In Social Work research there is a strong debate on the distinctiveness and methodological quality, and how to address the dilemma of rigour and practice relevance. Given the nature of Social Work the field has developed a characteristic research culture that puts emphasis on giving voice to service users and disseminating research knowledge in practice, especially in a stream of so called practice-based research. However, there is no consensus on how to best contribute to the practice of Social Work through research and at the same time producing rigourous scientific outcomes, resulting in methodological pluralism. Studying the perceptions of Social Work researchers on their role, the aims and values of Social Work research and their research approach, provides insight into the methodological pluralism of Social Work research. Thirty-four professors specialising in practice-based Social Work research participated in a Q methodology study. Q methodology combines qualitative and quantitative methods. It helped reveal and describe divergent views as well as consensus. The analysis led to the identification of three differing viewpoints on Social Work research, which have been given the following denominators: The Substantiator, The Change Agent and The Enlightener. The viewpoints provide researchers in the field of Social Work with a framework in which they can position themselves in the methodological pluralism. Researchers state that the viewpoints are helpful in clarifying perspectives on good research, facilitate the discourse on methodological choices to further develop and strengthen Social Work research as a scientific discipline
DOCUMENT
Het is common knowledge dat feitelijke onveiligheid en onveiligheidsbeleving niet zonder meer hetzelfde zijn. In de beleving van onveiligheid spelen allerlei factoren een rol die verder gaan dan de concrete problemen van criminaliteit, overlast en antisociaal gedrag. Dat maakt het een lastig te duiden fenomeen, voor de wetenschap, maar ook voor de politiek. En dat terwijl onveiligheidsbeleving een grote rol speelt in het maatschappelijk debat. Politici zijn doodsbenauwd onvoldoende gehoor te geven aan de roep om veiligheid. Ook in overheidsbeleid is men meer gaan koersen op de maatschappelijke onveiligheidsbeleving (Van den Herrewegen 2011). Het valt echter te betwijfelen of men deze gemakkelijk kan beïnvloeden (Terpstra en van der Vijver 2005). De culturele dimensies van onveiligheid, zoals”angsten, wantrouwen, emoties, behoefte aan vertrouwen en bescherming” (Terpstra 2009, p. 123) verander je niet zo snel. Onveiligheidsbeleving lijkt met andere woorden een referentiepunt zonder vaste coördinaten, en dat maakt het koersen erop tot een hachelijke zaak. In het wetenschappelijk onderzoek zijn tal van factoren in kaart gebracht die een rol spelen in de beleving van onveiligheid, zoals eerdere slachtofferervaringen, omgevingsfactoren en persoonlijkheidstrekken (bijvoorbeeld Hale 1996). Er is echter kritiek op deze voornamelijk kwantitatieve onderzoekstraditie omdat zich deze “hult in conceptuele onduidelijkheid en uitblinkt in ad-hoc operationaliseringen” (Pleysier 2010, p. 33). Het multi-dimensionale karakter van onveiligheidsbeleving maakt operationalisatie tot een complexe aangelegenheid. Ondanks de grote wetenschappelijke aandacht,“surprisingly little can be said conclusively about the fear of crime”(Ditton en Farrall 2000, p. xxi). Men zou vooral repeterend in plaats van cumulatief te werk zijn gegaan, waardoor veel lacunes in de wetenschap zijn achtergebleven (Pleysier 2010).
DOCUMENT
De rol van het personeel in penitentiaire inrichtingen (PI) is de laatste decennia drastisch gewijzigd. Waar voorheen het waarborgen van veiligheid voorop stond, is er gaandeweg – mede door een veranderende populatie – meer aandacht gekomen voor zorgaspecten in het werk van inrichtingswerkers. Werken met aandacht voor zowel zorg als veiligheid noemen we hybride werken. Om met coaching en scholing goed aan te sluiten op hybride werken is het belangrijk te weten hoe penitentiair inrichtingswerkers (piw’ers en zbiw’ers) denken over hun werk en over de omgang met gedetineerden. In deze rapportage worden de resultaten van dit onderzoek, de opvattingen van piw’ers en zbiw’ers, in kaart gebracht.
DOCUMENT
The maritime transport industry is facing a series of challenges due to the phasing out of fossil fuels and the challenges from decarbonization. The proposal of proper alternatives is not a straightforward process. While the current generation of ship design software offers results, there is a clear missed potential in new software technologies like machine learning and data science. This leads to the question: how can we use modern computational technologies like data analysis and machine learning to enhance the ship design process, considering the tools from the wider industry and the industry’s readiness to embrace new technologies and solutions? The obbjective of this PD project is to bridge the critical gap between the maritime industry's pressing need for innovative solutions for a more agile Ship Design Process; and the current limitations in software tools and methodologies available via the implementation into Ship Design specific software of the new generation of computational technologies available, as big data science and machine learning.
