Artificial Intelligence-toepassingen (AI) beïnvloeden het leven en werk van iedereen en vragen daarmee doelgerichte aanpassingen aan bachelorcurricula en het handelingsrepertoire van docenten. In Comenius Leadership project ‘AI4Students’ wordt in participatief actie-onderzoek een methodiek ontwikkeld waarmee teams in bacheloropleidingen aan hogescholen in kaart kunnen brengen welke veranderingen nodig zijn om studenten AI-ready te kunnen laten afstuderen. De methodiek zal bestaan uit een AI-scan en werkwijzen om het sociale, pedagogisch-didactische proces van het uitvoeren van de scan doelgericht vorm te geven; gericht op inclusie van verschillende perspectieven, gedeeld eigenaarschap van docenten van het curriculum en studentbetrokkenheid.Dit wordt gedaan door in drie iteraties bij negen opleidingen van de Hogeschool van Amsterdam co-creatiesessies met docenten en studenten te houden. De co-creatiesessies worden opgenomen en geanalyseerd aan de hand van uitgewerkte observaties waarbij het Communities of Practice-framework van Wenger (1999) en de notie van ‘social learning spaces’ van Wenger-Trayner en Wenger-Trayner (2020) dienen als theoretische lens.Nu de eerste iteratie en evaluatie zijn afgerond, kunnen we de aanpak en ons voortschrijdend inzicht delen, samen met wat dat betekent voor de tweede iteratie. Dit en preliminaire ideeën voor de discipline-overstijgende methodiek en de praktische toepassing ervan bespreken we graag met het publiek.Dit onderzoek is NRO-gefinancierd.
MULTIFILE
De ontwikkeling en toepassing van Kunstmatige Intelligentie (KI) heeft een aanzienlijke impact op bestaande competenties binnen vrijwel elk vakgebied, van onderzoek tot communicatie. Voor niet-ICT-opleidingen betekent dit dat het onderwijs moet worden aangepast om studenten effectief voor te bereiden op een AI-gedreven toekomst. Hoewel 21e-eeuwse vaardigheden een solide basis bieden voor een snel veranderende wereld vol technologie, digitalisering en innovatie, rijst de vraag of deze vaardigheden voldoende zijn in een tijd waarin dagelijks honderden nieuwe AI-tools verschijnen. Het onderzoeksproject `AI4Students' biedt een innovatieve aanpak waarin hbo-teams van docenten en studenten samenwerken aan de ontwikkeling van `AI-ready persona's'. Deze persona's definiëren AI-gerelateerde competenties die niet alleen de toekomst van hun eigen opleiding vormgeven, maar ook een waardevolle leidraad bieden voor andere opleidingen om hun specifieke werkveld beter te begrijpen en te integreren.
DOCUMENT
The past two years I have conducted an extensive literature and tool review to answer the question: “What should software engineers learn about building production-ready machine learning systems?”. During my research I noted that because the discipline of building production-ready machine learning systems is so new, it is not so easy to get the terminology straight. People write about it from different perspectives and backgrounds and have not yet found each other to join forces. At the same time the field is moving fast and far from mature. My focus on material that is ready to be used with our bachelor level students (applied software engineers, profession-oriented education), helped me to consolidate everything I have found into a body of knowledge for building production-ready machine learning (ML) systems. In this post I will first define the discipline and introduce the terminology for AI engineering and MLOps.
LINK
Artificial Intelligence (AI) beïnvloedt het leven en werk van iedereen en vraagt daarmee doelgerichte aanpassingen aan bachelorcurricula en het handelingsrepertoire van docenten. In Comenius Leadership-project ‘AI4Students’ wordt in participatief actie-onderzoek een methodiek ontwikkeld waarmee teams in bacheloropleidingen aan hogescholen in kaart brengen welke veranderingen nodig zijn om studenten ‘AI-ready’ op te leiden. Dit betreft AI-toepassingen die het werkveld van de opleiding veranderen, AI-vaardigheden die nodig zijn om met de toepassingen te werken en een verkenning van de gewenste toekomst met AI binnen dat werkveld. Vervolgens wordt onderzocht hoe en waar de resultaten een plek kunnen krijgen in het curriculum van de opleiding. Dit wordt uitgevoerd middels co-creatiesessies met docenten en studenten. Een onlinetool moet het sociale, pedagogisch-didactische proces binnen de cocreatiesessies doelgericht vormgeven en begeleiden; gericht op inclusie van verschillende perspectieven, gedeeld eigenaarschap van docenten van het curriculum en studentbetrokkenheid. De ontwikkeling van de methodiek gebeurt door middel van drie iteraties bij negen opleidingen van de Hogeschool van Amsterdam. We bevinden ons in de tweede iteratie, die voornamelijk in het teken staat van het ontwikkelen van de onlinetool. De tool binnen de discipline-overstijgende methodiek en de praktische toepassing ervan bespreken we graag met het publiek.
