inteligencia prispôsobuje rôznym oblastiam. Pohľad na sociálne zodpovednú umelú inteligenciu zahŕňa to, ako umelá inteligencia ovplyvňuje jednotlivcov a rôzne skupiny v spoločnosti. A ako kľúčová časť modulu sa kladie dôraz na zákony, politiky a kódexy správania súvisiace s umelou inteligenciou (s dôrazom na otázky, ako je vysvetliteľnosť a dôvera), ako aj na procesy kontroly kvality a riadenia kvality s cieľom vyhodnotiť výsledky iniciatív v oblasti umelej inteligencie.
Výsledky učenia
-
Študent rozvíja ocenenie špičkových prístupov k umelej inteligencii a strojovému učeniu, ako aj pochopenie toho, ako sa umelá inteligencia využíva v rôznych oblastiach a ako vyhodnotiť potenciálne smery, ktorými umelá inteligencia môže ísť v budúcnosti.
- Výsledky učenia 1
-
Študent ukazuje dobre definovaný prístup k skenovaniu následkov, berúc do úvahy otázky, ako je hodnotenie potenciálneho vplyvu novej technológie na jednotlivcov a spoločnosť so zameraním najmä na menšiny a marginalizované skupiny, ako aj na potenciálne vplyvy na životné prostredie.
- Výsledky učenia 2
-
Študent demonštruje schopnosť používať plne formulovanú výskumnú metodiku s etikou zakotvenou vo všetkých etapách s vedomím kontextovej povahy konkrétnych prístupov, ktoré by sa mali použiť a ktoré budú informované z prípadových štúdií zahrnutých v tomto module.
- Výsledky učenia 3
Plány vyučovania pre modul C (hodnotenie)
Úvod
- Prednáška: Úvod k obnoveniu umelej inteligencie a ML
- Prednáška: Prednáška hosťa o budúcnosti AI
Otvorené problémy a výzvy
- Prednáška: Prednáška hosťa o vysvetliteľnom strojovom učení (XAI)
- Praktické: Vysvetliteľné strojové učenie (XAI)
- Prednáška: Inkluzívnosť, súkromie a príčinná súvislosť
- Interaktívna relácia: Inkluzívnosť, súkromie a príčinná súvislosť
- Prednáška: Dôvera, Normativity a Model Drift
- Interaktívna relácia: Dôvera, Normativity a Model Drift
- Prednáška: Všeobecnosť a všeobecná umelá inteligencia (AGI). Otvorené problémy vs výzvy
Pokroky v modeloch ML prostredníctvom HC objektívu. Štúdia orientovaná na výsledky
- Prednáška: Polodohľad a bez dozoru učenie
- Prednáška: Generatívne modely, transformácia modelov hlbokého učenia a hybridného učenia
- Prednáška: Teória Federovaného učenia (Profilovanie a personalizácia)
- Prednáška: Federated Learning – Vývoj a otvorené výzvy
- Praktické: Federated Learning – Vlak hlboké modely
- Prednáška: Kompresia modelu – Edge Computing
- Praktické: Kompresia modelu – Edge Computing
- Prednáška: Automatizovaná optimalizácia hyperparametra
Vznikajúce hodnotenia modelov HCAI – štúdia založená na diskusiách
- Prednáška: Funkcie Dôležitosť, Dôvera Modely a Kvantifikácia dôveryhodnosti
- Praktické: Funkcie Dôležitosť, Dôvera Modely a Kvantifikácia dôveryhodnosti
- Prednáška: Pravdepodobnostné opisy modelov ML, Subjektívna logika, Permutácia Dôležitosť
- Praktické: Čiastočná závislosť, individuálne podmienené očakávanie (ICE), LIME, DeepLIFT, SHAP
Filozofická diskusia o budúcej technológii umelej inteligencie
- Prednáška: Úvodná stránka > Quantum Computing
- Interaktívna relácia: Prenikanie umelej inteligencie a singularity umelej inteligencie
- Interaktívna relácia: Pohyb za práva robota
- Interaktívna relácia: Biológia človeka a stroja/Neuromorfné technológie
- Interaktívna relácia: Žiť s robotmi
- Interaktívna relácia: Interakcia medzi človekom a strojom
Právne predpisy EÚ a medzinárodné právne predpisy/rámce týkajúce sa údajov, umelej inteligencie, ľudských práv a rovnosti
- Prednáška: Prehľad etických, odborných a právnych aspektov aplikácií HCAI
- Interaktívna relácia: Etické, profesionálne a právne aspekty aplikácií HCAI
- Prednáška: Dáta a jeho výzvy – GDPR EÚ, US COPPA, HIPPA
- Prednáška: Dáta a ich výzvy – Data Regulations, Data Sourcing and HCAI Perspective
