Media en digitale samenleving is een combinatie van
1. De technische aspecten van onze digitale samenleving
2. De sociale en maatschappelijke lagen binnen de samenleving
1. Artificial Intelligence & Human AI interaction
internet of things (IoT) = applicaties waarbij kleine computers verbinden met sensoren en
onderling met elkaar en op basis van wat ze waarnemen kunnen ze actuatoren aansturen →
kunnen we acties ondernemen
communicatie = golflengtes/frequenties worden ontvangen door antenne en dan omgezet
● fysica zorgt ervoor dat het aantal frequenties beperkt is
CERN (software) = gigantische tunnel waarin ze 2 kleine deeltjes laten botsen → een
gigantische sensor die bestaat uit heel veel kleinere sensoren die op het moment van
botsing van deeltjes afhankelijk van in welke deeltjes ze opsplitsen, bepaalde banen volgen
Emergent behaviour = gedrag dat ontstaan doordat meerdere devices samenwerken
● in de toekomst kan emergent behaviour ontstaan die onverwacht is omdat de
samenwerking van meerdere devices niet op voorhand getest kan worden
artificial intelligence (AI) = devices kan beslissingen nemen waarvan je niet kan
onderscheiden of de beslissing door een persoon wordt gemaakt of door de machine zelf
(sense, reason, act, adapt)
machine learning (ML) = algoritme waarvan prestatie verbetert, machine leert bij met
verschillende leermethoden door er informatie aan te geven
Deep learning = neurale netwerken met heel veel lagen (je kan er dus heel complexe zaken
mee moduleren)
Bias = als je fouten altijd naar een specifieke kant gaan
● Implicit bias in society: bv. gender bias, je hebt niet letterlijk een fout in model maar
er zit een bias in onze omgeving
● Implicit bias in researchers: bv. ik wil weten of er een trouw bezig is en een van de
parameters is een wit kleed, maar in veel delen van de wereld wordt er niet getrouwd
in een wit kleed
● Explicit bias: fout van onderzoeker: je wilt iets onderzoeken om te kunnen uitvoeren
in Amerika en verzamelt enkel data van België, is statistische fout
● Cognitive bias: cognitive errors in researcher of in society
● Fairness: prejudicial bias
● Statistical bias: logical errors in data gathering stage
● Algorithmic bias: we weten van de methodes dat zij een tendens hebben van
bepaalde patronen die zich in de data voordoen te versterken en te verergeren
1. De technische aspecten van onze digitale samenleving
2. De sociale en maatschappelijke lagen binnen de samenleving
1. Artificial Intelligence & Human AI interaction
internet of things (IoT) = applicaties waarbij kleine computers verbinden met sensoren en
onderling met elkaar en op basis van wat ze waarnemen kunnen ze actuatoren aansturen →
kunnen we acties ondernemen
communicatie = golflengtes/frequenties worden ontvangen door antenne en dan omgezet
● fysica zorgt ervoor dat het aantal frequenties beperkt is
CERN (software) = gigantische tunnel waarin ze 2 kleine deeltjes laten botsen → een
gigantische sensor die bestaat uit heel veel kleinere sensoren die op het moment van
botsing van deeltjes afhankelijk van in welke deeltjes ze opsplitsen, bepaalde banen volgen
Emergent behaviour = gedrag dat ontstaan doordat meerdere devices samenwerken
● in de toekomst kan emergent behaviour ontstaan die onverwacht is omdat de
samenwerking van meerdere devices niet op voorhand getest kan worden
artificial intelligence (AI) = devices kan beslissingen nemen waarvan je niet kan
onderscheiden of de beslissing door een persoon wordt gemaakt of door de machine zelf
(sense, reason, act, adapt)
machine learning (ML) = algoritme waarvan prestatie verbetert, machine leert bij met
verschillende leermethoden door er informatie aan te geven
Deep learning = neurale netwerken met heel veel lagen (je kan er dus heel complexe zaken
mee moduleren)
Bias = als je fouten altijd naar een specifieke kant gaan
● Implicit bias in society: bv. gender bias, je hebt niet letterlijk een fout in model maar
er zit een bias in onze omgeving
● Implicit bias in researchers: bv. ik wil weten of er een trouw bezig is en een van de
parameters is een wit kleed, maar in veel delen van de wereld wordt er niet getrouwd
in een wit kleed
● Explicit bias: fout van onderzoeker: je wilt iets onderzoeken om te kunnen uitvoeren
in Amerika en verzamelt enkel data van België, is statistische fout
● Cognitive bias: cognitive errors in researcher of in society
● Fairness: prejudicial bias
● Statistical bias: logical errors in data gathering stage
● Algorithmic bias: we weten van de methodes dat zij een tendens hebben van
bepaalde patronen die zich in de data voordoen te versterken en te verergeren
