Se non è vero, è bene trovato

Emergent Phenomena in Science and Everyday Life

Dr White (Neuroscientist from Duke University) once pointed out that brain differs from the other organs of human body, because it can
study itself. Liver can not even try to understand itself, but a human being with a brain - can. The problem of consciousness has started to be formulated and reformulated long ago, when people got interested in understanding the ways in which humans perceive/feel construct the objects of the word and themselves. That understanding was initially formulated via defining sensations, intentions, decision making.

In my view, consciousness is a misnomer, as it is used as a general concept in relation to quite different phenomena considered from the brain topology perspective. For example, memory as part of our experience of being conscious can be related to activity of the brain areas located in different parts of the brain: (1) our memory of a melody of our childhood lullaby (an audial image that involves firing neurones of audial areas of cortex) vs. (2) our memory of how to play that melody with a music instrument (a manual skill memory that involves firing neurones of the motor cortex).

Consciousness as the quality of inner perception, when we feel ourselves as being conscious as opposed to feeling nothing or being unconscious, relates to our brain's frontal cortex activity. In unconscious states, brain still works and serves the body's automated functions by firing the neurones responsible for breathing and heart beating.

I think the concept of emergent patterns - clusters of firing neurones is a better tool to describe and understand the brain functions, and it's most mysterious function which we call consciousness.The mystery of consciousness I see in the phenomenon of understanding. When at the moment prior to understanding of, say how 2+2 makes 4, there is no pattern in neuronal firing. It seems that an "aha moment" or "eureka" - is the moment when we get a cluster of neurones, which start firing together, and we feel or somehow distinguish this combined firing as something important - this is the moment when an understanding gets established and a pattern of neural firing get formed.

здравствуй школа"

в кафе Айлин меня совершенно очаровала свой невозмутимостью и равновесием - какие то вредные посетители - пара - потребовали им заменить одно, другое подогреть еще раз, потом подогреть еще раз, потом еще раз... и с каждым их очередным требованием "еще" Айлин становилась все спокойнее и безмятежнее выполняя то что они раздраженно требовали...
- как у тебя так получается?
- я боюсь что если буду раздражаться на них то будет только хуже...

как замечательно - в случаях когда я обычно злюсь, раздражаюсь и начинаю воевать... оказывается можно совсем по другому, и даже не включая какую то особую отвагу, а продолжая тихонько побаиваться ...

кафе теперь - часть исторического прошлого - буду его вспоминать как уникальный терапевтический environment, окунувшись в который мне удалось ожить и воссоединиться с человечеством...

и вдруг я начала работать директором по разработке образовательных программ в институте ... и даже пробую не бросать старую добрую преподавательскую работу... и пусть у меня не останется свободного времени, я буду изучать все что давно хотела научиться и пробовать все что давно хотела разрабатывать... и я плыву в волнах счастья и парю в просторном мире, и

пеку блины фаршированные жареной капустой, а птица сидит у меня на плече все это время, со мной! я с ней разговариваю, она пушит перья когда ей нравится то что я говорю, иногда трогает меня за ухо аккуратно... птица-счастье

и я почувствовала себя целой и невридимой, и я стала выполнять такое чего от себя не ожидала, чего я думала я не умею, а оказалось - умеюю

и когда от невыносимого происходящего меня туго скрутило: в центре туловища стал пульсировать твердый клубок, и стало трудно дышать, я сумела распутать этот клубок своим собственным дыханием, я освободила под ребрами пространство и дыхание постепенно стало незатрудненным и глубоким...

"не драматизируте драматизацию" - было моим девизом последние несколько месяцев - в качестве напоминания самой себе о том, что моя привычная реакция на происходящее - это разыгрывать сцены, чтобы быть готовой что-то ответить на то "что они скажут"... эти драматические сюжеты представлялись мне содержанием происходящего ...

это было мое заблуждение. содержание происходящего можно уловить когда становишься свидетелем своих состояний (грусти, радости, отчаяния, ярости), свидетелем драматизаций, сцен и спектаклей, свидетелем контактов, свидетелем уходов, или страхов...

"мы не мухи мы не птахи, мы ночные ахи страхи" - моя любимая песня на все времена, про то как свидетельствовать о том что пугает, о своей запуганности, и панике.

став свидетелем пульсирующего клубка в центре моего тела, я догадалась, что ни кто мне этот клубок не подсунул тайно, я сама его создала своей реакцией на то что я считала содержанием происходящего.