- Interaktívna relácia: Dáta a ich výzvy. Ako GDPR ovplyvňuje riešenia umelej inteligencie
- Praktické: Dáta a ich výzvy. Cvičenie nariadenia o umelej inteligencii
- Prednáška: Právne predpisy EÚ v oblasti ľudských práv
- Interaktívna relácia: Právne predpisy EÚ v oblasti ľudských práv – prípadová štúdia
- Prednáška: Návrh nariadenia EÚ týkajúci sa aplikácií HCAI
- Interaktívna relácia: Návrh nariadenia EÚ o umelej inteligencii – prípadová štúdia
- Praktické: Účinný návrh nariadenia EÚ o umelej inteligencii
- Prednáška: Silné stránky a obmedzenia existujúcich zákonov hlbší život
Správa údajov, audit a hodnotenie
- Prednáška: Bezpečnosť a súlad údajov, dátová línia a správa
- Prednáška: Správa a riadenie, kľúčové zainteresované strany a správa osobných údajov
- Praktické: Spoločné úlohy a kríž medzi správou údajov a AI tímami
- Praktické: Preskúmať dátovú líniu, výzvy a potenciálny vplyv tímov umelej inteligencie
Politika a rámce – Životný cyklus
- Prednáška: DS, AI, ML Life Cycle – prístup zameraný na človeka
- Praktické: Realizácia životného cyklu a skúška spravodlivosti
Rozsah spoločensky zodpovednej umelej inteligencie
- Prednáška: Pozitívne a negatívne externality
- Interaktívna relácia: Externality súvisiace s dobrým životom
- Interaktívna relácia: Negatívne externality – Bhopalová plynová tragédia – prípadová štúdia
- Interaktívna relácia: Produktové ceny Vs továrenský odpad – perspektíva umelej inteligencie
- Prednáška: Externality v prísnom mikroekonomickom zmysle
Spoločenská zodpovednosť podnikov (ISO 26000) – pri používaní systému HCAI
- Prednáška: Spravodlivé prevádzkové postupy – nábor umelej inteligencie a zlé postupy monitorovania umelej inteligencie
- Interaktívna relácia: Rozhodovanie založené na umelej inteligencii – nábor a propagácia
- Interaktívna relácia: Rozhodovanie založené na monitorovaní umelej inteligencie
- Interaktívna relácia: Ľudský zásah na nekonzistentné a/alebo dobré rozhodnutia o umelej inteligencii
- Interaktívna relácia: Prenos kontroly späť a Forth medzi človekom a AI
- Interaktívna relácia: Fykologické aspekty pri práci s AI – stres, úzkosť, depresia
- Prednáška: Spotrebiteľské otázky – filtračné bubliny, ukladanie dát, monitorovanie umelej inteligencie, spravodlivé postupy
- Interaktívna relácia: Spotrebiteľské otázky – filtračné bubliny, ukladanie dát, monitorovanie umelej inteligencie, spravodlivé postupy
- Interaktívna relácia: Rozvoj komunít – Spoločenské posúdenie vplyvu pred prácou na projekte umelej inteligencie
Sociálno-právne aspekty pre umelú inteligenciu
- Interaktívna relácia: Kto je zodpovedný? Zodpovednosť za produkty, problémy s autorskými právami
AI pre všetkých
- Prednáška: Ekonomické rozdiely – digitálna priepasť
- Interaktívna relácia: Ekonomické rozdiely – digitálne rozdelenie v kategóriách
- Geografická, technická, finančná a politická
- Interaktívna relácia: Ako AI ovplyvňuje ľudské správanie – pozitívne a negatívne
- Interaktívna relácia: Vplyv na životné prostredie – uhlíková stopa
- Interaktívna relácia: Vplyv na vzdelávanie – rozhodovanie o automatickej umelej inteligencii
- Interaktívna relácia: Filtračná bublina – politická, korporátna a geografická
- Interaktívna relácia: AI-Powered Warfare a medzinárodný mier
Promócia (modul D)
Modul pre absolventov ( modulD) odráža základný princíp programu HCAIM, ktorý je postavený na koncepcii projektového učenia (PBL). Cieľom tohto modulu je umiestniť projekt promócie (tvorba profesionálneho produktu) centrálne do vzdelávacej dráhy študenta. V rámci svojho magisterského projektu (Magisterská práca) študenti ukazujú, že môžu nezávisle riešiť výzvy navrhnuté priemyslom na základe aktuálnych potrieb a požiadaviek, berúc do úvahy technické aj etické aspekty danej problematiky.
