Как соотносятся понятия компьютерной грамотности и алгоритмической культуры

Обновлено: 21.11.2024

Гетти

Слово «алгоритм» можно услышать гораздо чаще, чем раньше. Одна из причин заключается в том, что ученые узнали, что компьютеры могут учиться самостоятельно, если дать им несколько простых инструкций. Вот собственно и все, что алгоритмы — это математические инструкции. В Википедии говорится, что алгоритм «представляет собой пошаговую процедуру вычислений».

Алгоритмы используются для расчетов, обработки данных и автоматизированных рассуждений». Осознаете вы это или нет, но алгоритмы становятся повсеместной частью нашей жизни. Некоторые эксперты видят в этой тенденции опасность. Например, Лео Хикман (@LeoHickman) пишет: «Откровения АНБ подчеркивают роль сложных алгоритмов в просеивании массивов данных. Но еще более удивительным является их широкое использование в нашей повседневной жизни. Так должны ли мы быть более осторожными с их силой?» [«Как алгоритмы правят миром», The Guardian, 1 июля 2013 г.] Было бы несколько преувеличением заявить, что алгоритмы правят миром; но я согласен, что их использование становится все более распространенным. Это связано с тем, что компьютеры играют все более важную роль во многих аспектах нашей жизни. Мне нравится объяснение HowStuffWorks:

«Чтобы заставить компьютер что-то делать, нужно написать компьютерную программу. Чтобы написать компьютерную программу, вы должны шаг за шагом сказать компьютеру, что именно вы хотите, чтобы он сделал. Затем компьютер «выполняет» программу, механически выполняя каждый шаг, чтобы достичь конечной цели. Когда вы говорите компьютеру, что делать, вы также можете выбрать, как он будет это делать. Вот где на помощь приходят компьютерные алгоритмы. Алгоритм — это основная техника, используемая для выполнения работы».

Единственный момент, в котором объяснение неверно, заключается в том, что вы должны шаг за шагом говорить компьютеру, «что именно вы хотите, чтобы он делал». Вместо того, чтобы следовать только явно запрограммированным инструкциям, некоторые компьютерные алгоритмы предназначены для того, чтобы позволить компьютерам учиться самостоятельно (т. Е. Упрощать машинное обучение). Использование машинного обучения включает интеллектуальный анализ данных и распознавание образов. Клинт Финли сообщает: «Сегодня в Интернете правят алгоритмы. Эти математические расчеты определяют, что вы видите в своей ленте Facebook, какие фильмы рекомендует вам Netflix и какую рекламу вы видите в своем Gmail». [«Хотите создать свой собственный Google? Посетите App Store, чтобы найти алгоритмы», Wired, 11 августа 2014 г.].

Как математические уравнения, алгоритмы не являются ни хорошими, ни плохими. Однако ясно, что алгоритмами пользовались люди как с хорошими, так и с плохими намерениями. Доктор Панос Парпас, преподаватель кафедры вычислительной техники Имперского колледжа Лондона, сказал Хикману: «[Алгоритмы] теперь интегрированы в нашу жизнь. С одной стороны, они хороши тем, что освобождают наше время и выполняют рутинные процессы за нас. Вопросы, которые поднимаются об алгоритмах в настоящее время, касаются не алгоритмов как таковых, а того, как общество структурировано в отношении использования данных и конфиденциальности данных. Это также о том, как модели используются для предсказания будущего. В настоящее время существует неловкое сочетание данных и алгоритмов. По мере развития технологий будут возникать ошибки, но важно помнить, что это всего лишь инструмент. Мы не должны винить наши инструменты».

В алгоритмах нет ничего нового. Как отмечалось выше, это просто математические инструкции. Их использование в компьютерах восходит к одному из гигантов вычислительной теории Алану Тьюрингу. Еще в 1952 году Тьюринг «опубликовал набор уравнений, которые пытались объяснить узоры, которые мы наблюдаем в природе, от пятнистых полосок, украшающих спину зебры, до мутовчатых листьев на стебле растения или даже сложного скручивания и складывания, которое превращает клубок клеток в организм». [«Мощные уравнения, объясняющие закономерности, которые мы наблюдаем в природе», Кэт Арни (@harpistkat), Gizmodo, 13 августа 2014 г.] Тьюринг прославился во время Второй мировой войны, потому что помог взломать «Энигму». код. К сожалению, Тьюринг покончил с собой через два года после публикации своей книги. К счастью, влияние Тьюринга на мир не закончилось его самоубийством. Арни сообщает, что ученые до сих пор используют его алгоритмы для обнаружения закономерностей в природе. Арни заключает:

«В последние годы жизни Алана Тьюринга он увидел, как его математическая мечта — программируемый электронный компьютер — воплотилась в жизнь из темпераментного набора проводов и трубок. Тогда он был способен обрабатывать несколько чисел со скоростью улитки. Сегодня смартфон в вашем кармане напичкан вычислительными технологиями, которые поразили бы его воображение. Потребовалась почти целая жизнь, чтобы воплотить его биологическое видение в научную реальность, но оказалось, что это больше, чем аккуратное объяснение и несколько причудливых уравнений».

