Hasso-Plattner-InstitutSDG am HPI
Hasso-Plattner-InstitutDSG am HPI
  
Login
 

Ethik und Gesellschaft: datenbasierte Verhaltensvorhersage und -steuerung (Sommersemester 2020)

Dozent: Dr. Felix Rebitschek

Allgemeine Information

  • Semesterwochenstunden: 2
  • ECTS: 3
  • Benotet: Ja
  • Einschreibefrist: 6.4.-22.4.2020
  • Lehrform: Vorlesung
  • Belegungsart: Wahlpflichtmodul
  • Lehrsprache: Deutsch
  • Maximale Teilnehmerzahl: 30

Studiengänge & Module

Data Engineering MA

Beschreibung


Informationen im Hinblick auf die aktuelle Corona-Krise: Die Veranstaltung findet im Sommersemester 2020 zu den unten angegebenen Terminen statt. Solange keine Präsenzlehre möglich ist, werden die Sitzungen voraussichtlich live über das Online-Konferenztool "Zoom" durchgeführt. Bitte schreiben Sie sich bis zum 22.4. wie gewohnt für das Seminar ein. Einladungen zum ersten Zoom-Meeting erhalten Sie dann per E-Mail. Vorausetzung für die Teilnahme ist entsprechend das Vorhandensein zoom-fähiger Technik und eine ruhige Umgebung während der Seminarzeiten. Je nach Entwicklung der Situation können weitere Änderungen am Format und am Inhalt möglich sein. (Stand: 09.04.2020)


Diese Veranstaltung vermittelt einen Überblick über die ethischen und gesellschaftlichen Fragestellungen, welche mit der Vorhersage und Steuerung menschlichen Verhaltens in verschiedenen Lebensbereichen verbunden sind. Die Kenntnis ausgewählter technischer Entwicklungen algorithmischen Entscheidens (digitale Informationen für menschliches Entscheiden, prädiktive personalisierte Medizin, Selbstvermessung, datenbasierte Versicherungstarife, Verbraucherscoring, Bürgerscoring) ist nicht nur für das Verständnis unterschiedlicher ethischer Fragen erforderlich (z.B. Erklärbarkeit und Fairness von Algorithmen), sondern auch um zu verstehen, inwiefern verschiedene Anspruchs- und Interessengruppen von Entwicklungen unterschiedlich betroffen und bei weiteren Entwicklungen einzubeziehen sind.

Lernziele:

Die Studierenden lernen in diesem Kurs (neben den ausgewählten technischen Entwicklungen) die Voraussetzungen des informierten Entscheidens auf Basis digitaler Informationen kennen. Sie sammeln Erfahrung in der Formalisierung und Abstraktion von Problemstellungen und werden zur reflektierten Bewertung zukünftiger datenbasierter Vorhersage- und Steuerungslösungen befähigt. Es wird auf ein erhöhtes Reflexionsvermögen bei Fragestellungen der Diskriminierung und gesellschaftlich-wirtschaftlicher Partizipation abgezielt.

Vermittelte Kompetenzen:

  • Methodenkompetenz: Analyse und Bewertung technischer Innovationen unter Gesichtspunkten der Ethik und der gesellschaftlichen Wohlfahrt
  • Fachkompetenzen: Vermittlung von Modellbedeutung und probabilistischen Modellergebnissen gegenüber technischen Laien (Risikokommunikation)
  • Soziale Kompetenz: Gruppendiskurs

Voraussetzungen

zoom-fähige Technik, ruhige Umgebung während der Seminarzeiten

Literatur

  • Datenethikkommission (2019). Gutachten der Datenethikkommission. https://www.bmjv.de/SharedDocs/Downloads/DE/Themen/Fokusthemen/Gutachten_DEK_DE.html
  • Dressel, J., & Farid, H. (2018). The accuracy, fairness, and limits of predicting recidivism, in: Science Advances, 4(1), eaao5580.
  • Mau, S. (2017). Das metrische Wir: über die Quantifizierung des Sozialen. Suhrkamp Verlag.
  • Mistreanu, S. (2018). Life Inside China’s Social Credit Laboratory, in: Foreign Policy. http://foreignpolicy.com/2018/04/03/life-inside-chinas-social-credit-laboratory
  • Morley, J., Floridi, L., Kinsey, L., & Elhalal, A. (2019). From What to How: An Initial Review of Publicly Available AI Ethics Tools, Methods and Research to Translate Principles into Practices. Science and Engineering Ethics, 1-28.
  • O'Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Broadway Book
  • Pashayan, N., Reisel, D., & Widschwendter, M. (2016). Integration of genetic and epigenetic markers for risk stratification: opportunities and challenges. Personalized Medicine, 13(2), 93.
  • Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J. F., Breazeal, C., ... & Jennings, N. R. (2019). Machine behaviour. Nature, 568(7753), 477-486.
  • Selke, S. (Ed.). (2016). Lifelogging: digitale Selbstvermessung und Lebensprotokollierung zwischen disruptiver Technologie und kulturellem Wandel. Springer-Verlag.
  • Verma, S., & Rubin, J. (2018). Fairness definitions explained. In 2018 IEEE/ACM International Workshop on Software Fairness (FairWare) (pp. 1-7). IEEE.

Lern- und Lehrformen

Vorlesung; Gruppendiskussionen

Leistungserfassung

Die Note wird anhand einer Hausarbeit (6-10 Inhaltsseiten) zu einer vorgegebenen Fragestellung am Semesterende erteilt.

Termine

  • Donnerstags, 11:00-12:30Uhr
  • Einführungssitzung via Zoom (Link wird mitgeteilt) am 23.04.20; 11:00-12:30 Uhr
  • Vorstellung der Themenauswahl in der dritten Sitzung [30.4.20], das gewählte Thema soll per E-Mail bis zum 13.5.20 bestätigt werden.

  • (Raum: FE-06)

Zurück