Každá práca sa považuje za lokálne s interným nadriadeným (doktorom z univerzity, v ktorom študent vykonáva titul) a externým vedúcim, ktorý patrí k strane, ktorá navrhuje diplom (ak existuje). Tento druhý aspekt napriek tomu, že nie je povinný, sa dôsledne sleduje. Navrhujúcou stranou môže byť MSP, centrum excelentnosti alebo iná univerzita na vnútroštátnej aj medzinárodnej úrovni. Od navrhujúcich strán sa očakáva, že poskytnú národnú aj medzinárodnú diplomovú prácu (t. j. diplomovú prácu organizovanú s univerzitou z tej istej krajiny alebo z cudzej).
Výsledky učenia
-
Študent uznáva a reflektuje životný cyklus umelej inteligencie v realistickom kontexte informovanom odvetví a na rôznych miestach, scenároch a prípadoch použitia.
- Výsledky učenia 1
-
Študent preukazuje spoľahlivý a platný prístup k výskumu prostredníctvom projektu s presne definovaným interdisciplinárnym prístupom, ktorý vytvára riešenia relevantné pre priemysel a technologicky kompetentné, pričom hodnotí potenciálny vplyv ich práce na jednotlivcov a spoločnosť.
- Výsledky učenia 2
-
Študent preukazuje profesionálny postoj, pokiaľ ide o komunikáciu s príslušnými zainteresovanými stranami (napr. mentormi, poradcami, rovesníkmi a zákazníkmi), analytický postoj, pracovný étos, spôsobilosť plánovania, proaktívnosť a sebavedomie.
- Výsledky učenia 3
Usmernenia k diplomovej práci
HCAIM Téma Návrhy Usmernenia
Tieto usmernenia sú určené na podporu strán, ktoré majú v úmysle navrhnúť novú tézu.
Šablóna Tézy HCAIM
Pozrite si šablónu práce HCAIM TU.
Etické usmernenia pre HCAIM Témy
Plagiátorstvo, spracovanie dát a manipulácia s obrazom
Plagiátorstvo nie je prijateľné. Plagiátorstvo zahŕňa kopírovanie textu, nápadov, obrázkov alebo údajov z iného zdroja, vrátane vašich vlastných publikácií, bez toho, aby sa pripisoval pôvodný zdroj.
Opakované použitie textu skopírovaného z iného zdroja musí byť medzi úvodzovkami a pôvodný zdroj musí byť citovaný. Ak predchádzajúce štúdie inšpirovali dizajn štúdie alebo štruktúru alebo jazyk rukopisu, tieto štúdie musia byť výslovne citované.
Obrazové súbory nesmú byť manipulované alebo upravené spôsobom, ktorý by mohol viesť k nesprávnemu výkladu informácií poskytnutých pôvodným obrazom. Nepravidelná manipulácia zahŕňa 1) zavedenie, vylepšenie, presun alebo odstránenie funkcií z pôvodného obrazu, 2) zoskupenie obrázkov, ktoré by mali byť prezentované samostatne, alebo 3) úpravu kontrastu, jasu alebo vyváženosti farieb s cieľom zakryť, odstrániť alebo zlepšiť niektoré informácie.
