Nauka o nauce - wykorzystanie narzędzi sztucznej inteligencji do efektywnej nauki nowych obszarów wiedzy 4010-SOS-30
Moduł 1. Nauka jako instytucja: normy, priorytety, granice
Opis: Nauka jako szczególna instytucja społeczna: etos, normy, nagrody, demarkacja (science/non-science), oraz to, jak instytucje budują wiarygodność.
Pytania: Co „trzyma” naukę w ryzach? Jak działa prestiż i „granice” nauki?
Moduł 2. SSK i społeczny wymiar wiedzy naukowej
Opis: Od instytucji do treści wiedzy: SSK, zasada symetrii, co znaczy „społeczne uwarunkowanie faktów” i jakie są krytyki.
Pytania: Co dokładnie wyjaśnia SSK? Jak łączyć analizę praktyk, instytucji i argumentów?
Moduł 3. Strategie badań: eksploracja vs eksploatacja, nowość, tempo zmian
Opis: Nauka jako wybór strategii: ryzyko/bezpieczne tematy, tradycja vs innowacja, mechanizmy spowolnienia/kanonizacji, a jako tło – klasyczne ujęcia zmian naukowych (Kuhn/Lakatos) jako rama interpretacyjna.
Pytania: Kiedy system premiuje „bezpieczne” projekty? Jak rozpoznać przełom vs rozwój incrementalny?
Moduł 4. Przepływy wiedzy: miejsca, mobilność, sieci, teksty
Opis: Jak wiedza „podróżuje”: rola miejsca, kontaktu, tacit knowledge; a następnie rola tekstów, cytowań, statusu i infrastruktury komunikacji.
Pytania: Dlaczego geografia wciąż ma znaczenie? Jak status i widoczność wpływają na lekturę/cytowanie?
Moduł 5. Team science: współpraca, wielkość zespołów, koszty koordynacji
Opis: Dlaczego zespoły dominują, co robi wielkość zespołu z innowacyjnością, jakie są koszty wyszukiwania współautorów i koordynacji.
Pytania: Kiedy zespoły wzmacniają przełomowość, a kiedy prowadzą do „bezpiecznej nauki”?
Moduł 6. Ekonomia nauki: funding, bodźce, regulacje, open science vs IP
Opis: Jak finansowanie, granty i polityki wpływają na agendy badawcze, ryzyko i kariery; napięcie open science–własność intelektualna.
Pytania: Jak projektować bodźce, żeby nie „psuć” nauki? Co jest kosztem ubocznym ewaluacji i grantów?
Moduł 7. Ewaluacja i wiarygodność: peer review, status, bias, replikowalność, „future science”
Opis: Jak nauka ocenia naukę (peer review, panele, status), skąd biorą się błędy systemowe (publication bias, citation bias), co wiemy o replikowalności oraz jakie wyzwania przynosi „science of the future” (data deluge, AI).
Pytania: Czy system wybiera „najlepsze” pomysły? Jak budować praktyki, które zwiększają zaufanie do literatury?
Zajęcia składają się z 15 godzin wykładu i 15 godzin warsztatów.
Kolejność podejmowanych zagadnień oraz szczegółowość ich realizacji może ulec nieznacznym zmianom.
Założenia (opisowo)
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Tryb prowadzenia
Efekty kształcenia
Student zna i rozumie:
- W1 - [K_W02] - zaawansowane metody projektowania i analizowania złożoności obliczeniowej algorytmów wykorzystywanych w SoS
- W2 - [K_W03] - zasady działania oraz zastosowania najważniejszych algorytmów stosowanych w symulacjach komputerowych wykorzystywanych w SoS
- W3 - [K_W04] - metody statystycznej analizy danych wykorzystywanych w SoS
- W4 - [K_W05] - co najmniej jeden język programowania wykorzystywany w SoS
- W5 - [K_W07] - aktualne kierunki rozwoju i najnowsze odkryciach w zakresie technologii sieciowych i architektur komputerów wykorzystywanych w SoS
- W6 - [K_W08] zastosowania obliczeń numerycznych wykorzystywanych w SoS
Student potrafi:
- U1 - [K_U07] - określić kierunki dalszego uczenia się i zrealizować proces samokształcenia
- U2 - [K_U09] - posługiwać się nowoczesnymi technikami informatyczno - komunikacyjnymi do komunikacji z innymi
- U3 - [K_U10] - planować i przeprowadzać symulacje komputerowe, analizować ich wyniki i wyciągać wnioski
- U4 - [K_U11] - wykonywać obliczenia numeryczne typowe SoS
- U5 - [K_U13] - ocenić przydatność i możliwość wykorzystania nowych rozwiązań sprzętowych i programistycznych do rozwiązywania problemów obliczeniowych w SoS
- U6 - [K_U14] - stosować się do zasad bezpieczeństwa i higieny pracy w zawodzie informatyka/analityka danych w SoS
- U7 - [K_U15] - dokonać wstępnej analizy ekonomicznej dotyczącej rozwiązań sprzętowych i programistycznych potrzebnych dla SoS
- U8 - [K_U17] - dokonać analizy problemu i określić algorytmy i metody obliczeniowe przydatne do jego rozwiązania
- U9 - [K_U18] - potrafi projektować i analizować algorytmy rozproszone; potrafi uzasadnić ich poprawność i przeanalizować złożoność w kontekście SoS
- U10 - [K_U20] - projektować wydajne algorytmy i uzasadnia ich poprawność dla rozwiązań stosowanych w SoS
Student jest gotów do:
- K1 - [K_K02] - zawiązania i utrzymania współpracy z innymi; dąży do realizacji celów zespołu poprzez odpowiednie zaplanowanie i organizację pracy swojej i innych
- K2 - [K_K03] - twórczego myślenia w celu zidentyfikowania problemów, udoskonalenia istniejących bądź stworzenia nowych rozwiązań
- K3 - [K_K04] - samodzielnej i efektywnej pracy z dużą ilością danych, dostrzega zależności poprawnie wyciąga wnioski posługując się zasadami logiki
- K4 - [K_K05] - jak najlepsze wykonanie zadania; dba o szczegół; jest systematyczny
- K5 - [K_K07] - nieustannego zdobywanie nowej wiedzy, umiejętności i doświadczeń; ma chęć ciągłego doskonalenie się i podnoszenia kompetencji zawodowych
- K6 - [K_K10] - przestrzegania zasad i norm obowiązujących w zawodzie informatyka, w tym norm etycznych; rozumie społeczną rolę zawodu informatyka
Kryteria oceniania
Student uzyskuje zaliczenie zajęć na podstawie:
- aktywnego udział w zajęciach,
- przedstawienia raportów z modułów,
- egzaminu,
- obecności na zajęciach.
UWAGA
1. Zwolnienie lekarskie nie zwalnia z przesłania raportu.
2. Obecność na zajęciach jest obowiązkowa. W sytuacjach uzasadnionych nieobecności, student zobowiązany jest do niezwłocznego kontaktu z koordynatorem przedmiotu.
Praktyki zawodowe
Nie dotyczy.
Literatura
Wybrana literatura:
Merton, Robert K. “The Normative Structure of Science.”
Polanyi, Michael. “The Republic of Science: Its Political and Economic Theory.”
Shapin, Steven. “Here and everywhere: Sociology of scientific knowledge.”
Latour, Bruno. “Give me a laboratory and I will raise the world.”
Uzzi, Brian, et al. “Atypical combinations and scientific impact.”
Science of Science
Kuhn, Thomas. Selections on anomaly/crisis (in The Structure of Scientific Revolutions).
Collins, Harry M. “The TEA Set: Tacit Knowledge and Scientific Networks.”
Teplitskiy, Misha, et al. “How status of research papers affects the way they are read and cited.”
Zuckerman, Harriet & Merton, Robert K. “Institutionalized Patterns of Evaluation in Science.”
Anderson (WIRED). “The End of Theory: The Data Deluge Makes the Scientific Method Obsolete.”
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: