Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
340 - Ciências empresariais
Departamento / Department
Departamento de Ciências Sociais e Empresariais
Ano letivo / Execution Year
2024/2025
Pré-requisitos / Pre-Requisites
Não se aplica.
Objetivos Gerais / Objectives
O principal objetivo desta unidade curricular é transmitir uma compreensão abrangente das características e desafios dos dados hospitalares, juntamente com a aplicação de técnicas orientadas para a IA para extração de conhecimentos. Os estudantes aprofundarão os meandros dos diferentes tipos de dados encontrados em contextos de cuidados de saúde. Enfrentarão os desafios ligados à gestão e à segurança dos dados num contexto hospitalar. A unidade apresentará o papel fundamental da inteligência artificial na extração de conhecimentos valiosos a partir de dados estruturados e imagens médicas. Além disso, os alunos compreenderão as considerações éticas e jurídicas pertinentes à análise de dados de cuidados de saúde. No final da unidade, os alunos aplicarão proficientemente metodologias de IA para enfrentar, em colaboração, desafios de dados do mundo real em ambientes de cuidados de saúde.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
São objetivos de aprendizagem (OA) desta Unidade Curricular permitir que os alunos possam adquirir as seguintes competências: OA1: Reconhecer tipos de dados hospitalares OA2: Enfrentar desafios de dados OA3: Aplicar IA para Extração de Conhecimentos OA4: Melhorar a qualidade dos dados OA5: Implementar Técnicas de IA OA6: Navegar por aspectos éticos e legais OA7: Comunicar Insights Efetivamente OA8: Colaborar em projectos de IA OA9: Integrar ferramentas e bibliotecas de IA OA10: Aplicações no sector da saúde
Conteúdos Programáticos / Syllabus
Esta UC detém os seguintes conteúdos programáticos (CPs): CP1: Introdução aos dados hospitalares * Definição e conceitos chave CP2: Desafios dos dados nos cuidados de saúde CP3: Fundamentos de IA para extração de conhecimentos CP4: Técnicas de IA para análise de dados de cuidados de saúde CP5: Considerações éticas e jurídicas CP6: Comunicação eficaz dos resultados CP7: Projectos colaborativos de IA nos cuidados de saúde CP8: Ferramentas e bibliotecas para dados de cuidados de saúde CP9: Aplicações de IA nos cuidados de saúde CP10: Apresentação e reflexão do projeto
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes
O OA1 é alcançado pelo CP1, que fornece a base para classificar dados hospitalares. O OA2 é suportado pelo CP2, onde os alunos exploram desafios no processamento de dados de saúde. O OA3 é alcançado pelos CP3 e CP4, que introduzem fundamentos de IA e técnicas de análise de dados. O OA4 é suportado pelo CP4, permitindo aos alunos aplicar IA para melhorar a qualidade dos dados. O OA5 é atingido pelos CP4, CP8 e CP9, garantindo que os alunos adquirem conhecimento sobre ferramentas, bibliotecas e técnicas de IA. O OA6 é abordado pelo CP5, que cobre questões legais e éticas da IA na saúde. O OA7 é suportado pelo CP6, onde os alunos desenvolvem competências para apresentar e justificar resultados. O OA8 é alcançado pelos CP7 e CP10, promovendo colaboração e reflexão sobre os projetos. O OA9 é suportado pelo CP8, que fornece conhecimento para integrar ferramentas nos projetos de saúde. Por fim, o OA10 é atingido pelo CP9, que oferece aplicações práticas de IA nos cuidados de saúde.
Avaliação / Assessment
A avaliação será feita ao longo do semestre, sendo feita através de dois trabalhos de grupo valendo cada um 30% da nota final e um teste escrito de 40%. Cada uma das componentes de avaliação tem nota mínima de 8 valores e a aprovação na UC requer uma nota final mínima de 10 valores. As notas dos trabalhos poderão variar pelo desempenho demonstrado individualmente numa discussão oral, a ocorrer (para o grupo) no caso da nota (de um dos elementos) entre o teste e o trabalho tiver uma diferença superior a 3 valores. Dado o caráter prático da UC não há lugar a avaliação por exame. É exigida uma assiduidade mínima não inferior a 2/3 das aulas. Melhoria de nota só pode ser feita repetindo o processo de avaliação no ano seguinte.
Metodologias de Ensino / Teaching methodologies
A UC Dados de Saúde adotará como metodologia de ensino e aprendizagem central a Aprendizagem Baseada em Estudos de Caso, combinada com Aprendizagem Baseada em Tarefas. A gamificação será utilizada como estratégia de motivação e envolvimento dos estudantes. Esta abordagem pedagógica está articulada com o modelo pedagógico do Iscte porque o estudante é considerado um agente ativo no seu processo de aprendizagem, o conhecimento é trabalhado como uma ferramenta para a construção e desenvolvimento de mais conhecimento e aplicado em diversos contextos.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
As metodologias de ensino foram selecionadas de forma a corresponder aos objetivos de aprendizagem da UC. Através de uma combinação de momentos de aprendizagem, os estudantes irão realizar tarefas com diferentes níveis de apoio e orientação docente ao longo da UC que lhes permitirá, numa primeira fase compreender os princípios e conceitos presentes nos Dados de Saúde e de Inteligencia Articial, posteriormente, analisar as suas implicações nas organizações e na sociedade. Irão ainda aplicar conhecimentos teóricos e desenvolver competências de análise e pensamento crítico, necessários à identificação dos principais desafios e oportunidades que podemos encontrar em Dados de Saúde. O docente dará feedback (corretivo e/ou cognitivo) sobre as tarefas e estudos de caso. Os estudantes irão ainda explorar casos de estudo de sucesso e boas práticas através da utilização de casos reais ou fictícios como ponto de partida para a aprendizagem. Os estudantes terão acesso a informações detalhadas sobre o caso, incluindo contexto, personagens e problemas específicos a serem resolvidos. Seguirão uma sequência predefinida de análise, discussão e solução do caso. Esta abordagem permitirá que os estudantes estabeleçam conexões entre os conhecimentos teóricos e práticos. Como estratégia de motivação, a unidade curricular incluirá a gamificação ao longo do semestre, onde os estudantes ao longo do semestre realizarão trabalhos praticos à medida (com impacto direto na nota), garantindo o seu envolvimento ao longo da UC.
Observações / Observations
-
Bibliografia Principal / Main Bibliography
McKinney, W. (2017). Python for Data Analysis, 2nd Edition: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly Media. Albon, C. (2018). Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning. O'Reilly Media. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. Nelson, D. (2020). Data Visualization in Python. Independently Published. O'Reilly, T. (2010). Open Government: Collaboration, Transparency, and Participation in Practice. O'Reilly Media. OpenCV. (2024). Open Source Computer Vision Library. Disponível em https://opencv.org/. TensorFlow. (2024). An Open Source Machine Learning Framework for Everyone. Disponível em https://www.tensorflow.org/.
Bibliografia Secundária / Secondary Bibliography
Data da última atualização / Last Update Date
2024-12-18