M1KP2002 Praksis, 2.år Emneplan

Emneplanen er godkjent av utdanningsutvalget ved Fakultet for lærerutdanning og internasjonale studier 21. juni 2021.

Praksis skal være en arena for systematisk læring og øvelse fram mot det å bli kvalifisert som lærer generelt og i kroppsøving og idrettsfag spesielt. Praksislærer og faglærer ved OsloMet tilrettelegger i samarbeid for læring og øvingssituasjoner der studentene får profesjonsfaglige erfaringer. Praksis skal virke integrerende i utdanningen slik at forskning om læring, undervisning, vurdering og profesjonsutøvelse korresponderer med emnet studentene tar det gjeldende semesteret, og tilsvarende at studentenes erfaringer fra praksis plukkes opp igjen i undervisningen når de er tilbake på universitetet. Dette gjelder for alle praksisperiodene enten det er undervisningsfag 1, undervisningsfag 2 eller undervisningsfag 3.

Praksis skal foregå på ulike arenaer slik som i sal, i svømmehall og i klasserom, og utendørs til alle årstider. Studentene skal gis mulighet til å reflektere over elevenes læring og egen lærerrolle ved undervisning på ulike arenaer, og i møte med elever både på grunnskolens barnetrinn og ungdomstrinn, i videregående opplæring, eller i alternativ praksis slik som f.eks. ved en folkehøyskole. All praksis skal være veiledet og vurdert.

Emnet vil gjøre studentene i stand til å benytte sentrale statistiske metoder og modeller innen moderne kvantitativ analyse og gir en introduksjon til statistisk tenkning. Studentene lærer hvordan ulike regresjonsmodeller brukes for å forstå sammenhenger i data og å utføre slike analyser i Python. I tillegg vil studentene få innsikt i metoder for å analysere og forklare "svart-boks"-prediksjonsmodeller.

Etter å ha gjennomført dette emnet har studenten følgende læringsutbytte, definert i kunnskap, ferdigheter og generell kompetanse.

Kunnskap

Studenten kan:

• gjøre rede for grunnleggende begreper innen regresjonsanalyser som forklaringsvariabler, responsvariabel, forklart varians, prediksjonsintervall og minste kvadraters metode
• kjenne til maximum likelihood-estimering, likelihood ratio-test, bootstrapping og generaliserte lineære modeller
• gjøre rede for hvordan maskinlæringsmetoder trenes, valideres og evalueres
• gjøre rede på forskjellen på lokale og globale forklaringer, og hvordan partial dependence-plot, accumulated local effects-plot, Friedmans H-observator og surrogatmodell fungerer

Ferdigheter

Studenten kan:

• bruke lineær og logistisk regresjon til å studere sammenhengen mellom en eller flere forklaringsvariabler og en responsvariabel
• tilpasse en egnet regresjonsmodell ved å studere modellens residualer og om nødvendig forsøke ulike variabeltransformasjoner og variabelseleksjon
• sette opp og utføre hypotesetester og regne ut konfidensintervaller for parametre i en regresjonsmodell
• identifisere de viktigste prediktorene og interaksjonene i en modell ved bruk av forklarbar kunstig intelligens (XAI)
• skrive kildekode for å gjennomføre utregningene for regresjonsanalyser og XAI i Python

Generell kompetanse

Studenten kan:

• benytte statistiske tenkemåter på reelle problemstillinger og formidle disse skriftlig og muntlig
• løse reelle problemstillinger ved bruk av regresjonsanalyse, maskinlæring og XAI
• identifisere metodenes begrensninger og vurdere likheter og forskjeller med metoder fra matematisk modellering, numerikk og maskinlæring

Forelesninger og individuelle øvinger. Øvingstimene vil bestå av både oppgaveregning og programmering.

Individuell skriftlig eksamen under tilsyn på 3 timer.

Eksamensresultat kan påklages.

Ved ny eller utsatt eksamen kan en annen eksamensform bli benyttet. Hvis muntlig eksamen benyttes kan denne ikke påklages.

Alle trykte og skrevne hjelpemidler tillatt.

Håndholdt kalkulator som ikke kommuniserer trådløst og som ikke kan regne symbolsk. Dersom kalkulatoren har mulighet for lagring i internminnet skal minnet være slettet før eksamen. Stikkprøver kan foretas.