а происходящее содержало не столько причины для ярости и отчаяния, сколько для сочувственного вздоха.
- дамы и господа, мне вас жаль, и я вам сочувствую. извините, я не стану вступать с вами в контакт, у меня накопилось громадное количество когда то отложенных дел, я больше не могу себе позволить растрачивать силы на то чтоб реагировать на ваши дурачества и чудачества, мудачества и хипстерства. Меня они больше не трогают. и я не потащу их с собой в мыслимое будущее... я их оставлю вам, они ваши, держите за них ответ перед самими собой.

*** тоже мне доблесть ***

но я вам не судья, у меня другие задачи - я только только оправилась от отравления - в ядовитое окружение я и сама активно подливала масла и сыпала соль...

теперь я поддерживаю свежесть окружения, экологию межличтностного пространства, sustainability - хрупкое равновесие

а когда скрутило, то единственное что оживило - свидетельствование: тело может болеть и громко пульсировать, психика может расшататься и депрессировать, и все эти состояния доступны для наблюдения мне-свидетельнице происходящего, свидетельнице которой не больно, хотя она отлично знает как боль проживается телом, эмоциями, разумом; мне-свидетельнице известно как проживается отчаянье и потерянность, я была свидетельницей этих состояний множество раз.

так уютно облить свое тело слезами, нарассказывать своему интеллекту разных увлекательных историй, зацепить свои эмоции подходящими для случая воспоминаниями - это так незатейливо и привычно... поучаствовать в драме собственного авторства, побыть жертвой, судьей, прокурором, преступником, всеми одновременно... увлекательно и не скучно...

просто так плакать без сюжета - как то бессмысленно...

я-свидетель это все знает, и деликатно не вмешивается. пусть дитя забавляется, все равно ведь под присмотром...

и только когда я сознательно становлюсь свидетельницей себе, и приостанавливаю свой внутренний театр, я различаю что происходят мои состояния, мои реакции, мои ощущения - вот это и есть происходящее, и с этим мне и иметь дело в первую очередь.

а весь остальной театр - видеть занимательно, участвовать волнительно, иногда потрясающе восхитительно или наоборот - это драмкружок по выходным, в свободное от свидетельствования время.

во вторую очередь надо держать в фокусе внимания свое направление и знакомиться с окружением открыто и вдумчиво и осознанно.

This is how AI bias really happens—and why it’s so hard to fix
by Karen Hao February 4, 2019

Bias can creep in at many stages of the deep-learning process, and the standard practices in computer science aren’t designed to detect it.



Over the past few months, we’ve documented how the vast majority of AI’s applications today are based on the category of algorithms known as deep learning, and how deep-learning algorithms find patterns in data. We’ve also covered how these technologies affect people’s lives: how they can perpetuate injustice in hiring, retail, and security and may already be doing so in the criminal legal system.

But it’s not enough just to know that this bias exists. If we want to be able to fix it, we need to understand the mechanics of how it arises in the first place.

How AI bias happens

We often shorthand our explanation of AI bias by blaming it on biased training data. The reality is more nuanced: bias can creep in long before the data is collected as well as at many other stages of the deep-learning process. For the purposes of this discussion, we’ll focus on three key stages.

Framing the problem. The first thing computer scientists do when they create a deep-learning model is decide what they actually want it to achieve. A credit card company, for example, might want to predict a customer’s creditworthiness, but “creditworthiness” is a rather nebulous concept. In order to translate it into something that can be computed, the company must decide whether it wants to, say, maximize its profit margins or maximize the number of loans that get repaid. It could then define creditworthiness within the context of that goal. The problem is that “those decisions are made for various business reasons other than fairness or discrimination,” explains Solon Barocas, an assistant professor at Cornell University who specializes in fairness in machine learning. If the algorithm discovered that giving out subprime loans was an effective way to maximize profit, it would end up engaging in predatory behavior even if that wasn’t the company’s intention.

Collecting the data. There are two main ways that bias shows up in training data: either the data you collect is unrepresentative of reality, or it reflects existing prejudices. The first case might occur, for example, if a deep-learning algorithm is fed more photos of light-skinned faces than dark-skinned faces. The resulting face recognition system would inevitably be worse at recognizing darker-skinned faces. The second case is precisely what happened when Amazon discovered that its internal recruiting tool was dismissing female candidates. Because it was trained on historical hiring decisions, which favored men over women, it learned to do the same.

