2012年5月2日edX成立的报道

https://news.harvard.edu/gazette/story/2012/05/mit-and-harvard-announce-edx/

哈佛大学和麻省理工学院(MIT)今天宣布推出edX,这是一个在线教育的转型合作伙伴关系。通过edX,这两个机构将合作加强校园教学和学习,并建立一个全球在线学习者社区。

EdX将以两所大学提供在线教学内容的经验为基础。最近由MITx建立的技术平台将作为新学习系统的基础,旨在提供MIT课程的在线版本,包括视频课程,嵌入式测验,即时反馈,学生排名问答,在线实验室,和学生节奏学习。对于那些有动力且能够展示他们对课程材料的了解的人,可以获得掌握证书。

麻省理工学院和哈佛大学期望随着时间的推移,其他大学将加入他们提供edX平台的课程。将多所大学的教育内容聚集在一个网站上,将使全世界的学习者能够从一个网站访问任何参与大学的课程内容,并使用所有参与大学共享的一套在线教育工具。

EdX将作为开源软件发布其学习平台,以便其他希望自己托管平台的大学和组织可以使用它。由于学习技术将作为开源软件提供,其他大学和个人将能够帮助edX改进和添加技术功能。

麻省理工学院和哈佛大学将使用联合运营的edX平台来研究学生如何学习以及技术如何支持校内和在线的有效教学。 edX平台将允许研究哪些教学方法和工具最成功。这项研究的结果将用于告知教师如何在他们的教学中使用技术,这将增强校园学生和数百万人希望利用这些新的在线产品的经验。

麻省理工学院院长苏珊霍克菲尔德说:“EdX代表了一个通过在线学习改善我们自己校园教育的独特机会,同时为全球数百万学习者创造了一条大胆的新教育途径。”

哈佛大学校长Drew Faust说:“EdX为哈佛大学和麻省理工学院提供了前所未有的机会,通过开展有效教育的开创性研究和扩大在线获得优质高等教育的机会,大幅扩展我们的集体范围。”

“哈佛大学和麻省理工学院将利用这些新技术和他们所做的研究,以一种有益于我们的学生,我们的同龄人以及全国和全球人民的方式引领在线学习的方向,”Faust继续说道。

共同拥有的非营利结构
该计划将由位于马萨诸塞州剑桥市的非营利组织监督,由两所大学平等拥有和管理。麻省理工学院和哈佛大学共同承诺提供6,000万美元(每个3000万美元)的机构支持,资助和慈善事业,以启动合作。

麻省理工学院的计算机科学与人工智能实验室主任Anant Agarwal将在MIT Provost L. Rafael Reif的领导下领导MITx平台的开发,他将担任edX的第一任总裁。

在哈佛大学,教务长艾伦·加伯将指导哈佛大学的努力,而艺术与科学学院院长迈克尔·D·史密斯将在与教师合作开发和提供课程方面发挥主导作用。

预计来自哈佛大学和麻省理工学院的近期课程将包括在edX平台上。

提高住宅模型的研究
EdX将通过支持哈佛大学和麻省理工学院教师可以使用的无限数量的实验性在线教学方法来增强两校区传统的本科教育住宿模式,这将使剑桥和波士顿的学生受益。它还可以提供全球访问已经在剑桥和波士顿发生的一些世界级教学,但这只是哈佛和麻省理工学院全面体验的一个方面。

“校园环境提供了无法在线复制的机会和体验,”霍克菲尔德说。 “EdX旨在改善而非取代校园体验。”

EdX将与两所机构的持续远程学习计划分开,包括麻省理工学院开放式课程以及哈佛大学学院提供的课程,如哈佛大学扩展学院,哈佛商学院和哈佛医学院。

这个秋天的第一个课程
这些大学将努力进一步开发MITx已经开始的在线学习平台,并在edX网站上填写麻省理工学院和哈佛大学的课程。 在努力的早期阶段,两所大学将合作提供尽可能广泛的初级课程。 第一套课程计划在初夏宣布,并在秋季开始。

“我们已经快速向前发展,”Agarwal说。 “空中有很多能量,哈佛和麻省理工学院的团队迫不及待地想要合作。”

Penn Center for Learning Analytics

http://www.upenn.edu/learninganalytics/

任务
宾夕法尼亚大学学习分析中心使用大规模和小规模研究方法,从分析和数据挖掘到人种学和野外观察方法,以及学习和参与。我们对最先进的在线学习环境和传统课堂教学进行研究,研究哪些方法和方法可以最好地提高学生的长期成果。

