Student Conference in Computing Science, 7,5 hp

Innehåll

Kursen behandlar vetenskapligt skrivande, vetenskapligt beteende och forskningskvalitet. Studenten utvecklar och svarar på en ny och icke-triviell forskningsfråga inom datavetenskap eller interaktion och design. Studenten utför sedan forskning och skriver en artikel under lärarens övervakning och peer review. Den slutliga versionen av artikeln skickas via ett konferenssystem och granskas av anonyma granskare. Alla godkända artiklar publiceras i en teknisk rapport utgiven av Institutionen för datavetenskap och presenteras av författaren vid en intern konferens. Lärmål inkluderar att studenten ska utveckla sin förmåga att göra oberoende utredningar och forskning, skriva en vetenskaplig artikel om sitt arbete och presentera sin forskning muntligt.

Kursen är utformad enligt följande. Studenterna får individuell handledning av lärarna och arbetar i peer-review (kamratgransknings-) grupper bestående av andra studenter på kursen. Peer-review mötena är obligatoriska. Varje student ska läsa utkast från de övriga studenterna i gruppen och komma förberedda inför mötet. Alla studenternas arbeten diskuteras och förslag på förbättringar ges. Kursen har sex leveranser i form av pågående / slutgiltiga / reviderade artikelinlämningar för att stödja studenternas progression samt fem stödföreläsningar.

Studenterna delas in i grupper beroende på deras arbetsbelastning under LP1 och LP2. Grupp 1-medlemmar kan arbeta intensivare på kursen under LP1 (september-oktober) och grupp 2-medlemmar kan arbeta intensivare på kursen under LP2 (november-januari).
Kursens planering kommer att vara enligt följande.

• Grupp 1 och Grupp 2 ska båda göra sitt ämnesval vid kursstart.
• Grupp 1: Peer review 1 (mitten av september)
  •    Peer review 2 (början av oktober)
  •    Peer review 3 (mitten/slutet av oktober)
  •    Studenten förutsätts lägga största delen av arbetet i början av kursen vilket innebär att artikeln i praktiken skrivs klart i slutet av oktober
• Grupp 2: Peer review 1 (början november)
  •    Peer review 2 (mitten/slutet av november)
  •    Peer review 3 (mitten/slutet av december)
  •    Studenten förutsätts lägga största delen av arbetet i början av kursen vilket innebär att artikeln i praktiken skrivs klart i mitten av december.
• Slutdatum alla artiklar 15 december (eller den vardag som ligger närmast den 15 december).
• Programkommittén (lärare på kursen och forskare vid institutionen) läser och avger bedömningar (reviews) före jul.
• Studenten kommer att få besked om resultatet av dessa före jul.
• Reviderade versioner lämnas in av studenter i den första eller andra veckan i januari.
• Sedan trycks proceedings och konferensen hålls ungefär vecka senare.

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

• uppvisa kunskap och förståelse inom ett delområde (över kandidatnivå) inom datavetenskap. Delområdet har valts av studenten utifrån dennes tidigare studier i samråd med kursansvarig (FSR 1).

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna:

• visa förmåga att tillämpa kunskap och förståelse (se FSR 1) i en ny situation, dvs identifiera en icke-trivial forskningsfråga och använda relevant metodik för att besvara den (FSR 2),
• visa förmåga att analysera och utvärdera resultaten av tillämpningen som görs i FSR 2 (FSR 3),
• identifiera relevant vetenskaplig litteratur för en specifik frågeställning med hjälp av olika vetenskapliga databaser och sökmotorer (FSR 4),
• skriva en vetenskaplig artikel på engelska (FSR 5),
• ge konstruktiv feedback på en annan students arbete (FSR 6),
• ta emot konstruktiv feedback och använda den för att förbättra den egna artikeln (FSR 7),
• arbeta i grupp och ta ett delat ansvar för utvecklingen inom kamratgranskningsgruppen (peer-review  gruppen) (FSR 8),
• hantera och respektera hårda deadlines (FSR 9),
• visa erfarenhet av att ha skrivit en artikel till en konferens med peer review system (FSR 10), och
• presentera artikeln muntligt på engelska (FSR 11).

Värderingar och förhållningssätt
Efter avslutad kurs ska studenten kunna:

• visa nolltolerans mot plagiarism och upphovsrättsintrång (FSR 12) och
• visa en inställning av akademisk ärlighet och integritet med avseende på forskningsbeteende (FSR 13).

Behörighetskrav

Univ:För tillträde till kursen krävs 90 hp avklarade studier varav 60 hp i huvudområdet datavetenskap eller 2 års avklarade studier (120hp) inom ett studieprogram, i båda fallen inkluderande minst en kurs på avancerad nivå i datavetenskap eller motsvarande kunskaper.

Svenska för grundläggande behörighet för högskolestudier samt Engelska A/5. Krav på svenska gäller endast om utbildningen ges på svenska.