Digitalisering en dataficering zijn belangrijke ontwikkelingen die zich in ons dagelijkse leven voltrekken. Bedrijven worden steeds afhankelijker van data waarop ze hun bedrijfsprocessen en verdienmodellen baseren. Maar in hoeverre is die data volledig en betrouwbaar? Dataketens vormen het digitale fundament voor datagedreven organisaties om optimale bedrijfsprocessen, producten of diensten (servitization) te kunnen realiseren. De praktijk laat echter zien dat nog veel organisaties vaak te snel stappen zetten naar het ontwikkelen en implementeren van op data gebaseerde digitale oplossingen, zonder dat het ‘datafundament’ daarvoor op orde is. Dat leidt tot onbetrouwbare data en suboptimale besluitvorming. Data-engineering en -management in dataketens (DEMAND) realiseert een onderzoeksinfrastructuur die nieuwe oplossingen ontwikkelt voor geïntegreerde en gevalideerde dataketens van overheden en bedrijven. Het consortium heeft de overall ambitie om een toolbox te ontwikkelen met nieuwe toepasbare digitale technologieën en methodologieën die bijdragen aan optimalisatie van dataketens in private en publieke organisaties. Hierbij staan datagerichte activiteiten in dataketens van organisaties centraal, met inbegrip van data-acquisitie en data-opslag, data-(pre)processing, data-exploratie, data-modeling en data-benutting. Deze zogenaamde Key Enabling Methodologies verbinden mens en maatschappij langs de lat van Technical Readiness Levels en Societal Readiness Levels, zij vegroten het (toekomstig) verdienvermogen van Nederland en dragen bij aan maatschappelijke opgaven. Het DEMAND-programma wordt uitgevoerd door HAN University of Applied Sciences (HAN), Saxion Hogeschool en Fontys Hogeschool en dertien consortiumpartners met bewezen technische en organisatorische kennis van dataketens. DEMAND fungeert als bruggenbouwer tussen enerzijds de onderzoekspraktijk met de onderwijspraktijk en anderzijds de onderzoekspraktijk met het werkveld. Een set van casussen, de learning communities, vormen de basis van de onderzoeksinfrastructuur waarin de SPRONG-groep in co-creatie en interdisciplinair samenwerkt. Het consortium intensiveert de bestaande casussen én ontwikkelt daarnaast nieuwe casussen in data-intensieve omgevingen in het private als ook het publieke domein. Dit leidt tot meervoudige waardecreatie en systemische veranderingen (impact).
In order to stay competitive and respond to the increasing demand for steady and predictable aircraft turnaround times, process optimization has been identified by Maintenance, Repair and Overhaul (MRO) SMEs in the aviation industry as their key element for innovation. Indeed, MRO SMEs have always been looking for options to organize their work as efficient as possible, which often resulted in applying lean business organization solutions. However, their aircraft maintenance processes stay characterized by unpredictable process times and material requirements. Lean business methodologies are unable to change this fact. This problem is often compensated by large buffers in terms of time, personnel and parts, leading to a relatively expensive and inefficient process. To tackle this problem of unpredictability, MRO SMEs want to explore the possibilities of data mining: the exploration and analysis of large quantities of their own historical maintenance data, with the meaning of discovering useful knowledge from seemingly unrelated data. Ideally, it will help predict failures in the maintenance process and thus better anticipate repair times and material requirements. With this, MRO SMEs face two challenges. First, the data they have available is often fragmented and non-transparent, while standardized data availability is a basic requirement for successful data analysis. Second, it is difficult to find meaningful patterns within these data sets because no operative system for data mining exists in the industry. This RAAK MKB project is initiated by the Aviation Academy of the Amsterdam University of Applied Sciences (Hogeschool van Amsterdan, hereinafter: HvA), in direct cooperation with the industry, to help MRO SMEs improve their maintenance process. Its main aim is to develop new knowledge of - and a method for - data mining. To do so, the current state of data presence within MRO SMEs is explored, mapped, categorized, cleaned and prepared. This will result in readable data sets that have predictive value for key elements of the maintenance process. Secondly, analysis principles are developed to interpret this data. These principles are translated into an easy-to-use data mining (IT)tool, helping MRO SMEs to predict their maintenance requirements in terms of costs and time, allowing them to adapt their maintenance process accordingly. In several case studies these products are tested and further improved. This is a resubmission of an earlier proposal dated October 2015 (3rd round) entitled ‘Data mining for MRO process optimization’ (number 2015-03-23M). We believe the merits of the proposal are substantial, and sufficient to be awarded a grant. The text of this submission is essentially unchanged from the previous proposal. Where text has been added – for clarification – this has been marked in yellow. Almost all of these new text parts are taken from our rebuttal (hoor en wederhoor), submitted in January 2016.