Хотя алгоритмы Тьюринга оказались полезными для определения того, как закономерности возникают в природе, другие корреляции, генерируемые алгоритмами, вызывают больше подозрений. Дебора Гейдж (@deborahgage) напоминает нам: «Корреляция… отличается от причинно-следственной связи». [«Большие данные раскрывают некоторые странные корреляции», The Wall Street Journal, 23 марта 2014 г.] Она добавляет: «Благодаря потоку данных, которые теперь доступны, поиск неожиданных корреляций никогда не был таким простым». Гейдж сообщает, что одна «компания обнаружила, что сделки, заключенные в новолуние, в среднем на 43% больше, чем в полнолуние». Были обнаружены и другие странные корреляции: «Люди чаще отвечают на звонки, когда идет снег, холодно или очень влажно; когда солнечно или менее влажно, они больше отвечают на электронную почту. Предварительный анализ показывает, что они также покупают больше, когда солнечно, хотя некоторые люди покупают больше, когда пасмурно. …Онлайн-кредитор ZestFinance Inc. обнаружил, что люди, которые заполняют свои заявки на кредит, используя все заглавные буквы, чаще не выполняют свои обязательства, чем люди, которые используют все строчные буквы, и еще чаще, чем люди, которые правильно используют прописные и строчные буквы». Гейдж продолжает:

«Влияют ли на сделки купли-продажи циклы луны? Можно ли определить кредитный риск по тому, как человек печатает? Быстрое новое программное обеспечение для обработки данных в сочетании с потоком общедоступных и частных данных позволяет компаниям проверять эти и другие, казалось бы, надуманные теории, задавая вопросы, которые раньше мало кто додумался задать. Объединяя человеческий и искусственный интеллект, они стремятся раскрыть умные идеи и сделать прогнозы, которые могут дать компаниям преимущество на все более конкурентном рынке».

Главный исполнительный директор ZestFinance Дуглас Меррилл сказал Гейджу: «Ученым, работающим с данными, необходимо проверить, имеют ли смысл их выводы. Машинное обучение не заменит людей». Часть проблемы заключается в том, что большинство систем машинного обучения не сочетают рассуждения с вычислениями. Они просто выплевывают корреляции независимо от того, имеют они смысл или нет. Гейдж сообщает: «ZestFinance отвергла еще один вывод своего программного обеспечения о том, что более высокие люди лучше выплачивают кредиты, — гипотезу, которую г-н Меррилл называет глупой». Добавляя рассуждения в системы машинного обучения, корреляции и идеи становятся гораздо более полезными. «Часть проблемы, — пишет Кэтрин Хаваси (@havasi), генеральный директор и соучредитель Luminoso, — заключается в том, что, когда мы, люди, общаемся, мы полагаемся на обширный фон невысказанных предположений. … Мы предполагаем, что все, кого мы встречаем, разделяют это знание. Он формирует основу нашего взаимодействия и позволяет нам общаться быстро, эффективно и с глубоким смыслом». [«Who’s Doing Common Sense Reasoning And Why It Matters», TechCrunch, 9 августа 2014 г.] Она добавляет: «Сколько бы технологии ни были развиты сегодня, их главный недостаток, поскольку они становятся значительной частью повседневной жизни в обществе заключается в том, что оно не разделяет этих предположений».

«Рассуждения на основе здравого смысла — это область искусственного интеллекта, целью которой является помочь компьютерам более естественно понимать людей и взаимодействовать с ними, находя способы собирать эти предположения и обучать им компьютеры. Рассуждение на основе здравого смысла было наиболее успешным в области обработки естественного языка (НЛП), хотя заметная работа была проделана и в других областях. Эта область машинного обучения со своим странным названием начинает потихоньку проникать в различные приложения, начиная от понимания текста и заканчивая обработкой и пониманием того, что изображено на фотографии. Без здравого смысла будет сложно создавать адаптируемые и неконтролируемые системы НЛП во все более цифровом и мобильном мире. … НЛП — это то место, где превосходят рассуждения здравого смысла, и технология начинает находить свое применение в коммерческих продуктах. Хотя впереди еще долгий путь, рассуждения на основе здравого смысла будут продолжать быстро развиваться в ближайшие годы, а технология достаточно стабильна, чтобы ее можно было использовать в бизнесе сегодня. Он обладает значительными преимуществами по сравнению с существующими системами онтологий и правил или системами, основанными просто на машинном обучении».