改变学习环境
传统教室和在线课程之间的二分法越来越模糊,越来越多的学生在混合学习环境中工作。这些学生可能正在使用智能辅导系统(ITS),模拟,游戏或微观世界。即使在大规模在线开放课程(MOOC)等完全在线体验中,学生之间的互动也与他们与课程材料的互动一样重要。在PCLA,我们的目标是通过研究新的学习环境如何为全方位的学生提供服务来增强所有学习者的教育体验。我们研究环境和使用它们的学习者,与学术界和工业界的团体合作。在PCLA,我们不会创造新的学习环境;我们研究如何让它们变得更好。

创新
PCLA的研究人员开发了许多工具和模型,以便更好地理解大规模学习,通常是在在线学习系统的背景下。其中包括用于分析系统日志文件的新技术和用于现场观察的新协议。

我们开创了新的方法,用于在线模拟学生参与,推断复杂的学习和探究技能,学习逐步发生的学习,以及将学习者现在的经历与他们的职业和生活结果联系起来。 。我们还开创了将技术与人类判断相结合的新方法,以充分利用每种方法的优势。例如,BROMP方法是为了研究学生与教育软件的互动而开发的,它允许我们在没有侵入式传感器或视频设备的情况下研究学生的情感和行为体验。同样,我们使用文本回放(一种从教育软件中分析日志文件的方法)有助于提高我们对学生在游戏系统时所做工作的理解,而不是参与教育材料。

使(在线)学习系统更加人性化
与具有较大学生/教师比例的传统教室相比,在线学习系统可提供优势。通过自动检测错误和误解,这些系统可以提供及时的支持,以防止学生完成任务或不得不忘记了解不足的材料。无论学生是在一个充满同龄人的教室中,还是通过基于网络的应用程序独立工作,他们都应该享有教育经验,并将其视为个人。

我们的目标是通过让教师专注于他们最擅长教学的方式,使用这些方法为学生提供更好的教育体验。在拥有大量学生的班级中,自动化脚手架允许学生按照自己的进度工作。它还允许教师在更加个性化的层面上关注学生 – 帮助那些有更深层次误解而不是轻微表面错误的学生,或者与遇到与学习材料无关的问题的学生建立有意义的联系。

我们相信软件可以做的不仅仅是提供提示和自动更正,我们正在努力向人们展示如何。通过将学生的情绪和行为的课堂观察与学生日志文件相匹配,我们可以训练软件识别学生何时感到厌倦或困惑或沮丧。反过来,这可以用来使学生的学习体验更具吸引力和积极性 – 要么通过改变难度,要么提醒教育者注意可能会错过的挣扎。

Open edX中的AI应用

  • Harvard University and Microsoft.
  • ALOSI (Adaptive Learning Open Source Initiative) is based on creating an open source adaptive engine powering individualized learning and assessment pathways.
  • Collaborative-based Personalization 
  • Zachary A. Pardos, Assistant Professor UC Berkeley
  • Data-Driven Syllabus Adaptation
  • Data & AI as a translation between expert/novice learner models
  • RNNs langue models adapted to course navigation sequences. Intended to pick up on patterns among successful learners.
  • Course Recommendation Systems with Open edX Data
  • Chinmay Nivargi, Stanford University 
  • Content-based Recommenders
  • How similar is Course A to Course B?
    Represent each course’s bag-of-words as a vector
    TF-IDF (Term Frequency – Inverse Document Frequency) was used as the weighting for every word
  • Courses previously completed by user, Courses rated by user (if available), Any other course – user relationship data (e.g. topics, region, etc.)

AI Grading

https://edx-ora-2.readthedocs.io/en/latest/architecture/ai_grading.html

Training a classifier using a supervised machine learning algorithm.
Grading student essays using a trained classifier.
Both training and grading require more time than is acceptable within the request-response cycle of a web application. Therefore, both training and grading must occur asynchronously.

The architecture should not constrain the ML algorithm (or algorithms) used by a particular implementation. It should be possible to replace the ML algorithm with any supervised learning algorithm that produces a text classifier.

We also avoid constraining the particular task queue implementation. In principle, any task queue that provides basic reliability guarantees and a retry mechanism will work (see Entities).

使用Zabbix,Grafana,Icinga,SmokePing来进行网络管理监控

这几个软件是网络监控中常用的开源软件。haishanzheng老师发布了一个项目https://github.com/haishanzheng/CampusMonitor,可以简化部署。这里仅介绍这几个软件。

Zabbix

https://www.zabbix.com/  Zabbix是最终的企业级软件,专为实时监控从数万台服务器,虚拟机和网络设备收集的数百万个指标而设计。

Grafana

https://grafana.com/ Grafana允许您查询,可视化,提醒和理解您的指标,无论它们存储在何处。 与您的团队一起创建,探索和共享仪表板,并培养数据驱动的文化。

Icinga

https://icinga.com/  Icinga可监控可用性和性能,使您可以轻松访问相关数据并发出警报以使您保持循环。

SmokePing

https://oss.oetiker.ch/smokeping/ 

SmokePing会跟踪您的网络延迟:
最佳的延迟可视化。
交互式图形浏览器。
广泛的延迟测量插件。
用于分布式测量的主/从系统。
高度可配置的警报系统。
实时延迟图表包含最“有趣”的图表。
由Perl编写的免费和OpenSource软件,由MRTG和RRDtool的创建者Tobi Oetiker编写

开源图书馆平台FOLIO

FOLIO(https://www.folio.org/)是The Future of Libraries is Open的缩写。

FOLIO由开放式图书馆基金会(Open Library Foundation)主办,该基金会是一个独立的非营利组织,旨在确保图书馆和图书馆的开源和开放获取项目的可用性,可访问性和可持续性。

图书馆和服务提供商共同重塑图书馆的未来并开发新技术。新计划  FOLIO为图书馆,服务提供商和其他组织提供了一个平台,通过开源项目重新定义图书馆自动化。目标是培养兴趣小组,形成合作伙伴关系并引发对话,从而为图书馆创造新​​的服务和技术。

开放式图书馆环境(OLE)合作伙伴关系是学术和研究图书馆的合作,旨在为图书馆管理服务构建和运营创新的开源软件。会员图书馆包括康奈尔大学图书馆,杜克大学图书馆,GBV-公共图书馆网络,Hbz-Hochschulbibliothekszentrum des Landes Nordrhein-Westfalen,利哈伊大学,北卡罗来纳州立大学图书馆,SOAS-伦敦大学,德克萨斯A&M图书馆,芝加哥大学图书馆和马里兰大学图书馆。OLE总经理Michael Winkler表示,FOLIO继续并建立在社区方法的OLE愿景上,以构建新的图书馆服务。他说,FOLIO成功和影响的关键是合作。“通过FOLIO,我们有理由将人员和图书馆聚集在一起。我们很高兴能够汇集我们才华横溢,敬业的个人和共享资源,以开发和贡献FOLIO平台和软件中出现的真正复杂的服务。在图书馆员,技术专家,服务提供商和供应商的这种独特和开放的合作中,我们能够以极其积极的方式改变图书馆技术的进程。“

美国德克萨斯A&M大学图书馆院长David Carlson表示,FOLIO代表了图书馆系统开发的一项非凡发展,不仅能够改变系统市场,还能改变图书馆与供应商之间关系的转变。 。“FOLIO代表了图书馆和供应商之间的真正合作伙伴关系,我们每个人都根据我们独特的优势做出实质性的贡献。”Carlson说FOLIO对开放性的关注使其如此卓越。“通过FOLIO,未来是开放的:开放新的关系,开放真正的协作,并开放能力,使图书馆能够实现我们为用户服务的使命。

FOLIO项目旨在促进围绕创建现代技术生态系统的可持续的,以社区为导向的协作,该生态系统通过开源应用程序为图书馆提供管理图书馆资源和扩展图书馆价值的能力。

FOLIO的发展经过四个阶段。

阶段1:Alpha发布
alpha版本于2018年1月发布。测试版合作伙伴将实施并测试该版本,以便在2019年初发布测试版。

第2阶段:平台发布
代码很早就经常发布。 该测试版将于2019年初推出。社区可以实施该平台,提供反馈并跟踪开发进度。

阶段3:FOLIO在库中运行
到2019年初,预计至少有三个图书馆将FOLIO作为其图书馆服务平台实施。

第4阶段:早期实施者
11个图书馆计划在2019年实施FOLIO。根据早期采用者的反馈,将经常进行改进。 查看早期实施者

国内学校也在关注FOLIO的应用,北大和清华都召开了相关会议进行讨论。具体可以看这里

FOLIO的源代码在 https://dev.folio.org/source-code,其中有github仓库信息和文档教程。

如何加入社区

自2016年3月份Code4Lib等会议开始就开源LSP项目进行首次公开​​对话以来,来自数十个国家的1,000多名成员加入了社区。社区成员可以通过多种方式参与:

