Programöversikt

I vårt mål att skapa ett humant centrum AI-masterprogram följer HCAIM-konsortiet definitionen av AI HLEG: ”Det människocentrerade tillvägagångssättet för AI strävar efter att säkerställa att mänskliga värden är centrala för hur AI-system utvecklas, används, används och övervakas, genom att säkerställa respekten för de grundläggande rättigheterna.

För att uppfylla kraven i denna definition omfattar programmet de tekniska, etiska och praktiska delarna av artificiell intelligens. Vi har utformat vårt innehåll kring de tre faserna av MLOps livscykel – utveckling, driftsättning och underhåll av maskininlärningsmodeller och därmed producera tre kärnmoduler i linje med ovan nämnda ML-Ops faser: Modellering (modul A), distribution (modul B) och utvärdering (modul C). Vi har lagt till en fjärde modul (D) examen, för att göra det möjligt för studenter att visa att de självständigt kan lösa utmaningar som föreslagits av branschen baserat på aktuella behov och krav relaterade till området humancentrerad artificiell intelligens.

Detta visualiseras i tabellen nedan.

Modul A Modul B Modul C Modul D
Tekniska

Grunden för AI

Avancerad AI:
Djupinlärning
Framtidens AI

Masteruppsatsprojekt

Praktiskt AI-modellering AI i aktion:
Organisatorisk AI
Socialt ansvarsfull AI
Etiska Etiska grunder Pålitlig AI Efterlevnad, Laglighet & Mänsklighet

Den här sidan innehåller alla lärandehändelser som utgör Human Centered Artificial Intelligence Master. Alla utbildningsevenemang, inklusive deras kompletterande studiematerial, kommer att finnas tillgängliga på engelska på HCAIM:s webbplats och kan översättas till vilket EU-språk som helst med hjälp av Europeiska unionens verktyg eTranslation. För denna förhandsgranskning finns en lärandehändelse i modul A, en lärande händelse i modul B, två lärandehändelser i modul C och riktlinjerna för avhandlingen, samt två exempel på avhandlingsämnen redan fullt tillgängliga på engelska på denna förhandsgranskningssida (och kan översättas till något av EU:s språk med hjälp av Europeiska unionens eTranslation -verktyg).

Dessutom finns programöversikten för HCAIM- programmet, modul A-inlärningsmålen, modul A-översikten över lektionsplaner samt modul A-lärandeevenemanget ”Föreläsning – introduktion till humancentrerad AI” redan tillgängliga på alla EU-språk via denna förhandsgranskningssida.  För att se översättningarna av dessa delar av HCAIM-programmet, välj något av de enskilda språken längst ner på denna sida.

Allt material är tillgängligt under en Creative Commons Erkännande-IckeKommersiell-NoDerivates 4.0-licens (CC BY-NC-ND 4.0)

Modellering (modul A)

Den första modulen, nämligen modellering (modul A), fokuserar på den första fasen av MLOps livscykel och är relaterad till den lägsta mognadsnivån för tillämpningen av maskininlärning (ML) i organisationer: modellering av data. Den omfattar de verksamheter som ligger till grund för tillämpningen av ML, såsom datautvinning, dataanalys, databeredning, modellutbildning och (främst manuell) validering och utvärdering av modeller.

I denna fas ligger fokus på att korrekt analysera och modellera data för att uppnå affärsmålen och liten användning av automatisering (t.ex. CI/CD), som endast läggs till i den andra fasen av MLOps (Deployment – Module B). Modelleringsverksamheten kännetecknas ofta av den manuella, manusdrivna och interaktiva metod genom vilken dataanalys, förberedelse, modellutbildning och validering utförs. För att upprätthålla en överblick över de olika modeller, parametrar och val som experimenteras med, används experimentspårning.