Алгоритмы могут сделать системы умнее, но без добавления здравого смысла в уравнение они все равно могут давать довольно странные результаты.

Стивен Ф. ДеАнджелис — президент и главный исполнительный директор компании Enterra Solutions, занимающейся когнитивными вычислениями.

Поскольку алгоритмы проникают почти во все аспекты цифровой жизни, системы искусственного интеллекта (ИИ) оказывают все большее влияние на поведение человека в цифровой среде. Несмотря на его популярность, мало что известно о роли и влиянии алгоритмической грамотности (AL) на принятие пользователями. Целью данного исследования является контекстуализация AL в среде ИИ путем эмпирического изучения роли AL в развитии обработки информации пользователями в алгоритмах.Авторы анализируют, как пользователи взаимодействуют с OTT-платформами, насколько они осведомлены об алгоритмической платформе и как осведомленность об AL может повлиять на их взаимодействие с этими системами.

Дизайн/методология/подход

В этом исследовании использовались методы эквивалентности нескольких групп для сравнения инвариантности двух групп и гипотез, касающихся различий в эффектах AL. Метод изучал, как AL помогает пользователям предвидеть, понимать алгоритмы и работать с ними, в зависимости от их понимания управления информационным потоком, встроенным в них.

Выводы

Наши результаты проясняют, какие функции AL играет при внедрении платформ OTT и как пользователи взаимодействуют с алгоритмами, особенно в контексте, когда ИИ используется в алгоритмах OTT для предоставления персонализированных рекомендаций. Результаты указывают на эвристические функции AL в связи с его доверительными связями и последующим отношением и поведением. Эвристические процессы с использованием AL сильно влияют на достоверность рекомендаций и на то, как пользователи понимают точность и персонализацию результатов. Авторы утверждают, что критическая оценка AL должна пониматься не только в отношении того, как она используется для оценки доверия к сервису, но и в отношении того, как она перформативно связана с моделированием алгоритмической персонализации.

Ограничения/выводы исследования

Взаимосвязь AL и доверия к алгоритму задает стратегическое направление в разработке алгоритмов, ориентированных на пользователя, в контексте OTT. Поскольку доверие к индустрии искусственного интеллекта снижается, роль доверия пользователей, безусловно, даст представление о достоверности и доверии к алгоритмам. Чтобы лучше понять, как развивать чувство грамотности в отношении использования алгоритмов, индустрия искусственного интеллекта могла бы предоставить примеры того, как выглядит положительное взаимодействие с платформами алгоритмов.

Оригинальность/ценность

Когнитивные процессы пользователей AL обеспечивают концептуальную основу для сервисов алгоритмов и практическое руководство по разработке сервисов OTT. Обрамление когнитивного процесса AL со ссылкой на доверие внесло существенный вклад в продолжающиеся дебаты вокруг алгоритмов и грамотности. Хотя тема AL широко известна, эмпирические данные о влиянии AL относительно редки, особенно с точки зрения поведения пользователя. Формальная теоретическая модель алгоритмического принятия решений, основанная на модели двойной обработки, не исследовалась.

Ключевые слова

Алгоритмическая грамотность
Алгоритмические платформы
Чрезмерно
Двойная обработка
Прозрачность
Справедливость
Подотчетность
Объяснимость

Благодарности

Эта работа выполнена при поддержке гранта Национального исследовательского фонда Кореи, финансируемого правительством Кореи (NRF-2017S1A3A2065831).

В ответ на развитие юридических технологий в этой статье Доминика Гарингана и Элисон Джейн Пикард исследуется концепция алгоритмической грамотности, технологической грамотности, которая облегчает метакогнитивные практики, связанные с использованием систем с искусственным интеллектом, и принципы, формирующие этичный и ответственный пользовательский опыт. . В этой статье исследуется, в какой степени существующие системы информационной, цифровой и компьютерной грамотности и стандарты профессиональной компетентности обосновывают алгоритмическую грамотность. Далее в нем рассматриваются различные элементы алгоритмической грамотности в существующей литературе, приводятся примеры инициатив по алгоритмической грамотности в академических и неакадемических условиях и исследуется потребность в структуре алгоритмической грамотности для обоснования инициатив по алгоритмической грамотности в сфере юридической информации.

Ключевые слова

Авторское право © Автор(ы), 2021 г. Опубликовано Британской и Ирландской ассоциацией юридических библиотекарей

Параметры доступа

Получите доступ к полной версии этого контента, используя один из вариантов доступа ниже. (Параметры входа будут проверять наличие институционального или личного доступа. Если у вас нет доступа, может потребоваться покупка контента.)

Сноски

Эта статья основана на обзоре литературы, проведенном Домиником Гаринганом для диссертации, которая должна быть представлена в рамках частичного выполнения требований для получения степени магистра информационных наук в Университете Нортумбрии. Исследование проводилось под руководством доктора Элисон Джейн Пикард.

Ссылки

1 Суонсбург, Карла. ( 2021 г. ) « Research and Writing » в судебном разбирательстве по искусственному интеллекту , Торонто , Эмонд Монтгомери , 2021 г., Google Scholar .

2 Легг, Майкл, и Белл, Фелисити. ( 2020 ) Искусственный интеллект и юриспруденция . Оксфорд , Hart Publishing CrossRefGoogle Scholar .

3 Лю, Хин-Ян, Маас, Маттейс, Данахер, Джон, Скарселла, Луиза, Лексер, Микаэла и Ван Ромпей, Леонард. (2020) Искусственный интеллект и правовые нарушения: новая модель анализа.Право, инновации и технологии 12 ( 2 ), 205–258 CrossRefGoogle Scholar .

4 Интахчомпху, Чаннаронг, Веллино, Андре, Гундерсен, Одд Эрик, Чирхарт, Кристиан и Шаабан, Эслам. (2020) Ссылки на искусственный интеллект в судебном деле Канады. Управление юридической информацией 20 ( 1 ), 39–46 CrossRefGoogle Scholar .

5 Соареш, Линн. ( 2020 ) Искусственный интеллект в юридических библиотеках Канады . Обзор Канадской юридической библиотеки 45 ( 4 ), 16–21 Google Scholar .

6 Ридли, Майкл. ( 2019 ) Объяснимый искусственный интеллект . Выпуски научной библиотеки 299 ( 4 ), 28–46 CrossRefGoogle Scholar .

7 Джонсон, Бен. ( 2018 ) Библиотеки в эпоху искусственного интеллекта . Компьютеры в библиотеках 38 ( 1 ), стр. 14–16 Google Scholar .

8 Бейкер, Джейми Дж. (2018a) 2018: одиссея юридических исследований: искусственный интеллект как революционер. Журнал юридической библиотеки 110(1), 5–30.

9 Алари Б., Ниблетт Энтони и Юн Альберт Х. ( 2018 ) Как искусственный интеллект повлияет на юридическую практику . Юридический журнал Университета Торонто 68 (S1), 106–124 CrossRefGoogle Scholar.

10 Эшли , Кевин Д. (2017 г.) Искусственный интеллект и юридическая аналитика: новые инструменты для юридической практики в эпоху цифровых технологий . Кембридж , издательство Кембриджского университета CrossRefGoogle Scholar .

11 Рукоять , Кейли . ( 2017 ) Что ждет библиотекаря в будущем с появлением искусственного интеллекта? Canadian Journal of Information and Library Science 41 ( 3 ), 211–227 Google Scholar .

12 Гудман, Джоанна. (2016) Роботы в законе: как искусственный интеллект меняет юридические услуги. Лондон, Ark Group.

13 Суонсбург, Карла. (2021) «Исследование и письмо» в судебном разбирательстве искусственного интеллекта, Торонто, Эмонд Монтгомери, 2021.

14 Каллистер, Пол Д. (2020 г.) Право, искусственный интеллект и обработка естественного языка: по пути к моим результатам поиска произошел забавный случай. Журнал юридической библиотеки 112(2), 161–212.

15 Найер, Ким П., Марсело Родригес и Сара Сазерленд. (2020) Искусственный интеллект и неявная предвзятость: с большой силой приходит большая ответственность: устранение предубеждений, присущих наборам данных, которые управляют приложениями ИИ и их алгоритмами. AALL Spectrum 24(5), 14–16.

16 Войчик, Мальвина Анна. (2020) Предвзятость машинного обучения? алгоритмическое принятие решений и доступ к уголовному правосудию. Управление юридической информацией 20(2), 99–100.

17 Ю, Рональд и Габриэле Спина Али. (2019) Что внутри черного ящика? AI вызовы для юристов и исследователей. Управление юридической информацией 19(1), 2–13.

18 Бхаттачарья, Пахели, Шунак Пол, Крипабандху Гхош, Саптарши Гхош и Адам Винер. (2019) «Выявление риторических ролей предложений в судебных решениях Индии» (документ, представленный на материалах 32-й ежегодной конференции по юридическим знаниям и информационным системам, Мадрид, 11–13 декабря 2019 г.).

