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
É preferível que o estudante seja da área, isto é, possua conhecimentos básicos fundamentais em Ciência de Dados (Estatística, Programação, Gestão de Bases de Dados, Aprendizagem Supervisionada e não Supervisionada).
Objetivos Gerais / Objectives
Este seminário trará aos estudantes as temáticas mais recentes e em discussão científica e societal no momento. Assim, pretende-se equipar o estudante com conhecimento suficiente para o capacitar dos mais recentes avanços na área, aplicações com maior impacto ou necessidades de investigação. Pretende-se, assim, capacitar os estudantes das possibilidades de trabalho e investigação em Ciência de Dados e ajudar para a potencial escolha de tema de dissertação a ocorrer no 2.º ano do curso. Temas como ciberdireito ou segurança de dados, como proceder a uma avaliação de impacto de utilização de dados pessoais ou sensíveis, ou que é a Inteligência Artificial Responsável ou como criar processamentos de dados que cumpram as prescrições do Acto para a Al, a Ciência de Dados nas Ciências Humanas, ou outros mais relevantes ou prementes em cada ano letivo, serão abordados, quer pela perspetiva da utilização e valorização, quer pela perspetiva dos cientistas e da investigação.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final desta UC o estudante deverá ser capaz de: OA1. Explicar o desenvolvimento da Ciência de Dados ao longo do tempo. OA2. Diferenciar entre desenvolvimento aplicado (solução de aplicação) e desenvolvimento fundamental (investigação). OA3. Explicar a interrelaçao entre cada temática interdisciplinar abordada e a Ciência de Dados. OA4. Criticar a utilização indiscriminada de dados, quer pessoais ou não, sem respeito pelo princípio da minimização. OA5. Justificar a vantagem de utilizar processos e métodos da Ciência de Dados em problemas societais e ambientais.
Conteúdos Programáticos / Syllabus
Os conteúdos programáticos (CP) específicos podem sofrer evoluções ou ajustamentos em função da disponilibilidade de seminários convidados. No entanto, existem conteúdos em abstracto que terão de ser abordados à luz do conhecimento atual, como sejam: CP1. História da Ciência de Dados. CP2. Informação e Perceção Visuais e Narrativas. CP3. Ciberdireito em Ciência de Dados. CP4. Inteligência Artificial eticamente responsável. CP5. Ciência de Dados na Economia e Gestão. CP6. Ciência de Dados na Saúde. CP7. Ciência de Dados nas Ciências Humanas. CP8. Ciência de Dados na Sociedade. CP9. Ciência de Dados para o Futuro.
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 CP1 contribui diretamente com conteúdos para OA1. Já o OA2 terá contributo de todos os CP 2 a 8, uma vez que, necessariamente, existirão seminários mais ilustrativos de investigação e outros mais de aplicação. Para além disso, existirá um último seminário, em CP9, em que a investigação será o mote. Todos os CP contribuem para o OA3, enquanto que CP3 e CP4 contribuem diretamente para OA4. Os CP 3 a 9 ilustram a cosolidam o OA5.
Avaliação / Assessment
Sendo uma Unidade curricular de Seminário, não deverá existir a figura de exame escrito. A avaliação decorrerá ao longo do semestre, com a participação dos estudantes em pequenos grupos de trabalho colaborativos (E1), elaboração de fichas de seminário individuais (E2), e realização de pesquisa relativa a um problema relacionado com uma das temáticas abordadas nos diferentes seminários com (i) apresentação oral final e (ii) elemento infográfico digital (E3). Os elementos E1 e E2 são avaliados pela Coordenadora, enquanto o E3 será avaliado pelos pares, com moderação da coordenadora. A nota final será calculada por: 0,3 E1 + 0,3 E2 + 0,4 E3.
Metodologias de Ensino / Teaching methodologies
As seguintes metodologias de ensino-aprendizagem (MEA) que serão utilizadas são: MEA1: Ilustrativas (seminário), para exemplificação dos conceitos, de preferência em contextos reais. MEA2: Argumentativas, com apresentação e discussão de trabalhos/temas propostos.. MEA3: Participativas e Ativas, com realização e construção de trabalhos colaborativos. MEA5: Autoestudo por parte do aluno.
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
Tal como o nome indica, esta é uma unidade curricular desenvolvida em torno da ideia de seminário. Assim, em cada semana, existirá um tema, que será explorado em conjunto com a/o oradora/o, seguido de mais uma hora de trabalho assíncrona, que, após disponibilização de materais suplementares sobre os conteúdos abordados, poderá tomar diferentes formas, como seja um fórum, a construção colaborativa de um glossário, construção colaborativa de um flyer informativo, etc, dependendo do instrumento mais adequado à consolidação do tema em questão As metodologias utilizadas permitem aos estudantes a discussão dos temas e, para construção dos trabalhos colaborativos, a argumentação sustentada das suas propostas. A moderação da coordenadora nestes momentos, ajudará a resolver postenciais conflitos, caso surjam, e a orientar a construção para uma solução coerente, construtiva e que ajude na consolidação dos conceitos discutivos, levando assim, incrementalmente à obtenção dos objetivos desejados e numa prespectiva de auto ajuda e cooperação na construção de conhecimento. A utilização de avaliação pelos pares, pretende trazer os estudantes para um ambiente mais próximo do profissional, para além de construir competências de avaliação construtiva, solidariedade com os nossos iguais, justiça no tratamento dos outros, e valores de cidadania.
Observações / Observations
Bibliografia Principal / Main Bibliography
Dependente dos temas específicos abordados pelo responsável do seminário semanal.
Bibliografia Secundária / Secondary Bibliography
Voeneky, S., Kellmeyer, P., Mueller, O., & Burgard, W. (Eds.). 2022. The Cambridge Handbook of Responsible Artificial Intelligence: Interdisciplinary Perspectives. Cambridge: Cambridge University Press. Dignum, V. 2019. Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way. Springer Publishing Company, Incorporated, 1st edition,. ISBN 3030303705. Conitzer, V., Sinnott-Armstrong, W., Schaich Borg, J., Deng, Y., & Kramer,M. Moral decision making frameworks for artificial intelligence. Proceedings of the AAAI Conference on Artificial Intelligence, 31(1), Feb. 2017. doi: 10.1609/aaai.v31i1.11140. URL https://ojs.aaai.org/index.php/AAAI/ article/view/11140. Domingos, P. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books, 2015. ISBN 978-0465065707. Karachalios, K., Stern, N. & Havens,J. C. White paper - measuring what matters in the era of global warming and the age of algorithmic promises. Measuring What Matters in the Era of Global Warming and the Age of Algorithmic Promises, pages 1–17, 2020 van den Hoven, J. 2019. Design for values and values for design. Information Age, Journal of the Australian Computer Society, pages 4 – 7.
Data da última atualização / Last Update Date
2025-03-27