Ur ett etiskt perspektiv är det viktigt att i modelleringsfasen ägna tillräckligt med tid och uppmärksamhet åt att ta reda på kundens mål, kartlägga intressenterna och undersöka hur dessa intressenters individuella värderingar påverkas (och erkänna eventuella konflikter mellan dem). Aspekter som öppenhet, inkludering, säkerhet och integritet är av stor betydelse i detta sammanhang. Naturligtvis måste också uppmärksamhet ägnas åt den sociala och moraliska önskvärdheten av klientens mål. Dessutom är det viktigt att (tidigt) vara medveten om eventuella fördomar/fördomar i de tillgängliga uppgifterna, erkänna de möjliga konsekvenserna av dessa fördomar och finna mildrande åtgärder för att hantera dessa fördomar.

Lärande resultat

  • Studenten utvärderar olika ML-tekniker för att göra ett välgrundat val, matcha kundens förvärvade krav och implementera en prototyp av den valda ML-tekniken för att ge råd om att lösa ett givet datamodelleringsproblem.

  • Lärande resultat 1
  • Studenten argumenterar, med hjälp av grundläggande etiska ramar, hur moraliska dilemman kan lösas och utvärderar de möjliga konsekvenserna av befintliga fördomar i data och påverkan av utformade reduceringar för att motverka konsekvenserna av dessa fördomar.

  • Lärande resultat 2
  • Studenten tillämpar kvantitativa och kvalitativa forskningsmetoder för att vetenskapligt underbygga sina val under etiska överväganden och göra prototypen.

  • Lärande resultat 3

Lektionsplaner för modul A (Modelling)

Allmän AI

  • Föreläsning: Historisk introduktion till vetenskapliga förklaringsmodeller
  • Föreläsning: Förstå data

Datautforskning för maskininlärning

  • Handledning: Förstå data
  • Föreläsning: Undersökande dataanalys II
  • Handledning: Undersökande dataanalys
  • Föreläsning: Inferens och generalisering
  • Handledning: Inferens och generalisering

Grundläggande maskininlärning

  • Föreläsning: Modellutvärdering
  • Handledning: Modellutvärdering
  • Föreläsning: Modellmontering och optimering
  • Praktiskt: Modellmontering och optimering

Beslutsteori

  • Föreläsning: Beslutsteori
  • Handledning: Beslutsteori
  • Föreläsning: Beslutsnätverk
  • Handledning: Beslutsnätverk

Datavetenskap

  • Föreläsning: Dataanalysprocessen
  • Lab session: Plattformar
  • Föreläsning: Förberedelse och undersökning av data
  • Lab session: Förberedelse och undersökning av data

Övervakad maskininlärning

  • Föreläsning: Linjär regression
  • Lab session: Linjär regression
  • Föreläsning: Beslutsträd
  • Lab session: Beslutsträd
  • Föreläsning: SVM och Kernels
  • Lab session: SVM och Kernels
  • Föreläsning: Neurala nätverk

Oövervakad maskininlärning

  • Föreläsning: Oövervakad inlärning
  • Lab session: Oövervakad inlärning

Ml-tillämpningar

  • Föreläsning: Naturlig språkbehandling
  • Lab session: Naturlig språkbehandling

Allmän etik

Etiska ramar

  • Interaktiv session: Etiska ramar
  • Föreläsning: Utilitarism
  • Interaktiv session: Utilitarism
  • Föreläsning: Dygd etik
  • Interaktiv session: Dygd etik
  • Föreläsning: Yrkesetik
  • Interaktiv session: Yrkesetik
  • Föreläsning: Teorin om rättvisa

Avancerad etik

  • Föreläsning: Sociala kontraktsteorier
  • Föreläsning: Principer för rättvisa

Tillämpad etik

  • Föreläsning: Värdekänslig design
  • Interaktiv session: Värdekänslig design
  • Föreläsning: Sekretess
  • Föreläsning: Etik i beslutsstödssystem
  • Föreläsning: Beslutsfattande och (kognitiva) partiskhet

Utplacering (modul B)

Modulen Deployment (modul B) är inriktad på den andra fasen av MLOps-utvecklingscykeln. utplaceringen. Efter den undersökande datafasen av modellering (se Modul A – Modelling) kommer integreringen av ML-lösningen i affärssystemen. Det är nu viktigt att börja tänka på ML-arkitekturen och hur den spelar tillsammans med befintliga system (legacy). För att kunna dra verklig nytta av automatiserade ML-lösningar måste pipelines införas. å ena sidan för att kunna hantera kontinuerliga och levande dataleveranser (strömsbehandling) och å andra sidan koppla resultaten av ML-modellen till andra system.