19 Гарднер, Кэролайн Кэффи. (2019) Преподавание алгоритмической предвзятости в кредитном курсе. International Information and Library Review 51(4), 321–327.

20 Анри, Женева. (2019) Библиотекари-исследователи как проводники и навигаторы политики ИИ в университетах. Выпуски исследовательской библиотеки 299(4), 47–65.

21 Ридли, Майкл. (2019) Объяснимый искусственный интеллект. Выпуски исследовательской библиотеки 299(4), 28–46.

22 Тернер, Джейкоб. (2018) Правила для роботов: регулирование искусственного интеллекта. Чам, Springer International Publishing.

23 Бейкер, Джейми Дж. (2018a) 2018: одиссея юридических исследований: искусственный интеллект как революционер. Журнал юридической библиотеки 110(1), 5–30.

24 Кеннеди, Ронан. (2017) Алгоритмы и верховенство права. Управление юридической информацией 17(3), 170–172.

25 Китчин, Роб. (2017) Критическое мышление и исследование алгоритмов. Информация, коммуникации и общество 20(1), 14–29.

28 Шут, Валери Дж., Чен Сун и Джоди Эсбелл-Кларк. (2017) Демистификация вычислительного мышления. Обзор образовательных исследований 22, 142–158.

31 Леандер, Кевин М. и Сара К. Беррисс. (2020) Критическая грамотность для постчеловеческого мира: когда люди читают и становятся с помощью машин. Британский журнал образовательных технологий 51(4), 1262–1276.

В течение ряда лет органы образования реагировали на важность развития у школьников компьютерной грамотности, включая ее в школьную программу, непосредственно в качестве междисциплинарной возможности и оценивая, в какой степени учащиеся овладевают компьютером. грамотный. Компьютерная грамотность и связанные с ней понятия, такие как грамотность в области ИКТ, определяются таким образом, чтобы включать как технологические знания, так и информационную грамотность.Оценки компьютерной грамотности, даже если они различаются, указывают на существенные различия в уровнях компьютерной грамотности среди учащихся младших классов средней школы. В технологически развитых странах примерно половина учащихся 8-х классов демонстрирует высокий или высокий уровень компьютерной грамотности, но до 10% имеют очень ограниченную компьютерную грамотность. Оценки компьютерной грамотности также могут служить основой для карт прогресса, которые можно использовать при разработке учебных программ. Эти карты прогрессии будут более ценными, если фреймворки, на которых они основаны, будут более тесно интегрированы друг с другом. Кроме того, на компьютерную грамотность, по-видимому, влияет опыт учащихся, в том числе знакомство с компьютерами, а также то внимание, которое им уделяется в классах и школах, и поддержка, обеспечиваемая ИКТ в системах образования. В настоящее время имеется меньше информации о влиянии школы и класса на компьютерную грамотность, чем о влиянии студенческого прошлого. В ближайшем будущем концепция компьютерной грамотности, возможно, должна будет все больше приспосабливаться к изменениям в программном и аппаратном обеспечении, в которых она проявляется.

Ключевые слова

Ссылки

Барр, Д., Харрисон, Дж., и Конери, Л. (2011). Вычислительное мышление: навык цифрового века для всех. Обучение и лидерство с помощью технологий, 38(6), 20–23. Академия Google

Беннет С., Матон К. и Кервин Л. (2008 г.). Дебаты о «цифровых аборигенах»: критический обзор доказательств. Британский журнал образовательных технологий, 39(5), 775–786. CrossRef Академия Google

Бинкли М., Эрстад Э., Герман Дж., Райзен С., Рипли М., Миллер-Риччи М. и др. (2012). Определение навыков 21 века. П. Гриффин, Б. Макгоу и Э. Кэр (ред.), Оценка и обучение навыкам 21 века. Дордрехт: Спрингер. Академия Google

Декстер, С. (2008). Руководство для ИТ в школах. В J. Voogt & G. Knezek (Eds.), Международный справочник по информационным технологиям в начальном и среднем образовании (том 2, стр. 543–554). Нью-Йорк: Спрингер. CrossRef Академия Google

Служба образовательного тестирования (ETS), Международная комиссия по грамотности в области ИКТ. (2002). Цифровая трансформация — основа грамотности в области ИКТ. Принстон: Служба образовательного тестирования. Академия Google

Электронное обучение Nordic. (2006). E-learning Nordic 2006: Влияние ИКТ на образование. Дания: Ramboll Management. Академия Google

Фрейлон Дж., Эйнли Дж., Шульц В., Фридман Т. и Гебхардт Э. (2014). Подготовка к жизни в эпоху цифровых технологий. Международный отчет МЭА по исследованию компьютерной информации и грамотности. Гейдельберг: Springer Cham. Академия Google

