|
Vyučující
|
-
Slavík Martin, Mgr. Ph.D.
|
|
Obsah předmětu
|
BLOK 1: Já a informace 1. Úvod do předmětu a kariérní plánování: Sebepoznání, *soft-skills*, time management (GTD). Vliv umělé inteligence na budoucí uplatnění chemiků a učitelů. 2. Vědecká literatura a informační hygiena: Typy dokumentů, patenty, Open Science. Principy FAIR dat (Findable, Accessible, Interoperable, Reusable). 3. Chemické databáze a vyhledávání: Principy pokročilého hledání (Booleova algebra). Práce se zdroji jako Web of Science, PubChem a specializovanými materiálovými/biologickými databázemi. BLOK 2: Já a tým (Management a projekty) 4. Základy managementu ve vědě a vzdělávání: Životní cyklus projektu (od nápadu po závěrečnou zprávu). Grantová schémata. Týmové role a efektivní komunikace. 5. Agilní řízení a softwarové nástroje: Tradiční vs. agilní řízení (Scrum, Kanban). Vizualizace času a úkolů. Praktické seznámení s nástroji pro projektové řízení (Trello, Notion, MS Teams). BLOK 3: Umělá inteligence a chytré zpracování dat 6. AI ve vědecké rešerši a práce s textem: Využití LLM a specializovaných nástrojů (Scite.ai, Gemini, Consensus...) pro syntézu literatury. Prompt engineering pro chemiky. Etika a rizika AI (halucinace, bias). 7. Osobní znalostní systém a citace: Citační manažery (Zotero, Mendeley) a jejich propojení s textovými editory. Aplikace pro osobní management znalostí. 8. Reprezentace chemických dat: Jak počítač vidí molekulu. Formáty SMILES, InChI, mol, sdf, cif. Převody mezi formáty. 9. Pokročilé zpracování dat: Tabulkové procesory na pokročilé úrovni (kontingenční tabulky). Využití AI asistentů pro čištění, formátování a základní analýzu experimentálních dat. BLOK 4: Nástroje chemika a prediktivní modelování 10. Vizualizace a 2D/3D modelování: Kreslení struktur (ACD/ChemSketch, ChemDraw). 3D vizualizace a optimalizace geometrie molekul (Avogadro, CheMagic, JSmol, PyMOL, ). 11. QSAR a predikce vlastností: Úvod do kvantitativních vztahů mezi strukturou a aktivitou/vlastností (QSAR/QSPR). Praktické využití webových prediktorů (např. SwissADME pro hodnocení léčiv, nebo nástroje pro vlastnosti nanomateriálů). 12. AI v modelování biomolekul a materiálů: Databáze PDB. Průlomové technologie ve strukturní biologii (AlphaFold a predikce 3D struktur proteinů). Strojové učení v materiálové chemii. 13. Vědecká vizualizace dat: Zásady tvorby publikačních grafů a vizualizace výsledků. Nástroje Business Intelligence (MS Power BI, Tableau, Looker Studio). ZÁVĚR 14. Prezentace projektů: Obhajoba vytvořené rešerše a projektového plánu. Diskuze nad efektivitou použitých tradičních i AI nástrojů.
|
|
Studijní aktivity a metody výuky
|
Monologický výklad (přednáška, prezentace, vysvětlování), Dialogické metody (diskuze, rozhovor, brainstorming), Samostatná práce studentů (studium textů, literatury, problémové úkoly,výzkum, pisemná práce), Pozorování, Aktivizující metody (simulační, situační, inscenační metody, dramatizace, hraní rolí, manažerská hra), Demonstrace dovedností studentů
- Domácí příprava na výuku
- 10 hodin za semestr
- Účast na výuce
- 28 hodin za semestr
- Semestrální práce
- 30 hodin za semestr
|
|
Výstupy z učení
|
Získání orientace v informačních pramenech, osvojení metodiky vědecké práce. Prohloubení základních schopností a dovedností z oblasti práce s počítačovou technikou a vytvoření komplexního přístupu k ní. Získání přehledu o využití různého typu software a možností počítačové komunikace v síti Internet.