Preparing the data. Finally, it is possible to introduce bias during the data preparation stage, which involves selecting which attributes you want the algorithm to consider. (This is not to be confused with the problem-framing stage. You can use the same attributes to train a model for very different goals or use very different attributes to train a model for the same goal.) In the case of modeling creditworthiness, an “attribute” could be the customer’s age, income, or number of paid-off loans. In the case of Amazon’s recruiting tool, an “attribute” could be the candidate’s gender, education level, or years of experience. This is what people often call the “art” of deep learning: choosing which attributes to consider or ignore can significantly influence your model’s prediction accuracy. But while its impact on accuracy is easy to measure, its impact on the model’s bias is not.

Why AI bias is hard to fix

Given that context, some of the challenges of mitigating bias may already be apparent to you. Here we highlight four main ones.

Unknown unknowns. The introduction of bias isn’t always obvious during a model’s construction because you may not realize the downstream impacts of your data and choices until much later. Once you do, it’s hard to retroactively identify where that bias came from and then figure out how to get rid of it. In Amazon’s case, when the engineers initially discovered that its tool was penalizing female candidates, they reprogrammed it to ignore explicitly gendered words like “women’s.” They soon discovered that the revised system was still picking up on implicitly gendered words—verbs that were highly correlated with men over women, such as “executed” and “captured”—and using that to make its decisions.

Imperfect processes. First, many of the standard practices in deep learning are not designed with bias detection in mind. Deep-learning models are tested for performance before they are deployed, creating what would seem to be a perfect opportunity for catching bias. But in practice, testing usually looks like this: computer scientists randomly split their data before training into one group that’s actually used for training and another that’s reserved for validation once training is done. That means the data you use to test the performance of your model has the same biases as the data you used to train it. Thus, it will fail to flag skewed or prejudiced results.

Lack of social context. Similarly, the way in which computer scientists are taught to frame problems often isn’t compatible with the best way to think about social problems. For example, in a new paper, Andrew Selbst, a postdoc at the Data & Society Research Institute, identifies what he calls the “portability trap.” Within computer science, it is considered good practice to design a system that can be used for different tasks in different contexts. “But what that does is ignore a lot of social context,” says Selbst. “You can’t have a system designed in Utah and then applied in Kentucky directly because different communities have different versions of fairness. Or you can’t have a system that you apply for ‘fair’ criminal justice results then applied to employment. How we think about fairness in those contexts is just totally different.”

The definitions of fairness. It’s also not clear what the absence of bias should look like. This isn’t true just in computer science—this question has a long history of debate in philosophy, social science, and law. What’s different about computer science is that the concept of fairness has to be defined in mathematical terms, like balancing the false positive and false negative rates of a prediction system. But as researchers have discovered, there are many different mathematical definitions of fairness that are also mutually exclusive. Does fairness mean, for example, that the same proportion of black and white individuals should get high risk assessment scores? Or that the same level of risk should result in the same score regardless of race? It’s impossible to fulfill both definitions at the same time (here’s a more in-depth look at why), so at some point you have to pick one. But whereas in other fields this decision is understood to be something that can change over time, the computer science field has a notion that it should be fixed. “By fixing the answer, you’re solving a problem that looks very different than how society tends to think about these issues,” says Selbst.

Where we go from here

If you’re reeling from our whirlwind tour of the full scope of the AI bias problem, so am I. But fortunately a strong contingent of AI researchers are working hard to address the problem. They’ve taken a variety of approaches: algorithms that help detect and mitigate hidden biases within training data or that mitigate the biases learned by the model regardless of the data quality; processes that hold companies accountable to the fairer outcomes and discussions that hash out the different definitions of fairness.

“‘Fixing’ discrimination in algorithmic systems is not something that can be solved easily,” says Selbst. “It’s a process ongoing, just like discrimination in any other aspect of society.”




Karen Hao

Karen Hao is the artificial intelligence reporter for MIT Technology Review. In particular she covers the ethics and social impact of the technology as well as its applications for social good. She also writes the AI newsletter, the Algorithm, which thoughtfully examines the field’s latest news and research. Prior to joining the publication, she was a reporter and data scientist at Quartz and an application engineer at the first startup to spin out of Google X.