Modul B ökar komplexiteten i AI-tekniken genom att gå mot (användning av) neurala nätverk och djupinlärning. En stor fördel med dessa mer komplexa modeller är att de är mer flexibla och mångsidiga än de tekniker som introduceras i modul A – Modelling. De viktigaste nackdelarna med dessa tekniker är dock att de är mer komplexa (för att förstå och konfigurera) och ogenomskinlig. Däri ligger ett viktigt etiskt dilemma i användningen av (avancerade) AI-tekniker: hur förstår du fortfarande vad AI-lösningen beräknar och om detta görs på rätt sätt? Att göra spridningen av AI-lösningar mer transparent och kunna fastställa de möjliga riskerna och minska dessa risker är viktiga (sociala) teman i denna modul.

Lärande resultat

  • Studenten bedömer möjliga val för integration av en avancerad AI-teknik, såsom Deep and/eller Reinforcement Learning, och skriver en ensidig rapport baserad på en prototyp som har utvecklats med beaktande av begränsningar och påverkan på befintliga IKT-system och dataanläggningar hos kunden, som har erhållits i samarbete med t.ex. IKT-arkitekter eller utvecklare.

  • Lärande resultat 1
  • Studenten bedömer den potentiella risken och testar graden av transparens (inklusive tolkningsbarhet, reproducerbarhet och förklarbarhet) av en vald AI/ML-implementering och utformar lösningar med hjälp av tekniker som ökar insikten och transparensen bland intressenter (så kallade Explainable AI (XAI) tekniker) för att åtgärda brister i detta avseende jämfört med de sociala och kundspecifika kraven.

  • Lärande resultat 2
  • Studenten formulerar en forskningsdesign för ett vetenskapligt sunt (praktiskt) forskningsprojekt relaterat till ett företagsfall genom att formulera en relevant, konsekvent, funktionell forskningsfråga, med beaktande av de tillämpade forskningsmetoder som ska användas, och etablera en exakt, relevant och kritisk teoretisk ram.

  • Lärande resultat 3

Lektionsplaner för modul B (Deployment)

Grunderna för djupt lärande

  • Föreläsning: Grunderna för djupt lärande
  • Handledning: Grunderna för djupt lärande
  • Praktiskt: Grunderna för djupt lärande

Optimering av Deep Learning

  • Föreläsning: Reglering
  • Handledning: Reglering
  • Föreläsning: Satsbearbetning
  • Handledning: Satsbearbetning

Tillämpningar av Deep Learning

  • Föreläsning: Byggnadsberäkningsgrafer, moderna arkitekturer
  • Föreläsning: Konvulutionella neurala nätverk
  • Handledning: Konvulutionella neurala nätverk
  • Praktiskt: Konvulutionella neurala nätverk
  • Föreläsning: Återkommande neurala nätverk
  • Föreläsning: Transformatornätverk
  • Handledning: CNNs och Transformers för bilder
  • Föreläsning: Hårdvaru- och mjukvaruramverk för djupinlärning

Mönstren

  • Föreläsning: Ml-Ops
  • Handledning: Ml-Ops
  • Praktiskt: Ml-Ops
  • Föreläsning: Ml-Ops Livscykel
  • Praktiskt: Ml-Ops Livscykel

Införande av AI

  • Föreläsning: Applikationsteknik
  • Praktiskt: Applikationsteknik
  • Handledning: Dataarkitektur
  • Interaktiv session: Dataarkitektur
  • Praktiskt: Hadoop-baserade teknologier

Kvalitet på utveckling & distribution

  • Föreläsning: CI/CD
  • Handledning: CI/CD

Allmänt Förklarlig AI

  • Föreläsning: Introduktion Allmänt Förklarlig AI
  • Föreläsning: Förklarande AI för slutanvändare
  • Praktiskt: Öva med XAI-modeller 1
  • Praktiskt: Träna med XAI-modeller 2
  • Föreläsning: Banbrytande XAI-utveckling

Sekretess

  • Föreläsning: Introduktion till integritet och risk
  • Interaktiv session: Perspektiv på integritet
  • Praktiskt: Revision av ramar för integritet och dataskydd
  • Föreläsning: Sekretess och maskininlärning
  • Praktiskt: Tillämpa och utvärdera integritetsbevarande tekniker

Säkerhet och robusthet

  • Föreläsning: Säkerhet och robusthet
  • Praktiskt: Tillämpa revisionsramar
  • Praktiskt: Förbättra ML-säkerheten och robustheten

Risk

  • Föreläsning: Risk & riskreducering
  • Interaktiv session: Risk & riskreducering
  • Praktiskt: Risk & riskreducering

Utvärdering (modul C)

Utvärderingsmodulen ( modul C) fokuserar på utvärderingsaspekterna av AI-utveckling, inbegripet både de samhälleliga aspekterna av en AI-produkt och utvecklingen av en uppskattning av de potentiella framtida riktningar som AI kan ta, med beaktande av tekniska trender. socialt ansvarsfull AI. efterlevnad, samt säkerställa att det mänskliga elementet är ständigt närvarande i design, utveckling och utvärdering av AI-system.

Som en del av framtiden för AI diskuteras en utforskning av nivån på AI-antagande i olika branscher, samt hur AI är anpassat för olika domäner. Att titta på socialt ansvarsfull AI inkluderar hur AI påverkar individer och olika grupper i samhället. Och som en viktig del av modulen finns fokus på lagar, policyer och uppförandekoder relaterade till AI (med tonvikt på frågor som förklarbarhet och förtroende), samt kvalitetskontroll och kvalitetsstyrningsprocesser, för att utvärdera resultaten av AI-initiativ.

Lärande resultat

  • Studenten utvecklar en uppskattning av de banbrytande metoderna för AI och maskininlärning, samt en förståelse för hur artificiell intelligens används inom olika domäner, och hur man utvärderar de potentiella riktningarna artificiell intelligens kan gå i framtiden.

  • Lärande resultat 1
  • Studenten visar ett väldefinierat tillvägagångssätt för konsekvensskanning, med beaktande av frågor som att utvärdera den potentiella inverkan ny teknik kan ha på individer och samhället, med särskilt fokus på minoriteter och marginaliserade grupper, samt potentiell miljöpåverkan.

  • Lärande resultat 2
  • Studenten visar förmåga att använda en fullartikulerad forskningsmetodik med etik inbäddad i alla skeden, med en medvetenhet om den kontextuella karaktären av de specifika tillvägagångssätt som ska användas som kommer att informeras av de fallstudier som omfattas av denna modul.

  • Lärande resultat 3

Lektionsplaner för modul C (utvärdering)

Inledning

  • Föreläsning: Introduktion till återuppkomsten av AI och ML
  • Föreläsning: Gästföreläsning om AI:s framtid

Öppna problem och utmaningar

  • Föreläsning: Gästföreläsning om förklarande maskininlärning (XAI)
  • Praktiskt: Förklarande maskininlärning (XAI)
  • Föreläsning: Inkludering, integritet och orsakssamband
  • Interaktiv session: Inkludering, integritet och orsakssamband
  • Föreläsning: Tillit, Normativitet och Modell Drift
  • Interaktiv session: Tillit, Normativitet och Modell Drift
  • Föreläsning: Generaliserbarhet och artificiell allmän intelligens (AGI). Öppna problem Vs Utmaningar