Prezentované výsledky nesmú byť nesprávne vybrané, manipulované, vylepšené alebo vyrobené. To zahŕňa 1) vylúčenie údajových bodov na zvýšenie významu záverov, 2) vytváranie údajov, 3) výber výsledkov, ktoré podporujú konkrétny záver na úkor protichodných údajov, 4) úmyselný výber analytických nástrojov alebo metód na podporu konkrétneho záveru (vrátane p-hacking).
Výskum zahŕňajúci ľudské subjekty, zvieratá alebo rastliny
Pri podávaní správ o výskume, ktorý sa týka ľudských subjektov, ľudského materiálu, ľudských tkanív alebo údajov o ľuďoch, musí navrhujúca strana zabezpečiť, aby sa vyšetrovania vykonali v súlade s pravidlami Helsinskej deklarácie z roku 1975, revidovanej v roku 2013. Akýkoľvek dôsledok spojený s porušením tohto aspektu bude úplne pripísaný navrhujúcej strane a ani konzorcium HCAIM ani študent.
Práca s bunkovými líniami by mala uvádzať pôvod akýchkoľvek bunkových línií. V prípade zavedených bunkových línií by sa mal uviesť pôvod a musia sa uviesť aj odkazy na publikovaný papier alebo komerčný zdroj. Ak boli použité predtým nezverejnené bunkové línie de novo vrátane tých, ktoré boli obdarované iným laboratóriom, musia sa poskytnúť podrobnosti o schválení inštitucionálnou revíznou komisiou alebo etickej komisii a musí sa poskytnúť potvrdenie o písomnom informovanom súhlase, ak je riadok ľudského pôvodu.
Všetky témy, ktoré sú potenciálne odvodené z akéhokoľvek výskumu spôsobujúceho akékoľvek poškodenie zvierat, sú zakázané. Všetky usmernenia uplatňované na ľudí by sa mali dodržiavať (ak je to možné) aj pre zvieratá.
Experimentálny výskum rastlín (kultivovaných alebo voľne žijúcich) vrátane zberu rastlinného materiálu musí byť v súlade s inštitucionálnymi, vnútroštátnymi alebo medzinárodnými usmerneniami. Odporúčame, aby sa tieto zásady riadili Dohovorom o biologickej diverzite a Dohovorom o obchode s ohrozenými druhmi voľne žijúcich živočíchov a rastlín.
Sex, Pohlavie, Etnicita, Náboženstvo a iné zaujatosti vo výskume
Odporúča sa, aby sa riadili usmerneniami „Sex a rodová rovnosť vo výskume – SAGER“ a aby v prípade potreby zahŕňali rodové a rodové hľadiská. Pojmy pohlavie (biologický atribút) a pohlavie (v tvare sociálnych a kultúrnych okolností) by sa mali používať opatrne, aby sa zabránilo zámene oboch pojmov. V práci by sa malo tiež opísať (v „podkladoch“), či možno očakávať rozdiely medzi pohlaviami a/alebo pohlaviami; informovať o tom, ako sa pri návrhu štúdie zohľadnilo pohlavie a/alebo pohlavie; v prípade potreby poskytovať rozčlenené údaje podľa pohlavia a/alebo pohlavia; a diskutovať o príslušných výsledkoch. Ak sa nevykonala analýza pohlavia a/alebo pohlavia, v diskusii by sa malo uviesť odôvodnenie.
Podobné úvahy sa vzťahujú na všetky ostatné formy zaujatosti vrátane (a nielen) etnickej príslušnosti a náboženstva. V prvom rade pripomíname, že ľudia nemajú rasy, ale len etnickú príslušnosť.
Ak je práca zameraná na zaujatosť, musí sa od začiatku objasniť jej zdôvodnenie.
Konflikt záujmov
Študenti sa musia vyhýbať uzatváraniu dohôd so sponzormi štúdia, či už ziskovými, ako aj neziskovými, ktoré zasahujú do prístupu ku všetkým údajom štúdie alebo ktoré narúšajú ich schopnosť analyzovať a interpretovať údaje a nezávisle pripraviť dizertačnú prácu, kedy a kde sa rozhodnú.
Študenti musia identifikovať a deklarovať akékoľvek osobné okolnosti alebo záujmy, ktoré môžu byť vnímané ako nevhodné ovplyvňujúce reprezentáciu alebo interpretáciu oznámených výsledkov výskumu. Medzi príklady možných konfliktov záujmov patria okrem iného finančné záujmy (ako členstvo, zamestnanie, poradenské spoločnosti, vlastníctvo akcií/akcií, honoráre, granty alebo iné financovanie, platené odborné svedectvá a dohody o udelení patentovej licencie) a nefinančné záujmy (ako sú osobné alebo profesijné vzťahy, príslušnosť, osobné presvedčenie).
Akákoľvek úloha sponzorov financovania pri navrhovaní štúdie, pri zhromažďovaní, analýze alebo interpretácii údajov, v písomnej forme rukopisu alebo v rozhodnutí o uverejnení výsledkov musí byť vopred deklarovaná.
Citačné politiky
- Študenti by mali zabezpečiť, aby tam, kde je materiál prevzatý z iných zdrojov (vrátane ich vlastného publikovaného písania), bol zdroj jasne citovaný a tam, kde je to vhodné, bolo získané povolenie.
- Študenti by sa nemali zapájať do nadmerného seba podnecovania svojej vlastnej práce.
- Študenti by nemali kopírovať odkazy z iných publikácií, ak si nečítali citované dielo.
- Študenti by nemali prednostne uvádzať publikácie svojich vlastných alebo priateľov, rovesníkov alebo inštitúcií.
- Študenti by nemali citovať reklamy alebo reklamné materiály.
Etické usmernenia pre recenzentov
Potenciálny konflikt záujmov
Od hodnotiteľov sa žiada, aby informovali radu HCAIM, ak majú konflikt záujmov, ktorý môže ovplyvniť správu o preskúmaní, a to buď pozitívnym alebo negatívnym spôsobom. Pred pozvaním recenzentov bude komisia čo najpresnejšie skontrolovať; napriek tomu sa očakáva a oceňuje spolupráca posudzovateľov v tejto oblasti.
Dôvernosť a anonymita
Recenzenti musia uchovávať obsah práce, vrátane abstraktného, dôverného. Musia informovať výbor HCAIM, ak by chceli, aby kolega dokončil preskúmanie v ich mene.
Matrica rizík a plán zmierňovania pre HCAIM Témy
Táto šablóna umožňuje nadriadenému podporovať študenta pri identifikácii a riešení problémov. Zároveň bude požiadaná strana navrhujúca prácu, aby zostavila tento vzor.
Do návrhu projektu by mali byť zahrnuté všetky míľniky a výstupy na dokončenie navrhovaného výskumného projektu. Od študentov sa tiež vyžaduje, aby pripravili maticu rizík, ktorá zahŕňa riziká, ktoré by mohli ohroziť dosiahnutie týchto výsledkov, a poskytli pohotovostné plány na zmiernenie načrtnutých rizík. Príklad matice rizík a plánu na zmiernenie rizika je uvedený nižšie. V prípade potreby uveďte ďalšie riziká:
Riziko | Závažnosť | Pravdepodobnosť | Zmierňovanie |
Nepodarilo sa zozbierať cieľové údaje včas | Vysoká | Nízka | Projekt začne skúmať verejne dostupné zdroje. Preskúmať možnosti získania syntetických alebo vopred dostupných verejných údajov podobných cieľovým údajom. |
Nedostatočné financovanie zdrojov | Stredná | Stredná | Budú sa hľadať alternatívne zdroje financovania. |
Výskum/projektové ciele príliš ambiciózne | Stredná | Nízka | Pravidelne preskúmavať ciele projektu a regulovať výsledky projektu na základe procesu preskúmania. |
(Nadmerne) Vyžaduje sa veľké množstvo dodatočného výcviku |
Stredná | Nízka | Bude prijatý predchádzajúci súhlas. Ciele projektu sa aktualizujú na základe času a zdrojov použitých na toto dodatočné školenie. |
Strata údajov | Stredná | Nízka | Študent bude dodržiavať vhodné postupy zálohovania, aby sa minimalizovalo riziko. |
Príklady tém práce