покупатели обмениваются мнениями у кассы
- а вот в нашей церкви считается что пользоваться банковскими карточками - это дьявольщина
- ха, да я в себе самом дьявольское что-то чувствую
- с вас 13.13
- о, вы только посмотрите, я же говорю, вы только на эту цифру посмотрите... ведь ни центом больше, ни долларом меньше! Теперь буду параноить на эту тему...

смеемся всеми присутствующими свидетелями

***

посетители из медперсонала всякого разного сорта - суровые санитарки, безмятежные терапевты, хирурги почти не снимая маски... вот подошел блюститель ... из великовозрастных интернов видимо
- а вы сколько раз в день меняете салфетки которыми обтираете этот краник? (из машины эспрессо, который погружаем в всякую жидкость, чтоб ее горячим паром из этого крана нагреть или вспенить)
- много раз, видите у нас тут целая стопка их свежих
- нет, а сколько именно? вот вы берете деньги в руки, и ими же потом салфетку... а там бактерий множество...
... так и хотелось в него продолжить "ой, а что такое бактерии?" (но я мигом сообразила, что его видимо носом по столу только что где-то в медицинских кулуарах возили, так он восстанавливает самооценку как умеет)

***

есть правило про то что бумажные стаканы и пластиковые вилки ложки не раздавать за так, а только чтоб покупали... но правило ни как не приживается, и ситуативно изобретаются к нему поправки, довольно вычурные, например покупатель только что истратил двадцатку и просит дать ему бумажный суповой стакан, чтоб салат разделить с кем-то: "... если видишь что по-честному им надо разделить, то можно дать и так (без дополнительной оплаты), но сильно не ведись на эти попытки... не ведись на их игры, иначе будет только хуже...

***

апдейт про академическую свободу - отключить редактирование - и нет проблемы, и ни какой дискуссии

THE FUTURE IN
BRAIN/NEURAL-COMPUTER INTERACTION: HORIZON 2020
This roadmap and its appendix can be downloaded from
http://bnci-horizon-2020.eu/
April 27 2015

Аналитический доклад
“Подходы к формированию и запуску новых отраслей промышленности
в контексте Национальной технологической инициативы,
на примере сферы "Технологии и системы цифровой реальности и
перспективные "человеко-компьютерные" интерфейсы
(в части нейроэлектроники)"
Москва, 2015

читаю How the Universe Got its Spots by Janna Levin
текст оказался не просто научпоп, а рассказ об исследовании космоса в форме писем к маме, где перемежаются описания обстоятельств повседневной жизни героев в научной командировке за границей и идеи о пространственной организации вселенной - познавательно, увлекательно и трогательно

по причине наличия IP у курса который может быть в соответствии с лицензией использован но не изменен, мои наработки можно выкинуть... или стырить

одна из веток столетней яблони в ингридском палисаднике упала... с нее нападало пять ведер недозрелых недоросшиз яблок... ветка случайно разбила несколько стекол в теплице... бедолага яблоня, совсем сухая, а все равно старалась яблоки выращивала - удивительная! буду делать из яблок сок... он окисляется не сразу коричневым как из спелых яблок, а зеленовато серым... на вкус это не влияет... терпко яблочный

поисследоваю чтоль альтернативные career paths

summer choir - J.-S.Bach Mass B Minor концерт в августе 19го





самой петь мессу Баха с остальным хором - совершенно уникальный опыт, совсем другой, чем на концерте слушать как другие исполняют... так поешь и как будто лично с господином Иоганном Себастьяном общаешься: распознать паттерны (на какие хватает образования) - а! так вот что он тут имел в виду!

интересные упражнения предлагала хормейстер Элисон - всем разбрестись и ходить меж друг другом, рядышком и петь свою партию - так бреду глядя в ноты в таблетке, и со стороны разные партии слушаю каждые пару шагов - разные - потрясающе как здорово!


***
дочитала
Rebecca Skloot (2011) The Immortal Life of Henrietta Lacks
выдающаяся книга и уникальная история - научные достижения, исследовательская этика, живые люди и уникальные человеческие клетки, которые не умирают, в отличие от людей.

книгу стала читать после просмотра интервью с исследовательницей Ребеккой Склут (которой удалось выяснить детали и изложить историю, о которой до нее ни кто не мог выяснить как все было в реальности) - в замечательном курсе
Bioethics: The Law, Medicine, and Ethics of Reproductive Technologies and Genetics
HarvardX - HLS4X, автор курса Glenn Cohen самый молодой профессор права в Гарварде на юридическом факультете

на очереди от туда же из литературы
Rene Almeling (2011) Sex Cells
The Medical Market for Eggs and Sperm
интереснейшие обсуждения этических дилемм сопровождающих технологические изобретения и открытия в биотехнологиях


начала интереснейший мемуар Trevor Noah (2017) Born a Crime. Stories from a South African Childhood
апартеид в Южноафриканской Ресбуплике такой же уродливый как обычный расизм в любой стране, хотя бытовые детали повседневной рассовой дискриминации везде самобытные - знать как это выглядит, почувствовать на собственной шкуре, для этого ведь человечество изобрело рассказывание историй

(1) не дать времени на обдумывание

раздражающая манера некоторых видеоматериалов перескакивать с одного высказывания на другое не связанное с предыдущим оказывается не просто отсутствие профессионализма, это технический прием для предотвращения критического мышления. Как поясняет Мария Конникова (Maria Konnikova is a contributing writer at the New Yorker) "что происходит когда ложь бъет нам по мозгам? Стандартная на сегодняшний день модель, впервые была предложена более 20 лет назад Даниэлем Гилбертом - психологом Гарвардского университета. Гилберт считает что люди осуществляют понимание мира в два этапа. Во-первых, пусть даже на короткий миг, мы принимаем ложь за правду: мы должны принять сообщение для того чтобы понять его. К примеру, если кто-то скажет нам - конечно же гипотетически - что были серьезные подмены при голосовании в Вирджинии в ходе выборов президента, то мы должны на доль секунды допустить что подмены действительно на самом деле имели место. только после этого мы переходим на вторую ступень, и завершаем либо мысленно подтверждая (так и есть, подмена!), или отвергая (что? не может быть). К сожалению, тогда как первая ступень является естественным элементом мышления - то что происходит автоматически и без усилий - то следующему шагу в мышлении довольно легко помешать. Вторая ступень требует усилий: нам приходится активно выбирать принимать ли или отвергать каждое утверждение котрое мы слышым. В определенных обстоятельствах, такая проверка просто не может произойти. Как пишет Гилберт, человеческий ум "когда сталкивается с нехваткой времени, сил или очевидности, не в состоянии не-допустить те идеи, которые они безотчетно восприняли в ходе процесса понимания."


(2) провоцировать эмоциональные реакции
эмоциональная реакция на высказывание успешно блокирует критическое мышление

(3) использование повседневных жаргонов в профессиональных дискурсах, тривиализация и чрезмерное упрощение сложных и многосторонних процессов.

(4) отрицание сложно сформулированных научных фактов и закономерностей , предлагая упрощенное поверхностное описание "придерживаясь некоторой базовой модели или фактов, могут их использовать отвергая более сложные многоуровневые модели, которые выглядят противоречивыми... например, ваши продвинутые исследования в области изучения климата и инженерных наук, хоть и выглядят впечатляющими, но все же не убедительны для меня с моими школьными знаниями по физике и фимии. Мои представления о физической реальности простые и понятные и поэтому истинные, а ваши - сложные для понимания, описанные непонятным языком и поэтому очень подозрительные.
Patrick Stokes "Senator, you are not Socrates" (Senior Lecturer in Philosophy, Deakin University ) : "if you just cling to some basic fact or model, you can use it to reject more complicated scenarios or models that seem to contradict that fact. ... Your advanced study of engineering or climatology, be it ever so impressive, can’t override my high school physics or chemistry. My understanding of how physical reality works is simple, graspable, and therefore true; yours is complex, counterintuitive, esoteric, and thus utterly suspect.

(5) из страха показать собственную невежественность, особенно лица наделенные властью, бывают склонны не признавать свою неосведомленность и отсутствие знаний или понимания процессов и фактов описываемых наукой; они изображают свою неспособность понять и осутствие знаний как промахи науки, заключения которой они отвергают.

re: MichiganX: teachout.2x Fake News, Facts, Alternative Facts
[M|D]isinformation Reading List, by: Claire Wardle

Question Reality! Science, philosophy, and the search for meaning DartmouthX - DART.ICE.01X

автор Professor Marcelo Gleiser озвучивает свою книгу по философии науки - (M. Gleiser, 2014. The Island of Knowledge: The Limits of Science and the Search for Meaning), а так же присутствуют отличные иллюстрации (медиа дизайнеры молодцы Joseph Beaudoin, Lead Media Producer
Sawyer Broadly, Media Producer) - наглядно показывают новые концепции и модели процессов используемых наукой для описания различных уровней универсума (микро, макро и узенькой области доступной человеческому восприятию)

в книге обнаружился любопытный пример: как измерить величину человеческого настоящего. Человеческое настоящее обозначено как наименьший промежуток между состояниями внешнего мира, который человеческий мозг способен заметить. В эксперименте имеется наблюдатель и мерцающие источник света.
Нервный импульс в среднем у людей имеет скорость 18 м 28,8 см в секунду (для сравнения свет за то же время проходит 4795 км 845 м.
(1) два источника света мигают одновременно, но один из источников удалить на 4795 км 845 м. то для наблюдателя эти два мигания перстанут совпадать.
(2) два источника света мигают с небольшой разницей. Пока время между миганиями меньше 20 милли секунд, для наблюдателя эти два источника света выглядят мигающими одновременно. Как только временной зазор между миганиями начинает превышать ~ 20 милли секунд, только тогда наблюдатель начинает различать зазор.
заключение выглядит поразительным: настоящее существует для нас потому что наш мозг смазывает реальность. Наш горизонт восприятия - то что способен различить наш мозг - составляет наше настоящее (у каждого индивидуального мозга своя величина). В современной нейробиологии принято считать в среднем порядка одной десятой миллисекунды. Расстояние которое проходит свет за этот временной интервал и составляет примерный радиус индивидуальной сферы настоящего - несколько тысяч километров.
... в конце концов если настоящее это момент зажатый между прошлым и будущим, то в таком виде оно не может существовать. Что существует, так это недавняя память о ближайшем прошлом и ожидание ближайшего будущего.

...Понятие времени относится к изменению и фиксация хода времени это способ отслеживания изменений.
Chapter 10 page 92-94


Communication Skills for Bridging Divides CatalystX - ILDIV1x

Jared Cline, Instructor представляет интересное различение коммуникативных жанров и последствий их использования
debate, discussion, and dialogue, each of those is a different mode of communication that has different
goals.

debate: when you're in debate mode of communication, the
goal is really to be right. And in that situation there's always a winner and a loser. So this is not a great way to
connect across difference

discussion : one of the goals of discussion is really to try to come to some kind of
conclusion or decision about something.

dialogue : the only goal of dialogue is to
understand the other person's perspective better. And doing so is that first step to bridging difference. Dialogue
requires both being aware of how you're talking, and how you're listening. So when I practice dialogue mode,
when I'm talking, I try to ask open-ended questions with the intent to really just learn more about the other person.
And when I'm in listening mode, I try to engage in humble listening, which involves empathy for the other person's
perspective, and really not making assumptions about what I think that they believe.

5 Ways to Build Dialogue

1) Assume Positive Intent: Consciously choose to believe that people have good intentions, and act and speak to the best of their ability. By assuming positive intent, we put our own judgments, viewpoints, and biases aside to focus on what the person actually means, rather than what we think we hear or see. We recognize that we do not always fully understand a situation or what another person is experiencing.1

2) Ask Clarifying Questions: Check your understanding often by paraphrasing what the other person said with clarifying language such as, "It sounds like you are saying…" or "I think I heard you say [...], is that correct?" Don't be deterred if you are still unclear. Use additional questions to reach an understanding: "Can you say more about that, please?" or "This is an unfamiliar way of thinking about this for me. Can you give me more detail?"2

3) Listen Humbly: Put your own ego, assumptions, and viewpoints aside to consider and learn from someone else's experiences as you listen. Use verbal and non-verbal cues to show that you are actively listening. These can include phrases like "Go on" or gestures such as simply nodding your head.3

4) Use Pauses Intentionally: Take a moment to pause and listen with intention to what is being said, and resist the urge to respond immediately.

5) Find Common Ground: When possible, try to find common ground, such as a shared value, viewpoint, or idea. If you can't, at least you can set the tone for civility, and respectfully agree to disagree. For example, "I appreciate your perspective on this, even though I don't hold the same view."


Human Rights: The Rights of Refugees AmnestyInternationalX - Rights2x

интересный способ использования разного типа опросников: результаты по всем участникам тут же выдаются в виде диаграмм, word cloud, таблиц - остаются на странице сайта.

