Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Ciência de Dados
Departamento / Department
ISCTE
Ano letivo / Execution Year
2025/2026
Pré-requisitos / Pre-Requisites
Conclusão do 1º ano do Mestrado em Ciência de Dados (equivalente a pós graduação): esta unidade curricular é destinada a alunos plenamente inscritos no 2.º ano curricular de mestrado em ciência de dados.
Objetivos Gerais / Objectives
Esta unidade curricular tem como principais objectivos o desenvolvimento de competências e conhecimento de recursos de modo a conseguir conceber, planear e implementar um projecto de investigação científica na área de Ciência de Dados.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1. Definir e caracterizar um problema de investigação específico e explicar o seu contexto. OA2. Identificar questões de pesquisa que possibilitem um estabelecimento de um estado da arte em relação a um problema de investigação concreto. OA3. Avaliar e discutir criticamente os resultados obtidos pela pesquisa e revisão da literatura relacionada com o problema de investigação definido e que demonstre a relevância da investigação proposta. OA4. Identificar um conjunto de dados que possibilite a pesquisa da resposta ao problema definido. OA5. Conceber um processo de dados que permita responder às questões de investigação propostas. OA6. Comunicar eficazmente um trabalho de investigação e os seus resultados, através de relatórios técnicos escritos e apresentações visuais e orais.
Conteúdos Programáticos / Syllabus
CP1. Integridade e responsabilidades em investigação. CP2. Delimitação da temática e do campo de pesquisa. CP3. Definição do objecto, problemática e objectivos do estudo. CP4. Realização da revisão da literatura recorrendo a metodologias apropriadas. CP5. Realização de análises críticas de resultados: conteúdos e impactos. CP6. Metodologias de comunicação e disseminação científicas.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
Os conteúdos programáticos (Pi, i=1, ..., 6) estão alinhados com os objetivos de aprendizagem (OAj, j=1, ..., 6) da UC através das seguintes dependências: OA1 – CP2 a CP3 OA2 – CP2 a CP3 OA3 – CP1 e CP5 OA4 – CP1 a CP4 OA5 – CP3, CP4 a CP6 OA6 - CP1 e CP6 A totalidade dos conteúdos programáticos (CP1 a CP6) está desenhada para ajudar, passo a passo, a cumprir o exposto nos objetivos de aprendizagem, contribuindo, pela incorporação das metodologias de ensino adequadas, para atingir os objetivos OA3 a OA6. No final das aulas, espera-se que os estudantes tenham conseguido, como entregável, o que irá constituir a primeira parte da sua dissertação de mestrado.
Avaliação / Assessment
A UC trabalha conceitos e métodos para o estabelecimento dos primeiros capítulos da dissertação de mestrado, pelo que não existe exame escrito a 100%. A avaliação consiste em: (a) apresentação individual do seu trabalho (70%), (b) documento entregável com estabelecimento do problema e objetivos de investigação, contextualização, questões e objetivos de investigação, revisão sistematizada da literatura e sua discussão, desenho e planeanento do projeto (30%).
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEA): MEA1: Expositivas, apresentação do enquadramento teórico em materiais on-line. MEA2: Ilustrativas, para exemplificação dos conceitos teóricos em contextos de casos reais. MEA3: Argumentativas, com apresentação e discussão de trabalhos. MEA4: Ativas, com apresentação de trabalho individual.
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 são as necessárias para cumprir os objetivos de aprendizagem, bem como para estimular o espírito crítico e a apreensão de técnicas de comunicação e apresentação. Os resultados de aprendizagem serão alcançados através de uma combinação de aulas expositivas, workshops e trabalho individual. Os processos de aprendizagem involvem: - Conceitos chave fornecidos online (uma mistura de textos, áudios, vídeos). - Sessões de workshop, onde os estudantes analisam casos de estudo. - Preparação e apresentação da revisão da literatura relacionada para o trabalho de investigação individual. Espera-se que os estudantes analisem os materiais fornecidos antes das aulas e, após estas, auto-estudo para trabalhar e investigar para além das aulas. Uma vez que as técnicas pedagógicas usadas serão orientadas à resolução de problemas, as aulas estão classificadas maioritariamente como Teórico-Práticas. Como já referido, todos os materiais expositivos são disponibilizados previamente aos discentes através da plataforma eletrónica de e-learning. As aulas decorrem nas salas BYOD do Iscte. Assim, os estudantes trazem os seus computadores portáteis, o que lhes permite dispor das mesmas ferramentas na aula que já têm em casa para a aprendizagem digital, podendo assim complementar as suas notas e dar continuidade ao processo de aprendizagem e que se constitui como um facilitador da aprendizagem individual. Este processo permite ainda que a docente avalie a progressão dos discentes ou dificuldades que a aprendizagem possa estar a colocar. Por outro lado, é possível, quase sempre, fornecer feedback imediato aos discentes, de modo a apoiar um progresso constante e sustentado. Os workshops oferecem uma oportunidade para os alunos explorarem, aplicarem e refletirem sobre os conceitos, métodos e ferramentas expostos, obtendo feedback formativo. Os exercícios devem ser explorados em aula, o que permite aos alunos a compreensão de quais os aspetos lecionados que pretendem aprofundar no contexto específico.
Observações / Observations
Nenhuma
Bibliografia Principal / Main Bibliography
> Schröer, C., Kruse, F., and Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia Computer Science, 181:526-534. > Saltz, J. S. (2021). "CRISP-DM for Data Science: Strengths, Weaknesses and Potential Next Steps," 2021 IEEE International Conference on Big Data (Big Data), Orlando, FL, USA, pp. 2337-2344 > Blischak, J. D., Davenport, E. R., & Wilson, G. (2016). A Quick Introduction to Version Control with Git and GitHub. PLOS Computational Biology, 12(1). > Thomas, C. G. (2021). Research methodology and scientific writing. 2nd edition. Springer.
Bibliografia Secundária / Secondary Bibliography
> Perkel, J. M. (2018). A toolkit for data transparency takes shape. Nature, 560(7719), 513–515. > ALLEA - The European Code of Conduct for Research Integrity, European Union, URL: https://allea.org/code-of-conduct/ > RGPD - Regulamento Geral de Proteção de Dados, URL: https://gdpr-info.eu OU https://gdpr.eu > Artificial intelligence act, URL: https://www.europarl.europa.eu/RegData/etudes/BRIE/2021/698792/EPRS_BRI(2021)698792_EN.pdf > Material de leitura a determinar ao longo das aulas e de acordo com os temas a tratar.
Data da última atualização / Last Update Date
2025-07-22