  • 功能主义者 – 贡献他们对特定工作流程和功能领域的知识。
  • 战略家 – 提出他们对未来几年图书馆技术必须如何发展的愿景。
  • 开发人员 – 贡献代码并帮助构建新的可扩展平台的应用程序。

参考链接:

如何为edx贡献代码

Open edX贡献代码指南

这是一个帮助您开始为Open edX开源项目贡献代码的指南。如果您有兴趣为Open edX做出贡献,但却不知道哪些贡献最有价值,以下指南将告诉你如何为open edx开源项目作出你的贡献。

在我们合并您的贡献之前,您需要签署贡献者协议。我们建议尽快开始这个过程。

选择个人捐助者协议还是作为更大组织的一部分做出贡献?

如果您将在学校或工作时间处理您的贡献,或者正在使用由该组织管理的GitHub或电子邮件帐户,您可能属于我们更大的组织协议。根据您的雇主的合同义务,您撰写的所有代码均为其财产,或者如果在他们购买的机器上书写,则可能是其财产。如果您对是否应签署个人捐助者协议或作为组织的一部分做出任何疑问,请将您的情况通过电子邮件发送至legal @ edx 。组织,他们将帮助您找到合适的协议。

协同开发工作的注意事宜:

我们在Jira管理我们的项目工作,因此您需要创建一个Jira帐户 来与Open edX票证进行交互。我们建议从Jira INCR项目中的故障单开始,因为这些是极其包含在其范围内的故障单。您无需了解整个代码库即可做出贡献。完成这些门票的成功标准非常明确。这对于edX平台的新用户来说非常棒,因为进入门槛很低。

  1. INCR项目仪表板的INCR Epics部分查找要处理的INCR票证 。INCR门票分组为JIRA史诗门票。
  2. 从仪表板中选择一个 epic 并导航到此史诗中的故事, 以查看与其相关的所有任务。
  3. 每张票都应该自我记录,以确定完成它的步骤。
  4. 当您找到要尝试的故障单时,请对其进行评论,以便其他开发人员不太可能复制您的工作。
  5. 单击开始观看此问题
  6. 以获取有关故障单未来更新的电子邮件。

开始贡献你的代码:

获取支持

加入Open edX Slack上的#`incr Slack`_频道,提出问题并获得支持。可能还有其他渠道可以获得特定故障单中提到的技术支持。

我们尽最大努力使这些门票清晰且完整。但有时修复会发现更大的问题。只要你明确说明你正在做的事情并尝试拿起不同的票,就可以停止工作。

拉取请求

注意:在拉取请求之前,需要先签署贡献者协议!

  1. 参考代码正在解析的INCR票证
  2. 在PR中提及@ edx / incr-reviewers
  3. 与审阅者沟通有关代码并回复反馈
  4. 当您的PR获得批准,它将被您的代码审阅者合并

当您的代码被审阅者合并后,您就成功的为edx贡献了你自己的代码。

LTI扩展包(LTI Advantage)

原文链接:https://www.imsglobal.org/lti-advantage-faq

 LTI Advantage是通往实现 数字化转型 的方法,是一个快速发展的教育技术的生态系统,在这里用户对于创新的方式有着更多的选择和综合,最后能够让用户能更好的学习和体验。 通过延长学习工具互操作性的基础 (LTI )1.3版,  LTI Advantage增加了功能,使学习工具和平台之间更深层次的集成,并提供更好的应用程序管理,隐私和安全可信的基础。

什么是LTI Advantage?

LTI Advantage是由IMS Global Learning Consortium审核,支持和认证的LTI扩展包。这些扩展的新功能被添加到LTI标准(v1.3或更高版本),可通过任何IMS认证学习应用和工具以及IMS认证学习管理系统(LMS)的深度集成实现更好的用户体验。借助LTI Advantage,您可以简化课程注册的配置,并自动将作业分数和成绩从您的数字工具传递回LMS。LTI Advantage基于LTI安全连接,通过添加工具配置文件,为更好的应用程序管理,隐私和安全性提供可靠的基础。

LTI Advantage的组成部分是什么?

目前,LTI Advantage是一个包含三个扩展的软件包,为LTI(v1.3)增加了额外的功能,大大改善了用户体验,使教师更容易创新,满足学生独特的学习需求,节省了配置课程的时间,以及大大减少了集成时间。LTI优势包括:

  • 名称和角色配置服务:以安全可靠的方式自动提供课程注册,并允许教育工作者在学习工具中接收学生活动(和不活动)的报告
  • 深层链接:简化了在创建课程时选择和添加链接内容的任务,并支持与特定内容集,播放列表和内容表的深度集成。
  • 作业和成绩服务:提供一种方法,用于收集各种数字资源中可操作的作业分数和成绩,所有利益相关者都可以在LMS或SIS内的单一记录系统中查看,以及评估员的任何评论。

当适用于他们的产品时,学习平台和应用程序供应商应实施并完成所有三个LTI Advantage扩展的一致性认证。即将推出的  IMS认证的产品目录  将清楚地表明其LTI优势的组件适用于一定的学习工具和应用程序,并已通过认证。

LTI Advantage的组件应该与其他LTI规格类似。它们本质上是一样的,只是名称不同吗?

是的。包含LTI Advantage的每个扩展都已重新命名,以便更好地描述和传达其功能和教学活动的价值。

  • 名称和角色供应服务是成员身份服务的新名称
  • 深层链接是内容项消息的新名称
  • 作业和成绩服务是成绩单服务的新名称

在未来,所有文件都将使用修订后的扩展名。

LTI Advantage解决了哪些问题?

LTI Advantage功能将使机构能够通过更深入的集成来超越第一代学习架构,从而确保更好的教学和学习体验。利用可信赖的LTI标准作为基础,LTI Advantage增加了核心LTI以外的关键功能,可以在学习环境中的任何地方深入链接学习对象,以及在所有支持LTI的应用程序中灵活安全地传递用户和评估数据。

为什么教育机构需要LTI Advantage?

LTI通过为机构和供应商提供标准和安全的方式来连接LMS的学习工具,从而彻底改变了教育技术。LTI Advantage将LTI提升到新的水平; 使教师能够更轻松地利用技术进行创新,以改善教学和学习体验。坚持LTI Advantage使教师能够更好地控制和整合LMS中的第三方资源,应用程序和工具,无论何时何地,并且可以确保任务和成绩结果自动同步到记录成绩簿。LTI Advantage还降低了将数字资源整合到机构学习生态系统中的时间和成本。

编写有效的基于问题的学习案例的5个最佳实践

什么是基于问题的学习?

基于问题的学习(PBL)是一种可以让学生沉浸在他们可能会在职业生涯中面临的现实案例中的教学方法。PBL的目标是加强学生的学习,并为他们即将进入的工作领域做好准备。PBL广泛用于主题领域。它们在健康科学中尤其受欢迎。

以下是PBL可用于健康科学的几种方式:

  • 应对手术期间可能发生的患者变化
  • 在面对有关患者的有限信息时制定行动计划
  • 评估患者提供的症状
  • 确定外部因素如何影响患者的病情

为何选择PBL

由于种种原因,PBL在医学教学中工作。这种方法的最大好处之一是它让学生沉浸在学习中。它使学生​​处于他们将在职业生涯中面临的类似情况。当学生沉浸在学习中时,他们更有可能保留他们所学到的知识。PBL鼓励 对等学习,并允许学生探索在不同情况下可能出现的道德问题。最后,PBL为学生提供有关其假设和选择的即时反馈。

如何将PBL用在实践中

当您开始在课程中实施PBL时,请牢记这些最佳实践的策略。

  1. 确定学习目标

        当您将PBL整合到课程中时,确立您的学习目标(目标为六到八个)至关重要。您将在每个案例的设计过程中将这些目标用作路线图。良好的学习目标始于可衡量的任务,例如证明提供证据,并整合多种技能。

  1. 创建模板

        为了提高学生的成功率,您开发的每个案例都应包含类似的组件 一个好的模板应该从一个现实的场景开始。您甚至可以考虑在场景中加入视觉效果,以帮助学生形象化和连接。一旦情景建立,让学生有时间进行假设,调查,讨论,制定计划,实施和反思。

tips:将这个方便的清单保存为设计基于问题的活动的资源。 

  1. 根据学生的需求进行调整

        在创建PBL案例时,请务必考虑学生的先验知识。考虑学生在他们的学习计划中的学习程度,并在开发案例时将其作为衡量标准。早期病例可能需要最少的先验知识,因为每个学生都有不同程度的经验。相反,连续的案例应建立在学生可能从之前的案例中获得的知识的基础上。

  1. 让学生参与进来

        在案例开始时提供的场景肯定会吸引学生,但您还需要让他们在每个后续步骤中保持参与。当学生参与其中时,他们更有可能保留所获得的知识并将其应用于他们职业生涯中的现实生活中。

  • 确保方案是可关联的
  • 以学生已经知道的为基础
  • 允许多个学生互动点
  • 挑战学生通过研究寻求答案
  1. 审查和修改

        在任何案例“实时”出现之前,请一些值得信赖的评论者提供反馈意见。您也可以在每个案例结束时询问学生的反馈意见。反馈是关键,有助于确保每个案例都是高质量的PBL体验。

设计案例时要问的关键问题:

  • 该案例以学生为中心且具有吸引力吗?
  • 整个案例的目标是否明确?
  • 案件既合乎逻辑又真实吗?

        当PBL得到妥善规划和实施时,它肯定会提高学生的参与度和保留率。确保每个案例都经过深思熟虑,学生可以访问,并对他们未来的职业经历有意义。

原文链接:https://apasseducation.com/best-practices-for-writing-effective-problem-based-learning-cases/

[theverge]欧盟认为人工智能系统应该被审计,解释,无偏见对待

Today, the High-Level Expert Group on AI presents their ethics guidelines for trustworthy artificial intelligence. This follows the publication of the guidelines’ first draft in December 2018 on which more than 500 comments were received through an open consultation.

https://www.theverge.com/2019/4/8/18300149/eu-artificial-intelligence-ai-ethical-guidelines-recommendations

https://ec.europa.eu/digital-single-market/en/news/ethics-guidelines-trustworthy-ai

According to the guidelines, trustworthy AI should be:

(1) lawful –  respecting all applicable laws and regulations

(2) ethical – respecting ethical principles and values

(3) robust – both from a technical perspective while taking into account its social environment

The guidelines put forward a set of 7 key requirements that AI systems should meet in order to be deemed trustworthy. A specific assessment list aims to help verify the application of each of the key requirements:

  • Human agency and oversight: AI systems should empower human beings, allowing them to make informed decisions and fostering their fundamental rights. At the same time, proper oversight mechanisms need to be ensured, which can be achieved through human-in-the-loop, human-on-the-loop, and human-in-command approaches
  • Technical Robustness and safety: AI systems need to be resilient and secure. They need to be safe, ensuring a fall back plan in case something goes wrong, as well as being accurate, reliable and reproducible. That is the only way to ensure that also unintentional harm can be minimized and prevented.
  • Privacy and data governance: besides ensuring full respect for privacy and date protection, adequate data governance mechanisms must also be ensured, taking into account the quality and integrity of the data, and ensuring legitimised access to data.
  • Transparency: the data, system and AI business models should be transparent. Traceability mechanisms can help achieving this. Moreover, AI systems and their decisions should be explained in a manner adapted to the stakeholder concerned. Humans need to be aware that they are interacting with an AI system, and must be informed of the system’s capabilities and limitations.
  • Diversity, non-discrimination and fairness: Unfair bias must be avoided, as it could could have multiple negative implications, from the marginalization of vulnerable groups, to the exacerbation of prejudice and discrimination. Fostering diversity, AI systems should be accessible to all, regardless of any disability, and involve relevant stakeholders throughout their entire life circle.
  • Societal and environmental well-being: AI systems should benefit all human beings, including future generations. It must hence be ensured that they are sustainable and environmentally friendly. Moreover, they should take into account the environment, including other living beings, and their social and societal impact should be carefully considered.
  • Accountability: Mechanisms should be put in place to ensure responsibility and accountability for AI systems and their outcomes. Auditability, which enables the assessment of algorithms, data and design processes plays a key role therein, especially in critical applications. Moreover, adequate an accessible redress should be ensured.