Framsteg i ML-modeller genom ett HC-objektiv. En resultatorienterad studie

  • Föreläsning: Halvövervakad och oövervakad inlärning
  • Föreläsning: Generativa modeller, omvandla djupt lärande och hybrid inlärningsmodeller
  • Föreläsning: Teori om Federated Learning (Profiling och Personalisering)
  • Föreläsning: Federated Learning – Framsteg och öppna utmaningar
  • Praktiskt: Federated Learning – Träna djupa modeller
  • Föreläsning: Modellkompression – Edge Computing
  • Praktiskt: Modellkompression – Edge Computing
  • Föreläsning: Automatiserad hyperparameteroptimering

Nya utvärderingar för HCAI-modeller – Diskussionsbaserad studie

  • Föreläsning: Funktionsvikt, förtroendemodeller och förtroendekvantifiering
  • Praktiskt: Funktionsvikt, förtroendemodeller och förtroendekvantifiering
  • Föreläsning: Probabilistiska beskrivningar av ML-modeller, subjektiv logik, Permutation Viktighet
  • Praktiskt: Partiell beroende, individuell villkorlig förväntan (ICE), LIME, DeepLIFT, SHAP

Filosofisk diskussion om framtidens AI-teknik

  • Föreläsning: Gästföreläsning om Quantum Computing
  • Interaktiv session: Genomträngning av AI och AI Singularity
  • Interaktiv session: Roboträttsrörelse
  • Interaktiv session: Human-maskinbiologi/neuromorfisk teknik
  • Interaktiv session: Att leva med robotar
  • Interaktiv session: Interaktioner mellan människa och maskin

EU och internationell lagstiftning/ramverk om data, AI, mänskliga rättigheter och jämlikhet

  • Föreläsning: Översikt över etiska, professionella och juridiska aspekter av HCAI-applikationer
  • Interaktiv session: Etiska, professionella och juridiska aspekter av HCAI-applikationer
  • Föreläsning: Data och dess utmaningar – EU GDPR, US COPPA, HIPPA
  • Föreläsning: Data och dess utmaningar – Datareglemente, Data Sourcing och HCAI-perspektiv
  • Interaktiv session: Data och dess utmaningar. Hur GDPR påverkar AI-lösningar
  • Praktiskt: Data och dess utmaningar. En AI-regleringsövning
  • Föreläsning: EU:s lagstiftning om mänskliga rättigheter
  • Interaktiv session: EU:s lagstiftning om mänskliga rättigheter – en fallstudie
  • Föreläsning: EU:s förslag till förordning om HCAI-ansökningar
  • Interaktiv session: EU:s förslag till förordning om AI – en fallstudie
  • Praktiskt: Effektivt av EU:s förslag till förordning om AI
  • Föreläsning: Styrkor och begränsningar av befintliga lagar en djupare dykning

Datahantering, revision och bedömning

  • Föreläsning: Datasäkerhet och efterlevnad, datalinjeering och hantering
  • Föreläsning: Styrning och styrning, nyckelintressenter och hantering av personuppgifter
  • Praktiskt: Gemensamma roller och korsningar mellan datahantering och AI-team
  • Praktiskt: Undersöka datalinje, utmaningar och potentiella effekter av AI-teamen

Politik och ramar – livscykel

  • Föreläsning: DS, AI, ML Life Cycle – En människocentrerad strategi
  • Praktiskt: Livscykelimplementering och ett test för rättvisa

Omfattningen av socialt ansvarsfull AI

  • Föreläsning: Positiva och negativa externaliteter
  • Interaktiv session: Externa effekter relaterade till välbefinnande
  • Interaktiv session: Negativa externa effekter – Bhopal Gas Tragedi – En fallstudie
  • Interaktiv session: Produktprissättning Vs Fabriksavfall – AI-perspektiv
  • Föreläsning: Externa effekter i starkt mikroekonomiskt sinne