MULTIFILE
Vrijdag 12 mei wordt voor het eerst het Fontys XR Event gehouden. Een kans voor docenten en studenten om kennis te maken en te delen over de toepassingen in het onderwijs van deze virtuele toolbox. XR staat voor Extended Reality. En die bestaat uit de technologieën Virtual reality (VR) en Augmented Reality (AR) en Mixed Reality. De eerste kent iedereen wel via de VR-brillen waarbij je je afgesloten van de buitenwereld in een virtuele wereld begeeft. Bij AR zie je de echte wereld maar is er iets aan toegevoegd. Denk bijvoorbeeld aan Pokemon Go of, dichter bij huis, de AR waarbij je de nieuwbouw van Fontys op campus Rachelsmolen via je smartphone al kunt zien.
LINK
The purpose of this paper is to reflect on the experiences of safety and security management students, enrolled in an undergraduate course in the Netherlands, and present quantitative data from an online survey that aimed to explore the factors that have contributed to students’ satisfaction with, and engagement in, online classes during the COVID-19 pandemic. The main findings suggest an interesting paradox of technology, which is worth further exploration in future research. Firstly, students with self perceived higher technological skill levels tend to reject online education more often as they see substantial shortcomings of classes in the way they are administered as compared to the vast available opportunities for real innovation. Secondly, as opposed to democratising education and allowing for custom-made, individualistic education schedules that help less-privileged students, online education can also lead to the displacement of education by income-generating activities altogether. Lastly, as much as technology allowed universities during the COVID-19 pandemic to continue with education, the transition to the environment, which is defined by highly interactive and engaging potential, may in fact be a net contributor to the feelings of social isolation, digital educational inequality and tension around commercialisation in higher education.
MULTIFILE
The increasing use of AI in industry and society not only expects but demands that we build human-centred competencies into our AI education programmes. The computing education community needs to adapt, and while the adoption of standalone ethics modules into AI programmes or the inclusion of ethical content into traditional applied AI modules is progressing, it is not enough. To foster student competencies to create AI innovations that respect and support the protection of individual rights and society, a novel ground-up approach is needed. This panel presents on one such approach, the development of a Human-Centred AI Masters (HCAIM) as well as the insights and lessons learned from the process. In particular, we discuss the design decisions that have led to the multi-institutional master’s programme. Moreover, this panel allows for discussion on pedagogical and methodological approaches, content knowledge areas and the delivery of such a novel programme, along with challenges faced, to inform and learn from other educators that are considering developing such programmes.
DOCUMENT
Over the past three years we have built a practice-oriented, bachelor level, educational programme for software engineers to specialize as AI engineers. The experience with this programme and the practical assignments our students execute in industry has given us valuable insights on the profession of AI engineer. In this paper we discuss our programme and the lessons learned for industry and research.
MULTIFILE
This curriculum on social mentoring is the result of a collaboration of a diverse group of academics, practitioners and students from around the world and was developed and facilitated as part of the Erasmus Plus Project “Mentoring for Social Inclusion in Europe: Sharing Knowledge and Building Capacity” (Ment4EU). It was implemented for the first time in Europe as a cross-organisational effort with a transdisciplinary approach as a blended intensive program with 30 participants from the partner countries joined by a further 220 students, practitioners and academics from NHL Stenden and the Netherlands for plenary sessions. The intended group of learners for this course are students, lecturers, researchers, academics and practitioners (mentors and program managers/coordinators of mentoring programs) interested in learning about mentoring for social inclusion and who are active in the fields of social work, youth work, sociology, health care, community work, management and organization, and related fields of practice and study programs. The weight of the program is 5 ECTS. This curriculum was developed as part of the Erasmus Plus Cooperation Partnership in Higher Educatoin “Mentoring for Social Inclusion in Europe: Sharing Knowledge and Building Capacity” (Ment4EU), as part of WP3_A2 Training Capacity in higher education institutions, project number 2023-1-AT01-KA220-HED-000158214
DOCUMENT
In my previous post on AI engineering I defined the concepts involved in this new discipline and explained that with the current state of the practice, AI engineers could also be named machine learning (ML) engineers. In this post I would like to 1) define our view on the profession of applied AI engineer and 2) present the toolbox of an AI engineer with tools, methods and techniques to defy the challenges AI engineers typically face. I end this post with a short overview of related work and future directions. Attached to it is an extensive list of references and additional reading material.
LINK
