Programplaner og emneplaner - Student
PHUV9110 Kunnskapsteorier for lærerutdanningsrelatert forskning Emneplan
- Engelsk emnenavn
- Theories of Knowledge in Teacher Education Research
- Studieprogram
-
Ph.d.-program i utdanningsvitenskap for lærerutdanningEnkeltemner knyttet til Ph.d.-studium i utdanningvitenskap for lærerutdanning
- Omfang
- 10.0 stp.
- Studieår
- 2021/2022
- Pensum
-
HØST 2021
- Timeplan
- Emnehistorikk
-
Innledning
Godkjent av studieutvalget ved Høgskolen i Oslo 21. februar 2011. Siste revisjon godkjent av doktorgradsutvalget ved OsloMet - storbyuniversitetet 3. mai 2018. Redaksjonelle endringer 27.04.2020.
Kunnskapsteorier for lærerutdanningsrelatert forskning er et felles sammenbindende emne i ph.d.-programmet i utdanningsvitenskap for lærerutdanning.
I læringsforløpet skal studentene styrke sitt kunnskapsgrunnlag for arbeid med kunnskapsteoretiske spørsmål knyttet til forskningsfeltet utdanningsvitenskap for lærerutdanning. Gjennom emnets breddeorientering skal studentene tilegne seg teoretisk oversikt i et komparativt og internasjonalt perspektiv. Det legges videre vekt på et analytisk perspektiv gjennom kritiske studier av sentrale tekster og på teorier, temaer og tilnærminger knyttet til profesjon, yrke, arbeid, kommunikasjon, kontekst og kultur som er relevante for utdanningsvitenskap relatert til lærerutdanning. Utviklingsorienterte perspektiver på forskning er sentrale.
Forkunnskapskrav
Emnet er et obligatorisk emne i ph.d.-programmet i utdanningsvitenskap for lærerutdanning.
Læringsutbytte
This course will present complex systems (cellular automata, networks, and agent-based) modelling and programming through state-of-the-art artificial intelligence methods that take inspiration from biology (sub-symbolic and bio-inspired AI methods), such as evolutionary algorithms, neuro-evolution, artificial development, swarm intelligence, evolutionary and swarm robotics.
During this course, students will get both theoretical and practical experience within complex systems and bio-inspired/sub-symbolic AI methods.
Innhold
Grade scale A-F.
Arbeids- og undervisningsformer
Undervisningen i emnet går normalt over ett semester. Det gis organisert undervisning i form av forelesninger, seminarer og veiledning. Studentene organiseres i mindre grupper med tanke på forberedelse til diskusjon og respons på skriftlige arbeider. Det er forventet at studentene deltar aktivt i alle deler av undervisningen. Veiledning knyttes i vesentlig grad til utforming av essay.
Arbeidskrav og obligatoriske aktiviteter
- Muntlig presentasjon av utkast til individuelt essay.
- 80 prosent tilstedeværelse på kurset. Det gis organisert undervisning i form av forelesninger, seminarer og veiledning. Undervisningen er profesjonsrettet. Veiledning knyttes i vesentlig grad til utforming av essay. Studentene organiseres i mindre grupper med tanke på forberedelse til diskusjon og respons på skriftlige arbeider. Arbeidsformen forutsetter studentaktivitet og samhandling. Den gir en kompetanse som ikke kan tilegnes kun ved lesing av pensum, men må opparbeides ved tilstedeværelse, i reell dialog mellom studenter og forelesere. Kun i spesielle tilfeller kan fravær utover 20 prosent kunne godtas etter søknad. Ved ikke godkjent fravær vil studenten miste retten til å få essayet vurdert.
Vurdering og eksamen
On successful completion of the course, students should have the following learning outcomes defined in terms of knowledge, skills, and general competence.
Knowledge
The student:
- has a deep understanding of complex systems modelling and analysis
- has advanced knowledge in sub-symbolic and bio-inspired AI methods
- has a clear understanding of key concepts in AI such as emergence, adaptation, evolution.
Skills
The student:
- can model and analyse complex systems using cellular automata, networks and agent- based models
- can program complex systems using bio-inspired AI methods
- can design and implement evolutionary and swarm robotic systems
General Competence
The student:
- has theoretical and practical understanding of complex and biologically-inspired AI methods and evolutionary robotics methods
- can understand and discuss relevance, strength and limitations of complex and biologically inspired systems
- is able to work in relevant research projects.
Hjelpemidler ved eksamen
x
Vurderingsuttrykk
None.
Sensorordning
The assessment will be based on a portfolio of the following:
- A group project delivery (2-4 students), consisting of a report (7500-3000 words) and code
- An individual oral examination (20 minutes)
The weight of the two parts is 50% each.
The project report should be between 7500-3000 words. Both the code/program and the report will be evaluated. The comprehensiveness of the code/program is evaluated with the assumption that each student in the group has committed about 60 hours towards developing the solution. As a general guideline, the code/program carries a stronger weight than the report.
The portfolio will be assessed as a whole and the exam cannot be appealed.
New/postponed exam
In case of failed exam or legal absence, the student may apply for a new or postponed exam. New or postponed exams are offered within a reasonable time span following the regular exam. The student is responsible for registering for a new/postponed exam within the time limits set by OsloMet. The Regulations for new or postponed examinations are available in Regulations relating to studies and examinations at OsloMet.
Opptakskrav
All aids are permitted, provided the rules for plagiarism and source referencing are complied with.
For the oral exam, students will not have access to computers or other aids.