108495 research outputs found
Sort by
Noorte alaesindatus Riigikogus
Get PDFKäesolev lõputöö keskendub kuni 30-aastaste noorte alaesindatusele Riigikogus ja nende poliitilisele huvile. Noored moodustavad ligikaudu kolmandiku Eesti elanikkonnast, ent nende osakaal parlamendi koosseisus on oluliselt väiksem, mis tõstatab küsimuse demokraatliku esindatuse tasakaalustatuse kohta. Alaesindatus võib mõjutada ka poliitiliste otsuste sisu ja kestust, kuna esindamata võivad jääda noorte vaated ja huvid. Bakalaureusetöö uurimiseesmärk oli välja selgitada noorte alaesindatuse põhjused ja mõista, milliseid lahendusi võiks rakendada poliitilise huvi ning esindatuse suurendamiseks. Töö põhineb kvalitatiivsel meetodil, kus viidi läbi kaheksa intervjuud Riigikogu erakondade juhtliikmete, kuni 30-aastaste saadikute ja noortega, kes kandideerisid 2023. aasta parlamendivalimistel. Intervjuud võimaldasid saada arvamusi eri kogemuse ja vanusega poliitikutelt ning võrrelda nende vaateid noorte poliitilise huvi ja esindatuse takistuste kohta. Tulemused näitavad, et alaesindatus ei ole tingitud ainult noorte vähesest poliitilisest huvist, vaid on mõjutatud ka poliitilise süsteemi takistustest ja ühiskondlikest hoiakutest. Tööst selgusid mitmed soovitused, kuidas noorte alaesindatust vähendada ja vanuselist võrdsust Eesti poliitilisel maastikul edendada.https://www.ester.ee/record=b5759045*es
Sügavõppe treeningkao joondamine hindamismõõdikutega
Get PDFDoktoritöö elektrooniline versioon ei sisalda publikatsiooneViimaste aastate edusammud masinõppes on kiirendanud masinõppesüsteemide kasutuselevõttu paljudes valdkondades ning tulemused ületavad sageli nii algoritmilisi baastasemeid kui ka mõnel juhul inimsooritust. Selle arengu on võimalikuks teinud mitmed vastastikmõjus olevad tegurid, sealhulgas suurte ja üha kvaliteetsemate andmestike kättesaadavus, rikkalikke kõrgemõõtmelisi esitusi võimaldavad tehisnärvivõrgude arhitektuurid ning optimeerimisprotseduurid, mis on praktikas piisavalt skaleeruvad. Optimeerimisvalikute hulgas on keskne roll kaofunktsioonil, mida võib vaadelda kui mõõdikut, mis määrab trahvi suuruse ennustava mudeli igale eksimusele. Kaofunktsioon defineerib optimeerimismaastiku ja selle abil määratakse, kuidas mudeli kaalusid treenimise käigus muudetakse. Klassifitseerimisel on kaofunktsiooni vaikevalikuna kasutatud näiteks ristentroopiat. Kui aga suuri mudeleid treenitakse ristentroopiaga, võib mudeli ennustustes ilmneda liigne enesekindlus, ning see halvendab mudeli usaldusväärsust nendele ennustustele tuginevates rakendustes. Kuna masinõppesüsteemid on üha enam põimitud otsustusprotsessidesse, on konkreetses rakendusvaldkonnas olulise hindamismõõdiku alusel sooritust parandava kaofunktsiooni valimine muutunud oluliseks praktiliseks väljakutseks.
Lisaraskusi tekitab asjaolu, et sooritust hinnatakse lõpuks hindamismõõdikutega, mis võivad olla katkevuspunktidega, mitte-diferentseeruvad või väga ülesandespetsiifilised. Sellised mõõdikud ei ole sageli treenimiseks otseselt sobivad, mistõttu kasutatakse asenduskaofunktsioone, nagu näiteks ristentroopia. See võib aga tekitada ebakõla treeningul optimeeritava eesmärgi ja lõpprakenduses olulise eesmärgi vahel. Klassikalistest mõõdikutest, nagu täpsus, paljudes kaasaegsetes rakendustes ei piisa, mistõttu toetuvad praktikud üha enam hinnatundlikele mõõdikutele, mis kaaluvad vigu vastavalt nende tähtsusele, ja kalibreerituse mõõdikutele, mis mõõdavad tõenäosuslike ennustuste kvaliteeti. Need mõõdikud kajastavad usaldusväärsuse aspekte, mida täpsus üksi väljendada ei suuda, ning on seetõttu muutunud olulisteks tööriistadeks soorituse hindamisel praktilistes rakendustes.
Käesolev väitekiri koosneb kolmest omavahel seotud uurimusest, mille eesmärk on parandada treenimisel kasutatavate kaofunktsioonide ja praktikas oluliste hindamismõõdikute vahelist joondatust. Esimene uurimus käsitleb kaofunktsiooni valikut hinnatundlikus klassifitseerimises, kus hindamismõõdik kaalub iga veatüüpi klassispetsiifiliste kuludega, mis on tavaliselt saadud valdkonna ekspertidelt. Praktikas on need kulud harva täpselt teada; selle asemel esinevad need ebakindlate hinnangutena, mis võivad aja jooksul ja kasutustingimuste muutudes teiseneda. Selle ebakindluse modelleerimiseks käsitleme klassispetsiifilisi kulusid etteantud jaotusega juhuslike suurustena ja tuletame kaofunktsioonide perekonnad, mis on matemaatiliselt samaväärsed vale klassifitseerimise eeldatava kuluga antud määramatuse korral. Tuvastame praktikas mugavad jaotuste perekonnad, näiteks beeta-jaotused kuluproportsioonide ja gamma-jaotused toorkulude jaoks, ning näitame, kuidas nende parameetrid määravad keskmist kulu, asümmeetriat ja ebakindlust. Katsed mitmete andmestike ja kulustsenaariumidega näitavad, et mõned tuletatud kaofunktsioonid saavutavad vastavatel hinnatundlikel mõõdikutel järjepidevalt tugeva soorituse, pakkudes põhimõttekindlat alternatiivi \emph{ad-hoc} kaalumisskeemidele.
Teine uurimus uurib mudeli kalibreeritust, mis iseloomustab seda, kui hästi vastavad ennustatud tõenäosused tegelikele tinglikele klassitõenäosustele. Mudeli kalibreeritus on hädavajalik mudeli praktilisel rakendamisel, kus ennustatud tõenäosuste põhjal tehakse praktilisi otsuseid. Eriti tähtis on kalibreeritus ohutuse või kulude seisukohalt kriitilistes olukordades. Kuigi ristentroopia on rangelt korralik kaofunktsioon ja teoreetiliselt soodustab kalibreeritud tõenäosusi, on sellega treenitud sügavad tehisnärvivõrgud sageli valesti kalibreeritud. Seevastu fokaalse kaofunktsiooni puhul on korduvalt täheldatud, et see annab paremini kalibreeritud mudeleid isegi ilma hilisema \emph{post-hoc} kohandamiseta. Doktoritöös on seda nähtust uuritud ja näidatud, et fokaalset kaofunktsiooni saab väljendada kahe komponendi kompositsioonina: korralik kaofunktsioon, mida minimeerivad tegelikud klassitõenäosused, ja fikseeritud kalibreerimisfunktsioon, mis sarnaneb temperatuuri skaleerimisega. See dekompositsioon selgitab, miks fokaalne kaofunktsioon on praktikas sageli hästi kalibreeritud, kuna see seob korraliku kaofunktsiooni treenimise ajal rakendatava sisseehitatud kalibreerimisteisendusega. Seda dekompositsiooni on laiendatud laiale lahutuvusomadusega kaofunktsioonide klassile ning on tuletatud valemid nendega seotud korralike komponentide ja kalibreerimisfunktsioonide jaoks. Need tulemused võimaldavad disainida uusi kaofunktsioone, millel on soovitud kalibreerimis- ja eristusomadused. Mitmed töös tuletatud uued kaofunktsioonid koos nende juurde kuuluvate kalibreerimisfunktsioonidega saavutavad täpsuse ja kalibreerituse osas tulemusi, mis on konkurentsivõimelised või paremad kui standardsed baastasemed.
