Technology Driven Innovation (TDX)
1/2. Semester
10 ECTS | 4 SWS
Continuous Assessment (CA)
Inhalte
- Systems Thinking
- Deep Tech Exploration
- Interdisziplinäre Team Kollaboration
- Exkursion zum CERN /Genf
- Design Thinking und Innovationsmethoden (User Research, Tech Driven Opportunity Identification, Reframing, Prototyping, Testing)
- Methoden der digitalen Fertigung im Makerspace
- Präsentation und Kommunikation des Lösungskonzeptes
Lernziele/Kompetenzen
Die Studierenden sind in der Lage,
- Neue Technologien in Zusammenarbeit mit Forschern zu analysieren, sowie deren Potenzials einzuschätzen.
- Innovative Anwendungen unter Verwendung von Deep Tech zu konzipierten, die von hoher gesellschaftlicher Relevanz sind.
- Die Kluft zwischen wissenschaftlichen Erfindungen und gesellschaftlichen Bedürfnissen durch Anwendung des Design-Thinking-Prozesses und unter Verwendung von Innovationsmethoden zu überwinden.
- Effektiv und wertschätzend im interdisziplinären Team zusammenzuarbeiten.
- Die Verantwortung für das eigene Lernen zu übernehmen.
- Eigeninitiative zu ergreifen und die Verantwortung für den Projektfortschritt zu übernehmen.
Literatur
- Isaacs, E. & Szymanski, M. (2013). The Value of Rapid Ethnography [PDF], Advancing Ethnography in Corporate Environments, Jordan, B. (Ed)., Left Coast Press, 92-107
- Note on Creating a Viable Venture - A Global Perspective, Graduate School of Stanford Business, https://hbsp.harvard.edu/tu/49f0bd6d
- M.L. Patten, M. Newhart. Understanding Research Methods: An Overview of the Essentials. 10th edition, 2018. Routledge-Taylor & Francis Group
- Uebernickel, F., Jiang, L., Brenner, W., Pukall, B., Naef, T., & Schindlholzer, B. (2020). Design thinking: The handbook. World Scientific.
Dozentinnen / Dozenten
Empfohlene Vorkenntnisse
Englisch / Interesse an neuen Technologien / Bereitschaft zur Arbeit im interdisziplinären Team
Daten zum Modul
| Semester |
1/2 |
| Unterrichtssprache |
Deutsch und Englisch |
|
Häufigkeit
|
Sommersemester
|
| Kreditpunkte |
10 |
| Modulverantwortlich |
Prof. Kirstin Kohler |
| Dauer |
1 Semester |
| Schwerpunkt(e) |
Medical Data Science (MDS)
Software Engineering (SE)
|
| Studienleistung |
Keine |
| Prüfungsvorleistung |
Keine |
| Prüfungsleistung |
Continuous Assessment (CA) |
Semesterwochenstunden
| Vorlesung |
2 SWS |
| Labor |
2 SWS |
| Summe |
4 SWS |
Arbeitsaufwand (work load)
| Vorlesung |
60 h |
| Projekt |
200 h |
| Workshop |
40 h |
| Summe |
300 h |