Undervisningens upplägg

Kursen omfattar föreläsningar om vetenskapligt skrivande, presentationsteknik, hur man hittar litteratur och forskningskvalitet. Ytterligare undervisning ges som återkoppling vid peer review-möten och individuell handledning. En betydande del av kursen består av individuellt arbete.

Examination

Examinationen på kursen består av sex skrivna inlämningar och fyra möten.

De sex obligatoriska inlämningarna under kursen är (FSR 1-5, 7, 9-10,12-13):

1. val av ämne
2. utkast inför kamratgranskning 1
3. utkast inför kamratgranskning 2
4. utkast inför kamratgranskning 3
5. slutlig artikel
6. reviderad version

och examineras genom att man utvärderar kvalitet, hantering av förändringsförslag och den övergripande progressionen. Studenter lämnar in sina ukast 3 arbetsdagar före kamratgranskningsmötena och ger skriven feedback på de andra utkasten. Dessuom kommer studenterna också få skriven feedback från sina lärare.

Under tre obligatoriska peer-review möten (FSR 6-8, 11-13) kommer följande aspekter examineras: hur väl förberedd studenten är (exempelvis har läst de andra studenternas utkast och sammanfattat föreslagna ändringar skriftligt) och hur väl studenten bidrar till diskussionen.

Under den obligatoriska konferensen (FSR 7, 11) kommer följande aspekter examineras: tydlighet i presentationen, presentationsstil (t ex riktar sig mot publiken, tydligt tal) och förmåga att svara professionellt och tillfredsställande på frågor från publiken.

Baserad på en sammanvägning av alla värderingar gjorda ovan får studenten något av följande betyg på kursen: Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5).





Betygsättning sker enligt följande:

• För att bli godkänd på hela kursen krävs att studenten
  1. lämnat in samtliga obligatoriska inlämningar,
  2. deltagit i alla obligatoriska peer-review möten.
  3. skrivit en nästan slutlig version inför det sista peer-review mötet (dvs. artikeln innehåller en relevant introduktion, experiment, resultat, sanmanfattning, bevis etc)
  4. fick den slutliga versionen av artikeln accepterad till konferensen
  5. deltagit på konferensen

Nödvändiga villkor för de högre betygen 4 eller 5 är:

• hög vetenskaplig kvalitet på forskningsfrågan och en relevant metod för att besvara den.
• välorganiserad och välskriven slutlig version av artikeln
• aktivt deltagande på samtliga peer-review möten
• alla leveranser levererades före deadline.
• det finns väsentliga framsteg mellan de inlämnade versionerna av artikeln.

Om steg 4 (och därmed också steg 5) inte är uppfyllda får studenten betyget Underkänd (U). Studenten ges tillfälle att revidera artikeln och presentera den muntligt vid ett senare tillfälle. Betyget kommer i det här fallet att bli högst Godkänd (3).

Om stegen 1-3 inte är uppfyllda får studenten betyget Underkänd (U) och nästa tillfälle att examineras på kursen är nästa gång kursen ges.

Icke-deltagande kan endast ursäktas i allvarliga fall som exempelvis sjukdom och endast efter samråd med ansvarig lärare.

Den som godkänts i ett prov får ej undergå förnyat prov för högre betyg.

En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Begäran om ny examinator ställs till prefekten vid Institutionen för datavetenskap.

Examination baserad på denna kursplan garanteras under två år efter studentens förstagångsregistrering på kursen. Detta
gäller även om kursen lagts ned och denna kursplan upphört gälla.

TILLGODORÄKNANDE
Student har rätt att få prövat om tidigare utbildning eller motsvarande kunskaper och färdigheter förvärvade i yrkesverksamhet kan tillgodoräknas för motsvarande utbildning vid Umeå universitet. Ansökan om tillgodoräknande skickas in till Studentcentrum/Examina. Mer information om tillgodoräknande finns på Umeå universitets studentwebb, www.student.umu.se, och i högskoleförordningen (6 kap). Ett avslag på ansökan om tillgodoräknande kan överklagas (Högskoleförordningen 12 kap) till Överklagandenämnden för högskolan. Detta gäller såväl om hela som delar av ansökan om tillgodoräknande avslås.

Övriga föreskrifter

Tillgodoräknanden
I en examen får denna kurs ej ingå, helt eller delvis, samtidigt med en annan kurs med likartat innehåll. Speciellt gäller att denna kurs inte kan ingå i en examen tillsammans med 5DV144 Student conference in Computing Science. Vid tveksamheter bör den studerande rådfråga studievägledare vid Institutionen för datavetenskap.

Kursens koppling till program och examina
Kursen är en baskurs på Masterprogrammet i datavetenskap.
Beroende på vilket tema studenten valt så kan denna kurs ingå som en kurs inom en av följande inriktningar i en datavetenskaplig masterexamen; Datalogi, Robotik och reglerteknik eller Människa-datorinteraktion. Vid osäkerhet kontakta respektive programansvarig.