Kolmas uurimus käsitleb lõhet treenimisel kasutatavate hindamismõõdikute ja rakendusepõhiste kasufunktsioonide vahel, kus kasufunktsioonid kvantifitseerivad mudeli ennustustel põhinevate otsuste domeenispetsiifilist väärtust. Rakendusepõhised kasufunktsioonid võivad sõltuda kontekstist tulenevatest teguritest, mis pole treenimise ajal kättesaadavad, ning nende hindamine võib olla kulukas, nõudes mõnikord simulatsiooni või füüsilisi eksperimente. Kui rakendusepõhist kasu ei saa suures mahus arvutada, muutub mudelite valimine keeruliseks. Selle probleemi leevendamiseks on töös välja pakutud meetod, milles valideerimisandmetel treenitud väike närvivõrk aitab treenimisel kasutatavat hindamismõõdikut paremini joondada rakendusepõhise kasufunktsiooniga. Töös on analüüsitud tingimusi, mille korral sellised teisendused säilitavad korralikkuse, ja demonstreeritud meetodi rakenduvust mitmes ülesandes, sealhulgas laoseisu optimeerimise probleemi korral. Selle meetodiga saab rakenduse jaoks hästi sobiva mudeli valida ka olukorras, kus rakendusepõhise kasufunktsiooni otsene hindamine on ebapraktiline.
Kokkuvõttes näitavad selle väitekirja tulemused treenimisel kasutatava kaofunktsiooni ja hindamismõõdiku joondamise olulisust. Töös on uuritud, kuidas erinevad kaofunktsiooni valikud kujundavad treenitava mudeli ennustuslikku käitumist, ning loodud meetodeid mudelite soorituse parandamiseks rakendusvaldkonnas olulistel mõõdikutel.Recent advances in machine learning (ML) have accelerated the deployment of ML systems across a wide range of domains, often surpassing classical algorithmic baselines and, in some cases, even human performance. This progress has been driven by several interacting factors, including the availability of large and increasingly high-quality datasets, architectures capable of learning rich high-dimensional representations, and optimisation procedures that scale reliably in practice. Among the optimisation choices, the loss function plays a central role. It can be viewed as a scoring rule that assigns a penalty to each prediction, with larger penalties for more severe mistakes; these scores, aggregated over the data, define the optimisation landscape and determine how the model is updated during training. Historically, standard losses such as cross-entropy have been treated as default choices for classification. However, when large-scale models are trained on massive datasets with cross-entropy, they can exhibit undesirable behaviour, most notably overconfident predictions that degrade reliability in downstream applications. As ML systems become embedded in decision pipelines, selecting losses and associated modifications that improve performance under the evaluation metric of interest has become a core practical challenge. A further difficulty arises because performance is ultimately assessed by evaluation metrics that may be discontinuous, non-differentiable, or highly task-specific. Such metrics often require surrogate losses for training and can create a mismatch between the optimised objective and the quantities used for evaluation. Classical metrics such as accuracy are insufficient for many modern applications, so practitioners increasingly rely on cost-sensitive metrics that weight errors according to their importance and calibration metrics that measure the quality of predicted probabilities. These metrics capture aspects of reliability that accuracy alone cannot express and have therefore become essential tools for assessing real-world performance.
This thesis comprises three interconnected studies that aim to improve the alignment between training losses and evaluation metrics. The first study addresses loss selection in cost-sensitive classification, where the evaluation metric weights each type of error by class-specific costs, typically elicited from domain experts. In practice, these costs are rarely known precisely; instead, they appear as uncertain estimates that may shift over time as deployment conditions change. To model this uncertainty, we treat class-specific costs as random variables with specified distributions and derive families of losses that are mathematically equivalent to the expected misclassification cost under this uncertainty. We identify distribution families that are convenient in practice, particularly Beta distributions over cost proportions and Gamma distributions over raw costs, and show how their parameters govern mean cost, asymmetry, and uncertainty. Experiments across multiple datasets and cost scenarios demonstrate that some of the induced losses consistently achieve strong performance on the corresponding cost-sensitive metrics, providing a principled alternative to ad-hoc weighting schemes.
The second study examines model calibration, which characterises how well predicted probabilities correspond to true conditional class probabilities. Calibration is essential for reliable downstream decision-making, particularly in safety-critical or cost-critical settings. Although cross-entropy is strictly proper and theoretically encourages calibrated probabilities, deep networks trained with it are often miscalibrated. In contrast, focal loss has repeatedly been observed to produce more calibrated models even without post-hoc adjustments. We investigate this phenomenon and show that focal loss can be expressed as a composition of two components: a proper loss that is minimised by the true class probabilities and a fixed calibration map that closely resembles temperature scaling. This decomposition clarifies why focal loss often exhibits strong calibration in practice, as it couples a proper scoring rule with an embedded calibration transformation applied during training. We extend this decomposition to a broad class of separable losses and provide explicit formulas for the associated proper components and calibration maps. These results enable the design of new losses that inherit desirable calibration and discrimination properties, and several of the newly derived losses, paired with their induced calibration maps, achieve accuracy and calibration performance competitive with or better than standard baselines.
The third study addresses the gap between upstream metrics, which summarise general model behaviour, and downstream utilities, which quantify the domain-specific value of decisions informed by model predictions. Downstream utilities may depend on context-dependent factors unavailable during training and may be costly to evaluate, sometimes requiring simulation or physical experimentation. When downstream utility cannot be computed at scale, selecting models becomes challenging. To mitigate this issue, we propose learning a data-driven proxy that maps upstream metrics to downstream utilities using a small neural network trained on a validation set. We analyse conditions under which such mappings preserve properness and demonstrate feasibility on multiple proof-of-concept tasks, including a simple inventory optimisation problem. This approach enables model selection aligned with application-level performance even when direct evaluation of downstream utility is impractical.
Taken together, the contributions of this thesis highlight the importance of aligning the training loss with the evaluation metric of interest. The results offer theoretical and practical insights, along with methodological guidelines, that deepen our understanding of how loss design influences predictive behaviour and provide tools to improve performance under domain-specific metrics.https://www.ester.ee/record=b602371
Music Theatre from the Composer’s Perspective: Helena Tulve and Tatjana Kozlova-Johannes. Prelude and Interview
Get PDFEesti Vabariik, KultuuriministeeriumRepublic of Estonia, Ministry of Cultur
Sügavad närvivõrgud mikroskoopia piltide jaoks
Get PDFEdusammud tehisintellekti vallas on suurendanud arvutite võimalusi. Doktoritöös uuritakse, kuidas rakendada tehisintellekti mikroskoobi kaudu vaadeldud rakkude piltidele. Töö põhineb kolmel teadusartiklil. Esimeses artiklis käsitletakse, kuidas tuvastada rakke mikroskoopiapiltidel, mis on saadud valge valgusega valgustades. Sellist valgustust nimetatakse heledate väljadega mikroskoopiaks ning see on lihtne ja odav, kuid saadud piltidel on raske rakke näha. Autorid leidsid, kuidas kasutada tehisintellekti, et näha rakke nendel piltidel, ja annavad praktilisi nõuandeid, et ka teised inimesed saaksid seda teha. Teises artiklis arendatakse tehisintellekti meetodit spermaks muunduvate rakkude tuvastamiseks. Rakk on keerulises protsessis spermaks muutumisel läbib palju muutusi, tehisintellekt suudab öelda, millises seisus see protsess on. Viljatus mõjutab 10-15% paaridest ja loodetavasti aitab tehisintellekti piltide analüüs välja selgitada paari mõjutavat probleemi. Kolmandas artiklis kirjeldatakse uut algoritmi nimega Kaizen, mis kasutab tehisintellekti rakkude tuvastamiseks mitmekesistel mikroskoopiakujutistel. Rakkude tuvastamise asemel genereerib Kaizen mikroskoopiapildist üksikute rakkude pilte. Üksikute rakkude pildid liidetakse liitpildiks. Seda liitpilti võrreldakse seejärel mikroskoopiakujutisega, mis võimaldab tuvastada vigu ja mittesooritavaid objekte. Need kolm artiklit näitavad, kuidas tehisintellekt võib parandada mikroskoopiakujutiste analüüsi.
Loodetavasti on tehisintellekt lähiaastatel esirinnas läbimurdeid rakustruktuuride ja haigusmehhanismide mõistmisel, et parandada inimeste olukorda.Progress in artificial intelligence has increased the range of things a computer can do. The thesis explores how to apply artificial intelligence to images of cells seen through a microscope. The thesis includes three different scientific articles. The first article discusses how to detect cells in microscopy images obtained by illuminating with white light. This illumination is known as Brightfield microscopy and is simple and cheap, but it is difficult to see cells in the images obtained. The authors found how to use artificial intelligence to see the cells in these images and provide practical advice, helping other people do it too. The second article develops an artificial intelligence method to detect the cells that transform into sperm. A cell has a complicated process of becoming sperm undergoing a lot of changes, the artificial intelligence can tell in which state of the process it is. Infertility affects 10-15% of couples and hopefully, artificial intelligence analysis of images can help to find out the problem affecting the couple. The third article describes a new algorithm called Kaizen, which uses artificial intelligence to detect cells in varied microscopy images. Instead of detecting cells, Kaizen generates images of individual cells from a microscopy image. The individual cell images are merged into a composite image. This composite image is then compared to the microscopy image allowing detection of errors and non-predicted objects. These three articles show how artificial intelligence can improve the analysis of microscopy images. Hopefully, in the coming years, artificial intelligence will spearhead breakthroughs in understanding cellular structures and disease mechanisms, to improve the human condition.https://www.ester.ee/record=b602419
Narratives of display : presenting African artefacts in Central European ethnography museums
Get PDFThis thesis investigates the display and interpretation of African artefacts in ethnographic museums in Central Europe, specifically Austria, Hungary, and Slovenia. It questions museum neutrality and examines how the presentation of these objects affects public perceptions of African heritage. By analysing museography strategies, the research highlights how design and textual choices shape narratives around these artefacts. The study focuses on how African artefacts are contextualised within national histories, especially since these countries lack a direct colonial past. This research contributes to museum education by addressing the representation of marginalised groups and the social-political implications of permanent exhibitions.https://www.ester.ee/record=b6019642*es
Fotoergastatud protsessid ioonvedelike aurudes
Get PDFDoktoritöö elektrooniline versioon ei sisalda publikatsiooneIoonsed vedelikud (IL-id) on üldiselt määratletud kui sulanud orgaanilised soolad, mille sulamistemperatuur on alla 100 °C. IL-id koosnevad orgaanilistest katioonidest, mis on seotud kas orgaaniliste või anorgaaniliste anioonidega. Käesolev väitekiri uurib valitud ioonvedelike elektronstruktuuri aurufaasis, keskendudes sellele, kuidas erinevad aniooni–katiooni kombinatsioonid mõjutavad nende elektronstruktuuri. Ioonvedelikud aurustati kõrgvaakumis kasutades efusioonirakku. Ultraviolett-fotoelektronspektroskoopia (UPS) ja lennuaeg-massispektromeetria (TOF-MS) mõõtmised viidi läbi MAX IV labori uuel FinEstBeAMS kiirekanalil, mille rajamisse ja optimeerimisse panustas ka autor.
Ioonvedelike uurimise käigus mõõdeti ja avaldati esmakordselt rohkem kui kümne ioonvedeliku – [EMIM][OTf], [PYR₁₄][OTf], [EMIM][DCA], [PYR₁₄][DCA], [PYR₁₄][TCM], [PYR₁₄][FSI], [PYR14][PF₆], [S₂₂₂][TFSI], [P₄₄₄₁][TFSI] ja [EMMIM][TFSI] UPS-i ning mõnel juhul ka TOF-MS-i spektrid. TOF-MS uurimus [EMMIM][TFSI], [EMIM][OTf] ja [EMIM][DCA] fragmenteerumisest näitas hüdrogeenitud ja dehüdrogeenitud fragmentide esinemist. [EMIM][DCA] elektronstruktuuri uuriti põhjalikult. Näidati, et [EMMIM][TFSI] ja [EMIM][OTf] fragmenteerumismustrid on sarnased.Ionic Liquids (ILs) are generally defined as molten organic salts with a melting point below 100 °C. ILs are composed of organic cations paired with either organic or inorganic anions. This thesis examines the electronic structure of selected ionic liquids in the vapor phase, with a focus on how different anion–cation combinations affect their electronic structure. The ILs were vaporized in a high-vacuum environment using an effusion cell. Ultraviolet photoelectron spectroscopy (UPS) and time-of-flight mass spectrometry (TOF-MS) measurements were performed at the new FinEstBeAMS beamline at the MAX IV Laboratory, where the author contributed to the construction and optimization.
During the studies of ILs, the first UPS and in some cases TOF-MS spectra of the vapors of more than 10 ionic liquids: [EMIM][OTf], [PYR₁₄][OTf], [EMIM][DCA], [PYR₁₄][DCA], [PYR₁₄][TCM], [PYR₁₄][FSI], [PYR14][PF₆], [S₂₂₂][TFSI], [P₄₄₄₁][TFSI] and [EMMIM][TFSI] were obtained and published. The TOF-MS study on the fragmentation of [EMMIM][TFSI], [EMIM][OTf] and [EMIM][DCA] revealed the presence of interesting hydrogenated and dehydrogenated fragments. The electronic structure of [EMIM][DCA] was thoroughly investigated. It was shown that [EMMIM][TFSI] and [EMIM][OTf] have similarities in the fragmentation pattern.https://www.ester.ee/record=b602243
Teadliku nõusoleku eetika avatud teaduses: autonoomiast õigluseni
Get PDFDoktoritöö elektrooniline versioon ei sisalda publikatsiooneAvatud teaduses ei jää uurimisandmed ainult ühe teadusprojekti kasutusse, vaid neid saab talletada ja kasutada ka tulevastes uurimustes. See erineb varasemast praktikast, kus andmeid koguti ainult ühe selgelt piiritletud projekti jaoks ja hävitati pärast kindlaksmääratud aega. Avatus toob kaasa palju võimalusi, kuid ka väljakutseid – eriti siis, kui räägitakse uuringus osalejate antud nõusolekust.
Traditsiooniliselt on peetud enesestmõistetavaks, et osalejad saavad teha oma otsuse teadlikult: neile esitatakse kõik oluline uuringu kohta ja alles seejärel otsustavad nad, kas soovivad osaleda. Avatud teaduse puhul ei ole see aga võimalik, sest keegi ei saa ennustada, milleks kogutud andmeid tulevikus kasutatakse.
Väitekiri küsib, kas nõusolek võib olla moraalselt tähendusrikas ka sellises olukorras. Uurimistöö vastus on jaatav – kui nõusolekuprotsess on õiglane. See tähendab, et uurija ei pea suutma kirjeldada kõiki võimalikke tulevasi kasutusviise, et saada oma uuringule õigustus. Piisab, kui ta selgitab avatult ja arusaadavalt, mida osalemine avatud teaduse kontekstis tegelikult tähendab. Praktikas tähendab see, et uurijad teavitavad osalejaid sellest, kuidas andmekaitseseadus andmete kasutamist suunab, ja et osalejate võimalused otsustada oma andmete kasutamise üle on väga piiratud.
Selleks et uurida praeguseid praktikaid osalejate teavitamise osas, keskendub see töö biopangauuringutele, kus inimeste andmeid ja proove talletatakse tulevaste uuringute jaoks. Biopankade nõusolekuvormide üksikasjalikum analüüs näitab, et kuigi need dokumendid vastavad seaduse ja uurimiseetika formaalsetele nõuetele, annavad need osalejatele sageli liiga optimistliku mulje nende võimalustest mõjutada oma isikuandmete kasutamist.
Lõpuks rõhutab väitekiri, et nõusolek ei ole vaid allkirjastatud paber, vaid moraalne praktika, mis kujuneb uurijate ja osalejate vahelises suhtes. Nõusolek võib õigustada uuringut ka avatud teaduse tingimustes, kui uurijad kohtlevad osalejaid ausalt ja teevad osalemise tagajärjed mõistetavaks – isegi kui kogu tulevikku ei ole võimalik ette teada.In open science, research data are not confined to a single project but can be stored and reused in future studies. This differs from earlier practice, where data were collected solely for one precisely defined project and destroyed after a set period. Openness brings many opportunities, but also challenges – especially when it comes to informed consent.
Traditionally, it has been assumed that participants can make an informed decision: they are provided a set of key facts about the study based on which they decide whether to take part. In open science, however, this is not possible, since no one can predict all the ways in which the data collected might be used in the future.
This dissertation asks whether consent can still have moral significance under such conditions. The answer is yes – provided the process of obtaining consent is fair. This means that the researcher does not need to be able to explain every possible future use of the data in order to justify the research. It is sufficient that they explain openly and in a comprehensible manner what participation actually entails in the context of open science. In practice, this means informing participants about how data protection legislation governs the use of materials, and that their ability to control the use of their personal data is very limited.
To examine current practices of informing research participants, this study steers focus to biobank research, where personal data and samples are collected and stored for future use. An analysis of biobank consent documents shows that although biobank consent forms largely meet legal and ethical requirements, they tend to give participants an inflated sense of control over the data collected for research.
In conclusion, the dissertation emphasises that consent is not merely a signed document but a moral practice rooted in the relationship between researchers and participants. Consent can legitimise research even in the context of open science, as long as researchers treat participants honestly and make the consequences of participation comprehensible – even if not all future uses can be foreseen.
https://www.ester.ee/record=b597275
Erik Alalooga. Meisterdamise süsteemse meetodi väljatöötamine objektiteatrile. Tallinn: Eesti Muusika- ja Teatriakadeemia kirjastus, 2024
Get PDFEesti Vabariik, KultuuriministeeriumRepublic of Estonia, Ministry of Cultur