Po absolvování předmětu studující: Aplikuje pokročilé rešeršní strategie v chemických a patentových databázích (WoS, Scopus, PubChem) a efektivně spravuje zdroje pomocí citačních manažerů (např. Zotero) s ohledem na principy Open Science a FAIR dat. Využívá nástroje generativní umělé inteligence (LLM) pro syntézu vědeckých textů a zpracování dat, přičemž kriticky hodnotí jejich validitu, identifikuje halucinace a dodržuje informační etiku. Plánuje a organizuje odborný či výzkumný projekt s využitím metod projektového řízení (Kanban, Ganttův diagram) a moderních nástrojů pro týmovou spolupráci. Převádí chemické struktury mezi různými digitálními reprezentacemi (SMILES, InChI) a modeluje struktury ve 2D a 3D vizualizačních programech. Vysvětlí základní principy strojového učení v chemii a metodologii QSAR/QSPR (kvantitativní vztahy mezi strukturou a aktivitou/vlastnostmi) a interpretuje výstupy z online prediktivních nástrojů. Ve studijním programu Bioinženýrství a nanotechnologie: Analyzuje a vizualizuje 3D struktury makromolekul (proteiny, enzymy) s využitím databází (PDB) a moderních AI nástrojů (AlphaFold). Aplikuje QSAR modely a chemoinformatické přístupy pro predikci biologické aktivity a hodnocení ADME-Tox parametrů u potenciálních léčiv (drug design) nebo pro predikci fyzikálně-chemických vlastností materiálů na základě jejich struktury. Ve studijním programu Učitelství chemie: Didakticky transformuje digitální nástroje (2D/3D vizualizace molekul) a abstraktní koncepty (např. QSAR predikce) do podoby srozumitelné a atraktivní pro žáky SŠ/ZŠ za účelem rozvoje jejich digitální gramotnosti (KRAAU 1.2 a 3.4). Integruje nástroje umělé inteligence do vlastní přípravy výukových materiálů a hodnocení, přičemž reflektuje etická rizika (KRAAU 6.2). Aplikuje principy projektového a agilního řízení při organizaci provozu školní laboratoře, badatelské výuky nebo dlouhodobých žákovských projektů (KRAAU 3.3).
|
|
Předpoklady
|
znalost středoškolské chemie
|
|
Hodnoticí metody a kritéria
|
Kombinovaná zkouška, Praktická demonstrace získaných dovedností, Ústní prezentace samostatné práce studenta, Prezentace osvojených vědomostí formou referátu, Test
Strukturovaný životopis (cca 1-2 str. A4 např, na sociální síti). Kariérová vize na 10 let včetně matice: Znalosti, schopnosti | Osobní charakteristika | Hodnoty, zásady | Zájmy, motivace, osobní preference. (cca 1 str. A4). Zadání AI: Kombi: Zpracujte ŠVP, popř. výukovou aktivitu, která integruje využití AI ve výuce vašeho předmětu. Prezenční: Vyberte si část své závěrečné práce a zformulujte pro AI (např. https://gemini.google.com/app) takové zadání, které bude korespondovat s jejich záběrem. Formulaci případně upravujte tak, aby odpověď nebyla triviální (všeobecně známá) a vyskytly se v ní informace a souvislosti, které považujete za osobně obohacující a zajímavé i pro ostatní. Ověřte výstup z aplikace s využitím původního zdroje a dalších zdrojů, které vyhledáte jinak než s pomocí AI. Uveďte, která část odpovědi AI pro Vás byla nová a obohacující. V případě, že máte na některou část odpovědi jiný názor, uveďte ho a zdůvodněte. Reflektujte celou zkušenost využití AI pro vlastní poznání a odborný růst.
|
|
Doporučená literatura
|
-
Gruber, D. Šetřme časem! Rychločtení. Rychlostudium.. Praha: Management Press, 1992.
-
Sklenák, V. Data, informace, znalosti a Internet. C.H. Beck Praha, 2001. ISBN 80-7179-409-0.
-
Šilhánek, J. Chemická informatika. Praha: VŠCHT, 2002. ISBN 80-7080-465-3.
|