Can AI Supercharge Your Thesis? Large Language Models in Social Science Research 4219-SH0050(KC)-OG
Kurs wprowadza osoby studenckie z poziomu studiów licencjackich i magisterskich w praktyczne, etyczne i krytyczne zastosowanie Dużych Modeli Językowych (LLM) w badaniach z zakresu nauk społecznych.
W trakcie kursu uczestnicy będą mieli okazję omówić swoje indywidualne projekty i nauczyć się, jak wykorzystywać sztuczną inteligencję (AI) we własnych przedsięwzięciach badawczych. Nauczymy się efektywnie używać nowoczesnych narzędzi AI, takich jak Gemini i NotebookLM, aby usprawnić kluczowe etapy badań — od projektowania projektu po finalne pisanie pracy dyplomowej.
Będzie to obejmować wykorzystanie modeli LLM do:
• pomocy w kodowaniu w badaniach jakościowych;
• podsumowywania kluczowych koncepcji na potrzeby pisania abstraktów i streszczeń;
• wyszukiwania istotnych cytatów i numerów stron w źródłach;
• transkrybowania wywiadów;
• tworzenia kwestionariuszy;
• wykonywania tłumaczeń;
• weryfikowania hipotez i edytowania tekstów akademickich.
Każde zajęcia będą wysoce interaktywne i skupione wokół indywidualnych badań studentów. Za każdym razem dwie lub trzy osoby studenckie zostaną wybrane do przedstawienia swoich aktualnych projektów (mini prezentacja ustna). Grupa będzie wspólnie debatować i analizować, w jaki sposób konkretne narzędzia AI (takie jak Gemini lub NotebookLM) mogą najlepiej wesprzeć przedstawiony projekt.
Kurs obejmie również dyskusje na temat etyki, plagiatu oraz odpowiedniego cytowania w kontekście wykorzystania AI jako asystenta edycyjnego przy przygotowywaniu manuskryptów. Intensywnie omówimy ograniczenia modeli LLM, w tym ryzyko uprzedzeń algorytmicznych w analizie danych, a także nauczymy się, jak odróżniać fakty od „halucynacji” AI (generowania fałszywych informacji) i jak krytycznie weryfikować informacje dostarczane przez LLM.
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
Wiedza:
• Student posiada podstawową wiedzę na temat działania i struktury Dużych Modeli Językowych (LLM), takich jak Gemini i NotebookLM.
• Student rozumie, w jaki sposób narzędzia AI mogą usprawniać kluczowe etapy procesu badawczego w naukach społecznych (od projektu po redakcję pracy).
• Student jest świadomy zagadnień etycznych i prawnych związanych z użyciem AI w pracy akademickiej, w tym problematyki plagiatu, odpowiedniego cytowania i ryzyka uprzedzeń algorytmicznych.
• Student zna ograniczenia modeli LLM, w tym zjawisko "halucynacji" (generowania fałszywych informacji) i potrzebę krytycznej weryfikacji danych.
Umiejętności :
• Student potrafi efektywnie wykorzystywać Gemini i NotebookLM do celów badawczych (np. transkrypcja, podsumowanie, kodowanie jakościowe, tworzenie kwestionariuszy).
• Student potrafi opracowywać precyzyjne i skuteczne podpowiedzi (prompt engineering), aby uzyskać pożądane rezultaty od modelu LLM.
• Student potrafi krytycznie weryfikować i oceniać informacje generowane przez AI, odróżniając fakty od błędów lub halucynacji.
• Student potrafi wdrożyć narzędzia AI w swój indywidualny projekt badawczy (licencjacki/magisterski), zwiększając jego efektywność.
Kompetencje:
• Student jest odpowiedzialny za etyczne i krytyczne podejście do wykorzystywania technologii AI w badaniach naukowych.
• Student rozwija zdolność do ciągłego doskonalenia i dostosowywania się do szybko zmieniających się narzędzi cyfrowych w środowisku akademickim.
• Kurs rozwija umiejętność dyskusji na temat skomplikowanych zagadnień związanych z technologią, etyką i stronniczością w analizie danych.
Kryteria oceniania
- Obecność na min 80% spotkań
- Prezentacja własnego projektu badawczego (30%)
- Aktywny udział w ćwiczeniach i dyskusjach podczas zajęć (35%)
- Zadanie zaliczeniowe (35%)
Aby zaliczyć przedmiot, student musi wykonać każdy z czterech elementów zaliczenia.
0-55% = 2
56-69% =3
70-83% =4
84-97%=5
98-100%=5!
Literatura
Igor Grossmann et al. "AI and the transformation of social science research". Science 380, 1108-1109 (2023).DOI:10.1126/science.adi1778
Rossi, L., Harrison, K., Shklovski, I. (2024). “The Problems of LLM-generated Data in Social Science Research.” Sociologica, 18(2), 145–168. https://doi.org/10.6092/issn.1971-8853/19576
John Berryman, Albert Ziegler “Prompt Engineering for LLMs: The Art and Science of Building Large Language Model-Based Applications.” O'Reilly Media 2024.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: