Karta przedmiotu
Zarządzanie wiedzą
Podstawowe informacje o zajęciach
Cykl kształcenia:
2025/2026
Nazwa jednostki prowadzącej studia:
Wydział Budowy Maszyn i Lotnictwa
Nazwa kierunku studiów:
Zarządzanie i inżynieria produkcji
Obszar kształcenia:
nauki techniczne
Profil studiów:
ogólnoakademicki
Poziom studiów:
drugiego stopnia
Forma studiów:
stacjonarne
Specjalności na kierunku:
Analityka biznesowa w zarządzaniu przedsiębiorstwem, Inteligentne i cyfrowe systemy wytwarzania, Nowoczesne metody zarządzania produkcją, Zrównoważony rozwój w przemyśle
Tytuł otrzymywany po ukończeniu studiów:
magister inżynier
Nazwa jednostki prowadzącej zajęcia:
Zakład Informatyki
Kod zajęć:
1562
Status zajęć:
obowiązkowy dla programu Analityka biznesowa w zarządzaniu przedsiębiorstwem, Inteligentne i cyfrowe systemy wytwarzania, Nowoczesne metody zarządzania produkcją, Zrównoważony rozwój w przemyśle
Układ zajęć w planie studiów:
sem: 1 / W15 L15 / 2 ECTS / Z
Język wykładowy:
polski
Imię i nazwisko koordynatora 1:
dr hab. inż. prof. PRz Galina Setlak
Terminy konsultacji koordynatora:
Wtorek: 10.30-12.00, środa: 10.30-12.00, gsetlak.v.prz.edu.pl
Imię i nazwisko koordynatora 2:
dr inż. Łukasz Paśko
Imię i nazwisko koordynatora 3:
dr inż. Marcin Olech
Cel kształcenia i wykaz literatury
Główny cel kształcenia:
Głównym celem kształcenia jest przekazanie studentom wiedzy i praktycznych umiejętności w zakresie koncepcji zarządzania wiedzą oraz umiejętności właściwego wykorzystania metod i narzędzi informatycznych do pozyskiwania, przetwarzania i analizy wiedzy, jak również do zarządzania wiedzą. Przedstawienie również podstawowych informacji dotyczących zarządzania wiedzą w przedsiębiorstwach produkcyjnych.
Ogólne informacje o zajęciach:
Moduł jest obowiązkowym w ramach programu studiów magisterskich na kierunku Zarządzanie i inżynieria produkcją
Materiały dydaktyczne:
Materiały dydaktyczne są udostępniane na stronach WWW prowadzących zajęcia
Wykaz literatury, wymaganej do zaliczenia zajęć
| 1 | Trajer J., Paszek A., Iwan S. | Zarządzanie wiedzą | Polskie Wydawnictwo Ekonomiczne, Warszawa. | 2012 |
| 2 | Jashapara A. | Zarządzanie wiedzą | Polskie Wydawnictwo Ekonomiczne, Warszawa. | 2014 |
| 3 | Red. naukowa: D. Jemielniak, A. K. Koźmiński | Zarządzanie wiedzą | Wolters Kluwer Polska, Warszawa. | 2012 |
| 4 | Probst G., Raub S., Romhardt K. | Zarządzanie wiedzą w organizacji | Oficyna Ekonomiczna, Kraków. | 2002 |
| 5 | Becerra-Fernandez I., Sabherwal R., Kumi R. | Knowledge Management: Systems and Processes in the AI Era | Routledge Taylor & Francis Group, New York. | 2024 |
| 6 | Hilger J., Wahl Z. | Making Knowledge Management Clickable Knowledge Management Systems Strategy, Design, and Implementation | Springer Nature Switzerland AG, Cham. | 2022 |
| 1 | Patalas-Maliszewska J. | Modele referencyjne zarządzania wiedzą w przedsiębiorstwie produkcyjnym | Wydawnictwo Naukowe PWN, Warszawa. | 2019 |
| 2 | Morzy T. | Eksploracja danych. Metody i algorytmy. | Wydawnictwo Naukowe PWN, Warszawa. | 2012 |
| 3 | Nonaka I., Takeuchi H. | Kreowanie wiedzy w organizacji | Poltext, Warszawa. | 2000 |
| 4 | McFedries P. | Excel: wykresy, analiza danych, tabele przestawne | Helion, Gliwice. | 2015 |
| 5 | Kimiz D. | Knowledge management in theory and practice | The MIT Press, Cambridge. | 2023 |
| 1 | Koźmiński A. K. | Zarządzanie w warunkach niepewności. Podręcznik dla zaawansowanych | Wydawnictwo Naukowe PWN, Warszawa. | 2004 |
| 2 | Hyla M. | Przewodnik po e-learningu | Wolters Kluwer SA, Warszawa. | 2016 |
Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych
Wymagania formalne:
Student musi być zarejestrowany na liście uprawnionych do zaliczenia przedmiotu
Wymagania wstępne w kategorii Wiedzy:
Student powinien posiadać wiedzę w zakresie Technologii informacyjnych i informatyki
Wymagania wstępne w kategorii Umiejętności:
Wymagane jest posiadanie umiejętności obsługi podstawowego oprogramowania takiego, jak MS Excel oraz pakiet sztucznej inteligencji AITECH SPHINX
Wymagania wstępne w kategorii Kompetencji społecznych:
Umiejętność samodzielnego poszerzania swej wiedzy i doskonalenia umiejętności zawodowych
Efekty kształcenia dla zajęć
| MEK | Student, który zaliczył zajęcia | Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia | Metody weryfikacji każdego z wymienionych efektów kształcenia | Związki z KEK | Związki z PRK |
|---|---|---|---|---|---|
| MEK01 | Posiada wiedzę w zakresie koncepcji i zasad tworzenia systemów zarządzania wiedzą w organizacji oraz odpowiednich technologii do wspomagania procesu zarządzania wiedzą | wykład | kolokwium |
K-W03+ K-W09+ K-K01+ |
P7S-KK P7S-WG |
| MEK02 | Posiada umiejętności wykorzystania metod i technologii informacyjnych oraz oprogramowania do pozyskiwania, przetwarzania i analizy wiedzy, jak również do zarządzania wiedzą. | laboratorium | zaliczenie cz. praktyczna |
K-U10++ K-U12++ |
P7S-UW |
| MEK03 | Zna metody i narzędzia sztucznej inteligencji, które potrafi wykorzystać do tworzenia baz wiedzy w celu wspomagania procesu zarządzania wiedzą. | wykład | kolokwium |
K-W10+ K-U10+ K-U12+ |
P7S-UW P7S-WK |
| MEK04 | Wykorzystuje technologie informacyjne, współczesne metody sztucznej inteligencji i data mining do pozyskania, analizy wiedzy, w tym analizy sieci społecznych. | laboratorium | zaliczenie cz. praktyczna |
K-U10++ K-U12+++ |
P7S-UW |
Treści kształcenia dla zajęć
| Sem. | TK | Treści kształcenia | Realizowane na | MEK |
|---|---|---|---|---|
| 1 | TK01 | W01 | MEK01 | |
| 1 | TK02 | W02 | MEK01 MEK03 | |
| 1 | TK03 | W03 | ||
| 1 | TK04 | W04 | MEK01 | |
| 1 | TK05 | W05 | ||
| 1 | TK06 | W06 | MEK01 | |
| 1 | TK07 | W07 | ||
| 1 | TK08 | L01 | MEK02 | |
| 1 | TK09 | L02 | MEK02 | |
| 1 | TK10 | L03 | MEK02 | |
| 1 | TK11 | L04 | MEK02 MEK04 | |
| 1 | TK12 | L05 | MEK02 MEK04 | |
| 1 | TK13 | L06 | MEK02 MEK04 | |
| 1 | TK14 | L07 | MEK02 MEK04 | |
| 1 | TK15 | L08 | MEK02 MEK04 |
Nakład pracy studenta
| Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
|---|---|---|---|
| Wykład (sem. 1) | Przygotowanie do kolokwium:
3.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Studiowanie zalecanej literatury:
1.00 godz./sem. |
| Laboratorium (sem. 1) | Przygotowanie do laboratorium:
5.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
|
| Konsultacje (sem. 1) | Przygotowanie do konsultacji:
1.00 godz./sem. |
Udział w konsultacjach:
4.00 godz./sem. |
|
| Zaliczenie (sem. 1) | Przygotowanie do zaliczenia:
5.00 godz./sem. |
Zaliczenie pisemne:
1.00 godz./sem. Zaliczenie ustne: 1.00 godz./sem. |
Sposób wystawiania ocen składowych zajęć i oceny końcowej
| Forma zajęć | Sposób wystawiania oceny podsumowującej |
|---|---|
| Wykład | Na zaliczeniu pisemnym wykładu sprawdzana jest realizacja efektów modułowych MEK01, MEK03 i MEK05. Sprawdzian obejmuje pytania obowiązkowe oraz dodatkowe. Student musi odpowiedzieć poprawnie na wszystkie pytania obowiązkowe, aby uzyskać ocenę dostateczną. Odpowiedź na pytania dodatkowe pozwala uzyskać wyższą ocenę: 25% poprawnych odpowiedzi - 3,5; 40% poprawnych odpowiedzi - 4,0; 60% poprawnych odpowiedzi - 4,5; 80% poprawnych odpowiedzi - 5,0 |
| Laboratorium | Sprawdzian praktyczny, odbywający się na laboratorium, weryfikuje modułowe efekty kształcenia MEK02 oraz MEK04. Sposób oceniania MEK02: student rozwiązuje zadania dotyczące zastosowania narzędzi do wydobywania wiedzy z danych. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK02 są sumowane. Student uzyskuje ocenę z MEK02 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). Sposób oceniania MEK04: student rozwiązuje zadania dotyczące analizy sieci społecznych. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK04 są sumowane. Student uzyskuje ocenę z MEK04 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). |
| Ocena końcowa | Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych (MEK01-MEK05) i zaliczenie wszystkich form zajęć. Ocena końcowa wyznaczana jest jako średnia ważona oceny z wykładu z wagą 0,4 i laboratorium z wagą 0,6. |
Przykładowe zadania
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
Treści zajęć powiazane są z prowadzonymi badaniami naukowymi tak
| 1 | M. Olech; Ł. Paśko | Determine Selected Delivery Parameters Using Multi-Agent-Based Simulation: A Case Study | 2025 |
| 2 | I. Bagdoniene; A. Briones; V. Caballero; A. Carreras-Coch; G. Dec; R. Figliè; J. Navarro; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos | Bridging academia and industry in the era of Industry 4.0 by means of the triple helix: The PLANET4 initiative | 2024 |
| 3 | M. Olech; Ł. Paśko | Customer Trust Versus Retailer Profit: A Case Study on Optimising Base Stock Level Using Multi-Agent-Based Simulation | 2024 |
| 4 | R. Amadio; A. Carreras-Coch; R. Figliè; D. Mazzei; J. Navarro; Ł. Paśko; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos | Towards a Taxonomy of Industrial Challenges and Enabling Technologies in Industry 4.0 | 2024 |
| 5 | Ł. Paśko; G. Setlak | Image as a Way of Processing Multidimensional Production Data for Product Quality Prediction Using Deep Learning | 2024 |
| 6 | D. Atzeni; A. Carreras-Coch; G. Dec; D. Mazzei; M. Mądziel; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios | Plan and Develop Advanced Knowledge and Skills for Future Industrial Employees in the Field of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
| 7 | G. Dec; R. Figliè; D. Mazzei; M. Mądziel; J. Navarro; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas | Role of Academics in Transferring Knowledge and Skills on Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
| 8 | K. Antosz; A. Gola; A. Gonçalves; T. Malheiro; Ł. Paśko; L. Varela | Six Sigma and Random Forests Application for Product Quality System Control Development | 2022 |
| 9 | K. Antosz; Ł. Paśko | Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing | 2022 |
| 10 | M. Olech; M. Rataj | Directions in Fuzzy Relation Equations: Conclusions from the Current State of the Art | 2022 |
| 11 | A. Kuś; Ł. Paśko | Bootstrap Aggregation Technique for Evaluating the Significance of Manufacturing Process Parameters in the Glass Industry | 2021 |
| 12 | D. Antonelli; J. Barata; E. Boffa; P. C. Priarone; R. Chelli; P. Ferreira; M. Finžgar; M. Lanzetta; P. Litwin; N. Lohse; F. Lupi; M. M. Mabkhot; A. Maffei; M. Mądziel; P. Minetola; S. Nikghadam-Hojjati; Ł. Paśko; P. Podržaj; D. Stadnicka; X. Wang | Mapping Industry 4.0 Enabling Technologies into United Nations Sustainability Development Goals | 2021 |
| 13 | J. Litwin; M. Olech; A. Szymusik | Applying Python’s Time Series Forecasting Method in Microsoft Excel-Integration as a Business Process Supporting Tool for Small Enterprises | 2021 |
| 14 | K. Antosz; M. Jasiulewicz-Kaczmarek; Ł. Paśko; S. Wang; C. Zhang | Application of machine learning and rough set theory in lean maintenance decision support system development | 2021 |
| 15 | J. Jakieła; M. Olech; M. Rataj | Crossing the Chasm-from Business Models to Software Architecture | 2020 |
| 16 | K. Antosz; A. Gola; Ł. Paśko | The Use of Artificial Intelligence Methods to Assess the Effectiveness of Lean Maintenance Concept Implementation in Manufacturing Enterprises | 2020 |
| 17 | P. Litwin; Ł. Paśko | Metody klasteryzacji danych w badaniu podobieństwa parametrów procesu wytwórczego | 2020 |
| 18 | Ł. Paśko | Significance of Manufacturing Process Parameters in a Glassworks | 2020 |
| 19 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |