S'engager dans l'équité, la partialité et la fiabilité dans l'évaluation de l'apprentissage, en s'attaquant aux préjugés inconscients et aux disparités entre les sexes dans l'éducation scientifique.
Explore l'égalité, la diversité et l'inclusion dans les infrastructures du savoir, en soulignant l'importance de la bibliodiversité et en s'attaquant aux biais systémiques dans la production de connaissances académiques.
Couvre les critères d'estimation des paramètres, en soulignant l'importance de la cohérence, du biais, de la variance et de l'efficacité des estimateurs.
Explore l'importance de l'anonymat pour éviter le jugement fondé sur les caractéristiques personnelles et la nécessité de l'équilibrer avec la responsabilité.
Couvre la motivation, les préjugés, le stress et les routines d'apprentissage dans l'éducation, en mettant l'accent sur l'impact de l'identité sociale et des préjugés inconscients.
Introduit le cours pratique AI et FX, en se concentrant sur des lectures hebdomadaires et des discussions sur les aspects éthiques et juridiques de l'IA.
Explorer la conception expérimentale pour mesurer les résultats d'apprentissage et discuter des biais, de l'équivalence de groupe et des conceptions à l'intérieur des sujets.
Explore l'importance de la gouvernance mondiale dans l'intelligence artificielle, en mettant l'accent sur les pratiques éthiques, les questions de partialité et la confiance dans les technologies de l'intelligence artificielle.
