Hetta gera vit

Tökni hevur ment eina røð av lærisimuleringum við tí fyri eygað at fáa tey lærandi at skilja dynamiskar skipanir í einum langskygdum høpi, har ímillum:

  • OilSim, lærisimulering til at skilja oljuleiting, -útbygging og -framleiðslu – selt til Schlumberger í 2014
  • SeafoodSim, lærisimulering til at skilja vistskipanargrundaða fiskivinnuumsiting – verður ment í løtuni (2016) sum partur av Mareframe verkætlanini, ið er partur av sjeyndu rammuskránni hjá ES.
  • EmissionSim, lærisimulering til at skilja orkuskipanir – verður ment í løtuni (2017) sum partur av REEEM verkætlanini, ið er partur av Horizon 2020 rammuskránni hjá ES.

Lærisimuleringarnar verða brúktar á verkstovum, innan ymisku fakøkini og hava hesi eyðkenni:

  • Learning by doing: royn teg fyrst og uppliv kontekstin, áðrenn evnið verður perspektiverað og ástøðin greinað
  • Samstarva: tú samstarvar við onnur og lærir frá øðrum, við tí endamáli at finna bestu loysnirnar
  • Stigvís greining: loys løttu avbjóðingarnar fyrst, áðrenn farið verður til meira torskildar avbjóðingar
  • Dátugrundað: granska kanningar, hagtøl og aðrar dátukeldur, áðrenn avgerðir verða tiknar (ella ikki tiknar)
  • Eingin strategi er best: hvør simulering er serstøk og lykilin er at skilja dynamikkin millum aktørar, gerðir og nær hvørjar avgerðir verða tiknar
  • Tíðargrundaðar afturmeldingar: tú tekur avgerðir, sær avleiðingarnar og hvussu umstøðurnar broytast og tillagar tínar avgerðir sum tíðin gongur
  • Webgrundað: Vanligur internetkagi er einasta krav fyri at luttaka

Tökni hevur í seinastuni ment nøkur netamboð til avgerðarstuðul og hevur samantvinnað hesi við lærisimuleringarnar. Talan er um amboð til at brúka “multi-criteria analysis” og “Bayesian Belief Networks” í avgerðartilgongdum, og samansjóðingin við lærisimuleringarnar er ætlað at betra um førleikarnar hjá fólki at brúka hesi amboð tá avgerðir skulu takast eitt nú í fiskivinnuumsiting.