Гриффин П., Макгоу Б. и Кэр Э. (2012 г.). Оценка и обучение навыкам 21 века. Дордрехт: Спрингер. CrossRef Академия Google

Хатлевик, О. Э., Оттестад, Г., и Трондсен, И. (2015). Предикторы цифровой компетентности в 7-м классе: многоуровневый анализ. Journal of Computer Assisted Learning, 31, 220–231. CrossRef Академия Google

Хиностроза, Дж. Э., Хепп, П., и Кокс, К. (2008). Политика и практика использования ИКТ в образовании в Чили: Enlaces. Т. Пломп, Р. Э. Андерсон, Н. Лоу и А. Куэйл (ред.), Международная политика и практика использования информационных и коммуникационных технологий в образовании (отредактированная ред.). Гринвич: Издательство информационного века. Академия Google

Кац, И. Р. (2007). Проверка информационной грамотности в цифровой среде: оценка ETS iSkills. Информационные технологии и библиотеки, 26(3), 3–12. CrossRef Академия Google

Козьма Р. (ред.). (2003). Технологии, инновации и изменения в образовании: глобальная перспектива. Евгений: ИСТЭ. Академия Google

Мадаус Г. и О'Дуайер Л. М. (1999). Краткая история оценки эффективности: извлеченные уроки. The Phi Delta Kappan, 89(9), 688–695. Академия Google

Макдугалл, А., Мурнейн, Дж. С., и Уиллс, С. (2014). Логотип образовательного языка программирования: его природа и использование в Австралии. В статье А. Татналла и Б. Дэйви (редакторы), Размышления об истории использования компьютеров в образовании (Достижения IFIP в области информационных и коммуникационных технологий, том 424). Берлин: Спрингер. Академия Google

Министерский совет по образованию, занятости, обучению и делам молодежи (MCEETYA). (2005). Национальная программа оценки грамотности в области информационных и коммуникационных технологий для 6-го и 10-го классов оценивает грамотность в области ИКТ. Карлтон: Учебная корпорация. Академия Google

Министерский совет по образованию, занятости, обучению и делам молодежи (MCEETYA). (2007). Национальная программа оценки – отчет об уровне грамотности в области ИКТ за 6 и 10 годы, 2005 г.. Карлтон: Учебная корпорация. Академия Google

Министерский совет по образованию, занятости, обучению и делам молодежи (MCEETYA). (2008).Мельбурнская декларация об образовательных целях для молодых австралийцев. Карлтон: Учебная корпорация. Академия Google

Моос Д. и Азеведо Р. (2009 г.). Обучение в компьютерной среде обучения: обзор литературы о самоэффективности компьютера. Обзор образовательных исследований, 79(2), 576–600. CrossRef Академия Google

Национальный центр образовательной статистики (NCES). (2016а). Сокращенные рамки технологической и инженерной грамотности 2014 г. для Национальной оценки прогресса в образовании 2014 г.. Вашингтон, округ Колумбия: Национальный совет управляющих по оценке. Академия Google

Организация экономического сотрудничества и развития (ОЭСР). (2011). Результаты PISA 2009: учащиеся используют цифровые технологии и успеваемость в Интернете. Париж: ОЭСР. Академия Google

Пейтон Джонс, С. (2011). Компьютеры в школе: международные сравнения. Лондон: Microsoft Research. Академия Google

Пренски, М. (2001). Цифровые аборигены, цифровые иммигранты. На горизонте, 9(5), 1–6. CrossRef Академия Google

Рохатги А., Шерер Р. и Хатлевик О. (2016). Роль самоэффективности ИКТ для использования ИКТ учащимися и их достижения в тесте на компьютерную и информационную грамотность. Компьютеры и образование, 102, 103–116. CrossRef Академия Google

Санчес, Дж., и Салинас, А. (2008). ИКТ и обучение в чилийских школах: извлеченные уроки. Компьютеры и образование, 51(4), 1621–1633. CrossRef Академия Google

Селвин, Н. (2009). Цифровой абориген – миф и реальность. Aslib Proceedings: New Information Perspectives, 61(4), 364–379. CrossRef Академия Google

Зенкбейл, М., Ихме, Дж. М., и Виттвер, Дж. (2013). Тест технологической и информационной грамотности (TILT) в Национальном образовательном панельном исследовании: разработка, эмпирическое тестирование и доказательства достоверности. Journal for Educational Research Online, 5(2), 139–161. Академия Google

Сиддик Ф., Хатлевик О. Э., Олсен Р. В., Трондсен И. и Шерер Р. (2016). Заглядывая в будущее, извлекая уроки из прошлого — систематический обзор инструментов оценки, направленных на измерение ИКТ-грамотности учащихся начальной и средней школы. Educational Research Review, 19, 58–84. Академия Google

Стурман Л. и Сизмур Дж. (2011). Международное сравнение компьютеров в школах. Слау: НФЭР. Академия Google

Управление образовательных технологий Министерства образования США. (2010). Преобразование американского образования с помощью технологий: Национальный план образовательных технологий 2010. Вашингтон, округ Колумбия: Управление образовательных технологий Министерства образования США. Академия Google

«Алгоритмические исследования» — это критическое изучение социальной, политической и культурной жизни алгоритма и условий его изменения, эволюции и возможностей».
– Дженна Нг и Дэвид Тео Голдберг (2015 г.)