'Irregular' or 'illegal'
The term ‘illegal’ to describe an asylum seeker, refugee or migrant should not be used. Judicially and ethically, an act can be legal or illegal but a person cannot. Moreover, entering a country in an irregular fashion, or staying with an irregular status, should not be considered a criminal activity but an infraction of administrative regulations.
No human being can be illegal!


Global Muckraking: Investigative Journalism and Global Media ColumbiaX - GM1x

Instructor Anya Schiffrin is the director of the Technology, Media, and Communications specialization at Columbia University’s School of International Affairs.

Журналистские расследования: история, выдающиеся представители, стратегии проведения журналистского расследования.
Интересные книги в контексте курса

Biobased Principles & Opportunities
WageningenX - BB01x

группа курс инструкторов интерессно рассказывают о производстве энергии из биоматериалов, затраты, производительность и перспективы, хорошие иллюстративные материалы, внятная терминология

fuel production from different types of the biomass
biomass production
achieving sustainability

на очереди
Understanding Islamic Insurance and Investments
IRTIx - IFB103x

Tsinghua Chinese: Start Talking with 1.3 Billion People
TsinghuaX - TM01x

Разработчики алгоритмов функционирования самоуправляемого автомобиля (автомобиля-без-водителя) в MIT, решая задачу алгоритмизирования последствий вероятных неполадок, одновременно изучают реакцию людей на моральные аспекты вероятности фатальных последствий как для пассажиров самоуправляемого автомобиля, так и для пешеходов которые могут оказаться на пути неисправной машины.

moralmachine.mit.edu

платформа создана для обобщения человеческого взгляда на моральные последствия решения выбранных самоуправляемым автомобилем. Последовательно демонстрируются ряд схематических сюжетов, где в самоуправляемом автомобиле отказывает одна из программ (например отвечающая за торможение). Задание для внешнего наблюдателя - стать судьей - выбрать наименьшее из зол, так чтобы этот выбор можно было бы заложить в программу самоуправляемого автомобиля как схема действия в подобной аварийной ситуации (в точности по Канту: моральный императив - действовать так чтобы алгоритмом твоего действия могли бы воспользоваться остальные ко всеобщему благу). Участники происшествий: схематичные люди разного возраста, пола, разных способностей в передвижении, и кошка (символизирующая живое-существо-не-человека), все участники временами соблюдают правила дорожного движения, временами нарушают...

очень странный опыт, ощущаешь себя временами палачом, временами умственно-отсталой, во всех случаях крайне беспомощной... ибо любой выбор оказывается надругательством над этикой и моралью, и к тому же меня же носом тыкает в мою же непоследовательность и вопиющую нелогичность... И а пока я наблюдала за своими реакциями выполняя эту серию задач, то с удивлением обнаружила: (1) в каких то случаях казалось, что я предпочитаю чтоб автомобиль (после поломки) ехал по прямой, по причине того, что такой ход событий уменьшает элемент бессмысленности случайной гибели (2) в других случаях, движение по прямой оказывалось возмутительно неправильным, вызывало острое ощущение несправедливости от того что в результате такого выбора один пассажир автомобиля выживет, а троих пешеходов собъет насмерть... (3) рассмотрение каждой последующей задачи становилась все более нестерпимым... и я стала думать что наверное во всех аварийных случаях надо было бы выбирать чтоб пассажирам доставалось, а пешеходы бы выживали, потому что пешеходы ни чего не делают, а только ходят, а вот пассажиры - делают, они сели в машину, котрую направили туда где она стала угрозой пешеходам... и тогда получается что всякий пешеход который садится в самоуправляемую машину становится потенциальным убийцей других пешеходов, заранее виновным (прям по Сартру всякий машинист паравоза выбирая профессию выбирает и всех своих жертв которых задавит на путях)? А что если пешеходы вели себя более активно, чем самоуправляемая машина с пассажирами, например, они выскочили внезапно на дорогу или кто-то из друхи злобных пешеходов из-за кустов вытолкнул хороших пешеходов прямо под колеса самоуправляемого автомобиля?

в завершении симулятор показывает суммарные результаты - кого из участников сознательно или бессознательно оказалось убитых больше, кого меньше. Также показывает общую статистику в сравнении с собственными результатами. Познавательно.