Systemy sztucznej inteligencji w pracy badawczej 290-KO3-1SSZI
Profil studiów - ogólnoakademicki.
Forma studiów - stacjonarne.
Rodzaj przedmiotu - obowiązkowy.
Dziedzina i dyscyplina nauki - dziedzina nauk społecznych, dyscyplina nauki prawne.
Rok studiów/sem. - rok I/sem. I.
Wymagania wstępne - brak.
Liczba godzin zajęć dydaktycznych: 5 godz. konwersatorium.
Metody dydaktyczne - metoda heurystyczna, metoda problemowa, dyskusja moderowana.
Punkty ECTS - 1.
Bilans nakładu pracy doktoranta: udział w zajęciach 5 godz., przygotowanie do zajęć i zaliczenia 20 godz. Razem godz. 25 godz., co odpowiada 1 pkt. ECTS.
Wskaźniki ilościowe: nakład pracy doktoranta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela 5 godz., co odpowiada 0,2 pkt. ECTS oraz nakład pracy doktoranta, który nie wymaga bezpośredniego udziału nauczyciela 20 godz., co odpowiada 0,8 pkt ECTS.
Rodzaj przedmiotu
Tryb prowadzenia przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
UMIEJĘTNOŚCI, absolwent potrafi:
SD_UU01 - samodzielnie planować proces samokształcenia, wykorzystując
umiejętności miękkie podnosić efektywność procesu uczenia się
SD_UK03 - uczestniczyć i inicjować dyskusję naukową wykorzystując
umiejętności miękkie, oraz formułować wnioski i dokonywać
Kryteria oceniania
Konwersatorium: zaliczenie na podstawie wykonanego zadania polegającego na przygotowaniu raportu z wykorzystania narzędzi opartych na systemach sztucznej inteligencji do przeprowadzenia przeglądu literatury oraz krytyczna analiza ich wyników.
W zależności od obowiązujących regulacji zastrzega się możliwość przeprowadzenia zaliczenia końcowego przy użyciu środków komunikacji elektronicznej.
Użycie przez doktoranta systemu sztucznej inteligencji do wykonania zadań podczas zdalnych zajęć asynchronicznych dopuszczalne jest wyłącznie w zakresie i na zasadach wskazanych w Zarządzeniu nr 31 Rektora Uniwersytetu w Białymstoku z dnia 11 kwietnia 2025 r. w sprawie wykorzystywania systemów sztucznej inteligencji w procesie kształcenia na Uniwersytecie w Białymstoku. Użycie systemu sztucznej inteligencji nie zwalnia doktoranta z odpowiedzialności za poprawność informacji i danych użytych w pracy.
Literatura
Literatura podstawowa:
Bolanos, F., Salatino, A., Osborne, F., & Motta, E. (2024). Artificial intelligence for literature reviews: Opportunities and challenges. Artificial Intelligence Review, 57(9), Article 259. https://doi.org/10.1007/s10462-024-10902-3
Han, B., Sušnjak, T., & Mathrani, A. (2024). Automating systematic literature reviews with retrieval-augmented generation: A comprehensive overview. Applied Sciences, 14(19), Article 9103. https://doi.org/10.3390/app14199103
Scherbakov, D., Hubig, N., Jansari, V., Bakumenko, A., & Lenert, L. A. (2025). The emergence of large language models as tools in literature reviews: A large language model-assisted systematic review. Journal of the American Medical Informatics Association, 32. https://doi.org/10.1093/jamia/ocaf063
Sušnjak, T. (2023). PRISMA-DFLLM: An extension of PRISMA for systematic literature reviews using domain-specific finetuned large language models [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2306.14905
Literatura uzupełniająca
Liu, C., et al. (2025). A vision for auto research with LLM agents [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2504.18765
Mikriukov, A., et al. (2025). AI tools for automating systematic literature reviews. In Proceedings of the 2025 International Conference on Software Engineering and Computer Applications. https://doi.org/10.1145/3747912.3747962
Rouzrokh, P., & Shariatnia, M. (2025). LatteReview: A multi-agent framework for systematic review automation using large language models [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2501.05468
Saied, M., et al. (2024). AI in literature reviews: A survey of current and emerging methods. In 2024 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC). https://doi.org/10.1109/MIUCC62295.2024.10783597
Sami, M. A., et al. (2024). System for systematic literature review using multiple AI agents: Concept and an empirical evaluation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2403.08399
Zhao, W., & Mahmoud, Q. H. (2024). Evaluating the efficacy of large language models in automating academic peer reviews. In 2024 International Conference on Machine Learning and Applications (ICMLA). https://doi.org/10.1109/ICMLA61862.2024.00187
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: