Programplaner og emneplaner - Student
MALKA211 Introduction to Behavior Analysis Course description
- Course name in Norwegian
- Introduksjon til atferdsanalyse
- Study programme
-
Master's Program in Behavioral ScienceMaster’s Program in Behavioral Science - Specialisation in Innovation and ImplementationMaster’s Program in Behavioral Science - Specialisation in Concepts and Applications
- Weight
- 10.0 ECTS
- Year of study
- 2025/2026
- Curriculum
-
FALL 2025
- Schedule
- Programme description
- Course history
-
Introduction
Profesjonsutøvelse bygger på vurdering og anvendelse av forskning, fagutvikling og klinisk erfaring. Dette forutsette at studenten i yrkesutøvelsen evner å lese, forstå og anvende forskningslitteratur og se dette i sammenheng med klinisk erfaring, forskning og fagutvikling. Vitenskapsteori er en viktig del av grunnlaget for å forstå vitenskapelig aktivitet. Gjennom denne delen av emnet ønsker vi å stimulere til en spørrende og kritisk holdning til kunnskapsutvikling og gjøre studentene bedre rustet til kritisk å vurdere på hvilket grunnlag faglige avgjørelser tas.
I henhold til lov om spesialisthelsetjenesten § 3-4a skal helsepersonell sørge for at virksomheten arbeider systematisk for kvalitetsforbedring og pasientsikkerhet. Studentene strenger derfor kunnskap om pasientsikkerhet, pasientsikkerhetskultur og hvordan systematisk kvalitetsarbeid kan utføres.
Emnet gir også en oversikt over de mest anvendte metodene i kvalitativ og kvantitativ forskning, samt over sentrale forskningsetiske prinsipper og metoder i kvalitetsarbeid. Innsikt i ulike metoder innebærer at studenten som profesjonsutøver kan identifiserer forskningslitteratur som er egnet til å besvare ulike faglige spørsmål.
Required preliminary courses
Each module will be taught in a series of lectures. At the end of each module, the students will be assigned a small project to be submitted within a given deadline.
Learning outcomes
Etter gjennomført emne har studenten følgende læringsutbytte, definert i kunnskap, ferdigheter og generell kompetanse:
Kunnskap
Studenten
- kan drøfte de mest anvendte metodene i kvalitativ og kvantitativ forskningstilnærming
- kan gjøre rede for og drøfte vitenskapsteoretiske perspektiver, forskningsmetoder, ulike trinn i forskningsprosessen og forskningsetikk som er relevant for spesialsykepleie
- kan gjøre rede for og bidra i metoder for systematisk kvalitetsarbeid for å forbedre helsetjenesten og forutsetninger for vellykkede endringsprosesser
Ferdigheter
Studenten
- kan analysere og forholde seg kritisk til ulike informasjonskilder, og anvende disse til å strukturere og formulere faglige resonnementer for å løse kliniske og teoretiske problemstillinger
- kan bruke metoder for å planlegge et avgrenset forsknings- eller kvalitetsarbeid ved bruk av relevante teorier og metoder i tråd med forskningsetiske normer
- kan analysere og tolke kvantitative data, som deskriptiv statistikk, tabeller og figurer
- kan analysere og tolke kvalitative data, som ulike former for tekstmateriale
- kan identifisere og belyse brukermedvirkningens betydning i forskningen
- kan identifisere og belyse forskningsetiske problemstillinger
- kan identifisere faglige problemstillinger og avklare behov for forskning og kvalitetsarbeid
- kan bruke relevant forbedringsmetoder i klinisk praksis
- kan analysere og forholde seg kritisk til utvikling, nytenkning og innovasjon
Generell kompetanse
Studenten
- kan analysere og formidle forskningsbasert kunnskap i møte med pasient, pårørende, helsepersonell og allmennheten
- kan analysere og forholde seg kritisk til kunnskapsbasert praksis og medvirke til utvikling av tjenesten
- kan bidra til kvalitetsarbeid, nytenkning og i innovasjonsprosesser i klinisk praksis
- kan anvende og formidle fagkunnskap, relevant bruk av pasientsikkerhetsteori og forbedringsmetodikk for å forebygge pasientskader faglig forsvarlig utøvelse av spesialsykepleie
Teaching and learning methods
Oral examination, individual.
The exam cannot be appealed.
Course requirements
None.
Assessment
Alle hjelpemidler er tillatt så lenge regler for kildehenvisning følges.
Permitted exam materials and equipment
Gradert skala A-F.
Grading scale
Basic background in statistics or probability theory. Knowledge of a programming language.
Examiners
The course is structured in five modules:
- Module 1: Unsupervised Data Mining
- Module 2: Supervised Machine Learning
- Module 3: Reinforcement Learning
- Module 4: Artificial Neural Network and Deep Learning
- Module 5: Major Concepts in Artificial Intelligence, including: complex systems (networks, cellular automata, and agent-based models) and evolutionary computing