"То, что мы теперь обращаемся к алгоритмам, чтобы определить, что нам нужно знать, так же важно, как полагаться на авторитетных экспертов, научный метод, здравый смысл или слово Божье".
– Тарлтон Гиллеспи (2015)

"Чтобы поверить в алгоритм, его нужно увидеть, а лучший способ узнать, что он из себя представляет, — это попробовать".
– Дональд Кнут (1968)

Окончательная подача статьи будет осуществляться через систему Canvas Assignments.
Заключительные документы должны быть представлены к 10:30 в понедельник, 17 декабря.
Хорошего отдыха!

Инструктор

Описание курса

Гуманистическое и социальное научное исследование информационных и коммуникационных технологий в основном связано с одной проблемой: эти социотехнические системы формируют то, что мы переживаем. Эта забота давняя. Беспокойство по поводу технологий, автоматизации и компьютеризации имеет долгую историю. «Алгоритм» — очень старое слово. Тем не менее, в последнее время произошел взрыв новых научных работ, посвященных изучению алгоритмов и культуры, сочетанию двух тем, которые многие люди находят как минимум на 50% загадочными. Исследователи утверждают, что современное использование автоматизированных («алгоритмических») систем для производства, потребления, курирования, ранжирования, фильтрации, посредничества, хранения и продажи социальной и культурной жизни предвещает ряд кардинальных преобразований для самой культуры.

Чтобы исследовать эти последние утверждения, в этом курсе рассматриваются современные исследования, в которых рассматриваются последствия вычислительных процессов, которые рассматривают культуру как данные. Мы будем опираться на исследования в области науки и техники, информатики, антропологии, коммуникации, исследований в области средств массовой информации, теории права, социологии и компьютерных наук, а также психологии и философии.Хотя мы будем рассматривать «изначально алгоритмические» цифровые культурные продукты (такие как цифровой опыт, такой как платформы социальных сетей и видеоигры), наша общая цель будет состоять в том, чтобы изучить потенциальную трансформацию любой формы культуры. Благодаря нашему междисциплинарному подходу не требуется специальной технической, гуманитарной или социальной научной подготовки.

Цели обучения

Задавайте интеллектуальные вопросы об алгоритмах и культуре, демонстрирующие понимание обеих областей.
Практикуйтесь в чтении вне дисциплинарных границ в тематической области, где появляется большое количество новых работ, а границы и определения остаются изменчивыми.
Занять взвешенную позицию по поводу интеллектуальных дебатов, важных для этой развивающейся области знаний.
Связать будущие разработки в области алгоритмической культуры с существующими, устойчивыми интеллектуальными рамками и идеями
Написать научную исследовательскую работу, эквивалентную статье на конференции, по поддисциплине, относящейся к этой теме и имеющей отношение к вашему интеллектуальному развитию.

Зачет курса

Этот курс может быть засчитан для получения междисциплинарного сертификата выпускника в области цифровых исследований.
Этот курс может быть засчитан для получения междисциплинарного сертификата выпускника в области науки, технологий и общества.
Приглашаются студенты других программ (не SI или COMM).
Этот курс предназначен для докторантов. Другие аспиранты могут поступать с разрешения преподавателя, если для этого есть веская причина.

Требования к классу

Студенты будут нести ответственность за предложение по работе для семинара, которое должно быть представлено в середине семестра, и (исследовательская) работа для семинара объемом около 25 страниц с двойным интервалом, которая должна быть представлена в конце семестра. Документ семинара должен быть аналогичен по объему и формату научному докладу конференции. Кроме того, будут короткие задания («еженедельные вопросы»), которые необходимо выполнить за час до начала каждого собрания класса, когда назначено чтение. Их будут читать и обсуждать в классе, но не оценивать. Все задания будут сданы в электронном виде.

Нет поздней работе! Никаких некомплектов! (Без причины.)

Необходимые книги

Нет необходимых книг. Чтения будут распространяться в электронном виде. Они либо бесплатны в Интернете, либо используют защищенные паролем ссылки на PDF-файлы, хранящиеся в Canvas.