Företagens sociala ansvar (ISO 26000) – Vid användning av HCAI-system

  • Föreläsning: Rättvis operativ praxis – AI-rekrytering och oegentligheter i AI-övervakning
  • Interaktiv session: AI-baserat beslutsfattande – rekrytering och marknadsföring
  • Interaktiv session: Beslutsfattande baserat på AI-övervakning
  • Interaktiv session: Mänsklig intervention på Inconsistenta och/eller bra AI-beslut
  • Interaktiv session: Överföring av kontroll tillbaka och fram mellan människa och AI
  • Interaktiv session: Fykologiska aspekter när man arbetar med AI – stress, ångest, depression
  • Föreläsning: Konsumentfrågor – Filterbubblor, datalagring, AI-övervakning, rättvisa metoder
  • Interaktiv session: Konsumentfrågor – Filterbubblor, datalagring, AI-övervakning, rättvisa metoder
  • Interaktiv session: Samhällsutveckling – Samhällskonsekvensbedömning före arbetet med AI-projektet

Socio-rättsliga aspekter för AI

  • Interaktiv session: Vem är ansvarig? — Produktansvar, upphovsrättsproblem

AI för alla

  • Föreläsning: Ekonomiska klyftor – Digital Divide
  • Interaktiv session: Ekonomiska klyftor – Digital uppdelning i kategorier
  • Geografisk, teknisk, finansiell och politisk
  • Interaktiv session: Hur AI påverkar mänskligt beteende – positivt och negativt
  • Interaktiv session: Miljöpåverkan – Kolfotavtryck
  • Interaktiv session: Utbildningspåverkan – Auto AI-beslut
  • Interaktiv session: Filter Bubble – Politisk, Företags- och Geografisk
  • Interaktiv session: AI-driven krigföring och internationell fred

Examen (modul D)

Examensmodulen ( modulD) återspeglar kärnprincipen i HCAIM-programmet som bygger på konceptet projektbaserat lärande (PBL). Målet med denna modul är att placera examensprojektet (göra en professionell produkt) centralt i studentens inlärningsbana. Som en del av sitt examensarbete (masteruppsats) visar studenterna att de självständigt kan lösa de utmaningar som branschen föreslår utifrån aktuella behov och krav, med tanke på både de tekniska och etiska aspekterna av den aktuella frågan.

Varje avhandling betraktas lokalt, med en intern handledare (en professor från universitetet där studenten bedriver examen) och en extern handledare som tillhör den part som föreslår avhandlingen (om sådan finns). Denna senare aspekt, trots att den inte är obligatorisk, eftersträvas strängt. Den föreslagna parten kan vara ett litet eller medelstort företag, ett kompetenscentrum eller ett annat universitet, både på nationell och internationell nivå. Förslagsgivande parter förväntas ge både nationell och internationell avhandling (dvs. avhandling organiserad med ett universitet från samma land eller från ett utländskt).

Lärande resultat

  • Studenten känner igen och reflekterar över AI-livscykeln i ett realistiskt, branschinformerat sammanhang och på olika platser, scenarier och användningsfall.

  • Lärande resultat 1
  • Studenten demonstrerar en robust och giltig forskningsattityd genom ett projekt med ett väldefinierat tvärvetenskapligt tillvägagångssätt som producerar branschrelevanta och tekniskt kompetenta lösningar, samtidigt som man utvärderar den potentiella effekten av sitt arbete på individer och samhälle

  • Lärande resultat 2
  • Studenten uppvisar en professionell inställning till kommunikation med relevanta intressenter (t.ex. mentorer, rådgivare, kamrater och kunder), en analytisk attityd, arbetssynos, planeringskompetens, proaktivhet och självmedvetenhet.

  • Lärande resultat 3

Riktlinjer för avhandlingen

Riktlinjer för HCAIM:s avhandlingsförslag

Dessa riktlinjer är avsedda att stödja parter som avser att föreslå en ny avhandling.

Mall för HCAIM-uppsats

Se mallen för HCAIM-uppsats här.

Etiska riktlinjer för HCAIM avhandlingar

Plagiat, datatillverkning och bildmanipulation

Plagiat är inte acceptabelt. Plagiat inkluderar kopiering av text, idéer, bilder eller data från en annan källa, inklusive dina egna publikationer, utan att ge kredit till den ursprungliga källan.

Återanvändning av text som kopierats från en annan källa måste vara mellan citationstecken och den ursprungliga källan måste citeras. Om tidigare studier har inspirerat en studies utformning eller manuskriptets struktur eller språk, måste dessa studier uttryckligen citeras.

Bildfiler får inte manipuleras eller justeras på något sätt som kan leda till felaktig tolkning av den information som tillhandahålls av den ursprungliga bilden. Oregelbunden manipulation inkluderar 1) introduktion, förbättring, flytta eller ta bort funktioner från den ursprungliga bilden, 2) gruppering av bilder som ska presenteras separat eller 3) ändra kontrast, ljusstyrka eller färgbalans för att dölja, eliminera eller förbättra viss information.

De resultat som presenteras får inte väljas, manipuleras, förbättras eller tillverkas på ett olämpligt sätt. Detta inbegriper 1) uteslutning av datapunkter för att öka betydelsen av slutsatser, 2) tillverkning av data, 3) urval av resultat som stöder en viss slutsats på bekostnad av motstridiga uppgifter, 4) avsiktligt urval av analysverktyg eller analysmetoder för att stödja en viss slutsats (inklusive p-hacking).

Forskning som omfattar människor, djur eller växter

Vid rapportering om forskning som rör mänskliga försökspersoner, mänskligt material, mänskliga vävnader eller mänskliga data måste den förslagsställande parten se till att undersökningarna genomfördes i enlighet med Helsingforsdeklarationen från 1975, reviderad 2013. Eventuella konsekvenser i samband med brott mot denna aspekt kommer helt att tillskrivas den förslagsgivande parten och varken HCAIM-konsortiet eller studenten.

Avhandlingar, som arbetar med cellinjer bör ange ursprunget till alla cellinjer. För etablerade cellinjer bör härkomsten anges, och hänvisningar måste också ges till ett publicerat papper eller en kommersiell källa. Om tidigare opublicerade de novo- cellinjer användes, inklusive sådana som begåvats från ett annat laboratorium, måste uppgifter om institutionell granskningsnämnd eller etikkommitté godkännande ges, och bekräftelse av skriftligt informerat samtycke måste lämnas om linjen är av mänskligt ursprung.

Alla ämnen som potentiellt härrör från någon forskning som orsakar någon skada på djur är förbjudna. Alla riktlinjer som tillämpas på människor bör följas (om möjligt) även för djur.

Experimentell forskning om växter (vare sig odlade eller vilda), inklusive insamling av växtmaterial, måste följa institutionella, nationella eller internationella riktlinjer. Vi rekommenderar att teserna följer konventionen om biologisk mångfald och konventionen om handel med utrotningshotade arter av vilda djur och växter.

Kön, kön, etnicitet, religion och annan fördomar i forskning

Det uppmuntras att följa riktlinjerna ”Sex and Gender Equity in Research – SAGER – Guidelines” och att i förekommande fall inkludera köns- och könsaspekter. Termerna kön (biologiskt attribut) och kön (formade av sociala och kulturella förhållanden) bör användas noggrant för att undvika förvirring båda begreppen. Avhandlingen ska också beskriva (i bakgrunden) om köns- och/eller könsskillnader kan förväntas. rapportera hur kön och/eller kön har redovisats i studiens utformning, tillhandahålla uppdelade uppgifter efter kön och/eller kön, när så är lämpligt, och diskutera respektive resultat. Om en köns- och/eller könsanalys inte genomfördes ska motiveringen ges i diskussionen.

Liknande överväganden gäller för alla andra former av partiskhet, inklusive (och inte begränsat till) etnicitet och religion. För det första påminner vi om att människor inte har raser, utan bara etnicitet.

Om avhandlingen är inriktad på bias, måste motiveringen till det klargöras från början.