Политика класса

Наши обсуждения

На этом семинаре практикуются «Руководящие принципы диалога», разработанные студентами и преподавателями Программы Мичиганского университета по межгрупповым отношениям. Это означает, что мы сделаем все возможное, чтобы:

Соблюдайте конфиденциальность. Мы хотим создать атмосферу для открытого и честного обмена мнениями.
Стремитесь учиться друг у друга. Мы будем слушать других и не будем говорить друг на друга. Мы признаем различия между нами в происхождении, навыках, интересах, идентичности и ценностях. Мы понимаем, что именно эти различия повысят нашу осведомленность и понимание посредством этого процесса.
Не унижать, не обесценивать и не «принижать» людей за их опыт, отсутствие опыта или разницу в интерпретации этого опыта.
Верьте в то, что люди всегда делают все возможное. Мы дадим друг другу презумпцию невиновности. Мы предполагаем, что все стараемся изо всех сил и что наши намерения благие, даже если это не так.
Бросьте вызов идее, а не человеку. Если мы хотим оспорить то, что было сказано, мы будем оспаривать упомянутую идею или практику, а не человека, разделяющего эту идею или практику.
Выскажите о нашем дискомфорте. Если нас что-то беспокоит, мы поделимся этим с группой.Часто наши эмоциональные реакции на этот процесс предлагают самые ценные возможности для обучения.
Шаг вперед, шаг назад. Мы будем помнить о том, что занимаем гораздо больше места, чем другие. В то же время давайте себе возможность высказываться, когда в разговоре доминируют другие.
Не замораживать людей во времени. Мы все работаем. Мы будем готовы измениться и дать возможность другим сделать это. Поэтому мы не будем предполагать, что один комментарий или одно мнение, высказанные за один раз, отражают весь характер человека.

— Программа межгрупповых отношений, Мичиганский университет, 2012 г.

Академическая честность

Если в задании не указано иное, все представленные работы должны быть вашими собственными оригинальными работами. Любые выдержки, утверждения или фразы из чужой работы должны быть четко обозначены как цитата и должным образом приведены. Любое нарушение политики Школы информации в отношении академической и профессиональной честности (изложенной в руководствах для магистров и докторантов) приведет к серьезным наказаниям, которые могут варьироваться от невыполнения задания до невыполнения курса и исключения из программы. О нарушениях академической и профессиональной честности будет сообщено. Последствия, влияющие на назначение или оценки курса, определяются преподавателем факультета; дополнительные санкции могут быть наложены заместителем декана по учебной и студенческой работе.

Читайте также:

Как соотносятся понятия компьютерной грамотности и алгоритмической культуры

Дизайн/методология/подход

Выводы

Ограничения/выводы исследования

Оригинальность/ценность

Ключевые слова

Благодарности

Ключевые слова

Параметры доступа

Сноски

Ссылки

Ключевые слова

Ссылки

Инструктор

Описание курса

Цели обучения

Зачет курса

Требования к классу

Необходимые книги

Рекомендуемые книги

Неделя 1 – 10 сентября (пн): введение

Неделя 2 – 17 сентября (пн): в чем проблема? Зачем изучать алгоритмы и культуру?

Неделя 3 – 24 сентября (пн). Что такое алгоритмы? Что такое культурные алгоритмы?

Неделя 4 – 1 октября (пн). Как понимать саму "культуру"?

Неделя 5 – 8 октября (пн). Что «пользователи» (или «алгоритмические субъекты») воспринимают и думают об алгоритмах и культуре?

Неделя 6 – 15 октября (пн): БЕЗ ЗАНЯТИЙ (осенние каникулы)

Неделя 7 – 22 октября (пн). Как "технологи" или "разработчики" воспринимают и думают об алгоритмах и культуре?

Неделя 8 – 29 октября (пн): День семинара по подготовке предложений

Неделя 9 – 5 ноября (пн): прогноз

Неделя 10 – 12 ноября (пн). Какие новые методы разрабатываются для исследования алгоритмических систем? Что такое аудит алгоритмов?

Неделя 11 – 19 ноября (пн). Как алгоритмические процессы могут обеспечить отчетность? Как регулируются алгоритмы?

Неделя 12 – 26 ноября (пн). Является ли алгоритмическое суждение бесчеловечным? Что бы это значило?

Неделя 13 – 3 декабря (пн). Как определить, что является этичным, справедливым или справедливым алгоритмом?

Неделя 14 – 10 декабря (пн). Какие задачи и возможности открывает машинное обучение в культурном контексте?

17 декабря (понедельник): последняя статья

Политика класса

Наши обсуждения

Академическая честность