Intressekonflikter

Studenter måste undvika att ingå avtal med studiesponsorer, både vinstdrivande och ideella, som stör tillgången till alla studiens data eller som stör deras förmåga att analysera och tolka data och att förbereda avhandlingen självständigt när och var de väljer.

Studenter måste identifiera och deklarera eventuella personliga omständigheter eller intressen som kan uppfattas som olämpligt påverka representationen eller tolkningen av de rapporterade forskningsresultaten. Exempel på potentiella intressekonflikter inkluderar men är inte begränsade till ekonomiska intressen (t.ex. medlemskap, anställning, konsultföretag, aktier/aktieägande, honoraria, bidrag eller annan finansiering, betalda expertutlåtanden och patentlicensavtal) och icke-finansiella intressen (t.ex. personliga eller yrkesmässiga relationer, tillhörigheter, personliga övertygelser).

Eventuella bidragssponsorers roll i utformningen av studien, vid insamling, analys eller tolkning av uppgifter, i skrivandet av manuskriptet eller i beslutet att offentliggöra resultaten ska anmälas i förväg.

Citeringspolicyer

  • Eleverna bör se till att om materialet hämtas från andra källor (inklusive deras egna publicerade skrifter), är källan tydligt citerad och där lämpligt tillstånd erhålls.
  • Eleverna bör inte ägna sig åt överdriven självcitation av sitt eget arbete.
  • Eleverna ska inte kopiera referenser från andra publikationer om de inte har läst det citerade verket.
  • Eleverna bör inte företrädesvis citera sina egna eller sina vänners, kamraters eller institutionens publikationer.
  • Eleverna bör inte citera annonser eller reklammaterial.

Etiska riktlinjer för granskare

Potentiella intressekonflikter

Granskare ombeds att informera HCAIM-styrelsen om de har en intressekonflikt som kan påverka granskningsrapporten, antingen på ett positivt eller negativt sätt. Styrelsen kommer att kontrollera så noggrant som möjligt innan den bjuder in granskare. icke desto mindre förväntas och uppskattas samarbetet mellan granskare i denna fråga.

Sekretess och anonymitet

Granskare måste hålla innehållet i avhandlingen, inklusive det abstrakta, konfidentiellt. De måste informera HCAIM-styrelsen om de vill att en kollega ska slutföra granskningen på deras vägnar.

Riskmatris och begränsningsplan för HCAIM-avhandlingar

Denna mall gör det möjligt för handledaren att stödja studenten i att identifiera och hantera problem. Samtidigt kommer en avhandling som föreslår part att bli ombedd att sammanställa denna mall.

Alla delmål och resultat för slutförandet av det föreslagna forskningsprojektet bör ingå i projektförslaget. Eleverna är också skyldiga att förbereda en riskmatris som inkluderar risker som kan äventyra att nå dessa resultat och tillhandahålla beredskapsplaner för att minska de angivna riskerna. Ett exempel på en riskmatris och en riskreduceringsplan visas nedan. Inkludera vid behov ytterligare risker:

Risk Svårighetsgrad Sannolikhet Lindring
Misslyckades med att samla in måldata i tid Hög Lågt Projektet kommer att börja undersöka öppet tillgängliga resurser. Undersöka alternativ för att förvärva syntetiska eller i förväg tillgängliga offentliga uppgifter som liknar måldata.
Otillräcklig finansiering av resurser Medelmåttigt Medelmåttigt Alternativa finansieringskällor kommer att sökas.
Forskning/Projektmål alltför ambitiösa Medelmåttigt Lågt Regelbundet granska projektmålen och reglera projektresultaten baserat på granskningsprocessen.
(Overly) Stora mängder
ytterligare
utbildning krävs
Medelmåttigt Lågt Förhandsgodkännande kommer att tas. Projektets mål kommer att uppdateras utifrån den tid och de resurser som används för denna kompletterande utbildning.
Dataförlust Medelmåttigt Lågt Studenten kommer att följa lämpliga säkerhetskopieringsprocedurer för att minimera risken.

Exempel på avhandlingsämnen





















Gå till innehåll



Skip to content