Nederland zet koers richting een open vorm van wetenschapsbeoefening, getuige onder andere de lancering van het Nationaal Plan Open Science (NPOS) afgelopen februari en het nieuwe regeerakkoord dat stelt dat open access en open science de norm worden in wetenschappelijk onderzoek. Open science heeft als doel om wetenschappelijke kennis op transparante wijze en voor een breed publiek te publiceren. Dat vergt een herijking van onderzoek doen, samenwerking tussen onderzoekers en de wijze waarop kennis wordt gedeeld en de wetenschap wordt georganiseerd. Informatieprofessionals kunnen hierbij een rol van betekenis spelen, zoals blijkt uit cases van de Universiteit Utrecht, Hogeschool van Arnhem en Nijmegen en KNMI. Maar eerst een korte toelichting op open science en het NPOS. http://www.informatieprofessional.nl
This chapter explores the legal and moral implications of the use of data science in criminal justice at two levels: police surveillance and the criminal trial of a defendant. At the first level, police surveillance, data science is used to identify places and people at high risk of criminal activity, allowing police officers to target surveillance and take proactive measures to try to prevent crime (predictive policing). At the second level, the criminal trial of a defendant, data science is used to make risk assessments to support decisions about bail, sentencing, probation, and supervision and detention orders for high-risk offenders. The use of data science at these levels has one thing in common: it is about predicting risk. The uncertainty associated with risk prediction raises specific related legal and ethical dilemmas, for example in the areas of reasonable suspicion, presumption of innocence, privacy, and the principle of non-discrimination.
This video offers a concise exploration of the distinctions between Data Science, AI, Machine Learning, and Deep Learning. Starting with the foundational role of Data Science, it navigates through the various machine learning categories and touches upon the capabilities and constraints of Deep Learning. The discussion culminates in understanding the nuances of AI, differentiating between narrow and general AI. Through insightful examples, viewers are guided on selecting the right technique for specific projects, ensuring both clarity and cost-effectiveness in the realm of data science.
VIDEO
MUSE supports the CIVITAS Community to increase its impact on urban mobility policy making and advance it to a higher level of knowledge, exchange, and sustainability.As the current Coordination and Support Action for the CIVITAS Initiative, MUSE primarily engages in support activities to boost the impact of CIVITAS Community activities on sustainable urban mobility policy. Its main objectives are to:- Act as a destination for knowledge developed by the CIVITAS Community over the past twenty years.- Expand and strengthen relationships between cities and stakeholders at all levels.- Support the enrichment of the wider urban mobility community by providing learning opportunities.Through these goals, the CIVITAS Initiative strives to support the mobility and transport goals of the European Commission, and in turn those in the European Green Deal.Breda University of Applied Sciences is the task leader of Task 7.3: Exploitation of the Mobility Educational Network and Task 7.4: Mobility Powered by Youth Facilitation.
Patiëntdata uit vragenlijsten, fysieke testen en ‘wearables’ hebben veel potentie om fysiotherapie-behandelingen te personaliseren (zogeheten ‘datagedragen’ zorg) en gedeelde besluitvorming tussen fysiotherapeut en patiënt te faciliteren. Hiermee kan fysiotherapie mogelijk doelmatiger en effectiever worden. Veel fysiotherapeuten en hun patiënten zien echter nauwelijks meerwaarde in het verzamelen van patiëntdata, maar vooral toegenomen administratieve last. In de bestaande landelijke databases krijgen fysiotherapeuten en hun patiënten de door hen zelf verzamelde patiëntdata via een online dashboard weliswaar teruggekoppeld, maar op een weinig betekenisvolle manier doordat het dashboard primair gericht is op wensen van externe partijen (zoals zorgverzekeraars). Door gebruik te maken van technologische innovaties zoals gepersonaliseerde datavisualisaties op basis van geavanceerde data science analyses kunnen patiëntdata betekenisvoller teruggekoppeld en ingezet worden. Wij zetten technologie dus in om ‘datagedragen’, gepersonaliseerde zorg, in dit geval binnen de fysiotherapie, een stap dichterbij te brengen. De kennis opgedaan in de project is tevens relevant voor andere zorgberoepen. In dit KIEM-project worden eerst wensen van eindgebruikers, bestaande succesvolle datavisualisaties en de hiervoor vereiste data science analyses geïnventariseerd (werkpakket 1: inventarisatie). Op basis hiervan worden meerdere prototypes van inzichtelijke datavisualisaties ontwikkeld (bijvoorbeeld visualisatie van patiëntscores in vergelijking met (beoogde) normscores, of van voorspelling van verwacht herstel op basis van data van vergelijkbare eerdere patiënten). Middels focusgroepinterviews met fysiotherapeuten en patiënten worden hieruit de meest kansrijke (maximaal 5) prototypes geselecteerd. Voor deze geselecteerde prototypes worden vervolgens de vereiste data-analyses ontwikkeld die de datavisualisaties op de dashboards van de landelijke databases mogelijk maken (werkpakket 2: prototypes en data-analyses). In kleine pilots worden deze datavisualisaties door eindgebruikers toegepast in de praktijk om te bepalen of ze daadwerkelijk aan hun wensen voldoen (werkpakket 3: pilots). Uit dit 1-jarige project kan een groot vervolgonderzoek ‘ontkiemen’ naar het effect van betekenisvolle datavisualisaties op de uitkomsten van zorg.
De 2SHIFT SPRONG-groep is een samenwerkingsverband van HAN University of Applied Sciences en Fontys Hogescholen. Onze ambitie is het vergroten van eerlijke kansen op gezond leven. Dit doen we door het vormgeven en versterken van gemeenschappen als fundament voor het creëren van eerlijke kansen op gezond leven. Vanuit deze gemeenschappen wordt in co-creatie gewerkt aan structuur (i.e. systeem), sociale en technologische innovaties. Deze ambitie sluit aan bij de centrale missie KIA Gezondheid en Zorg om bij te dragen aan goede gezondheid en het verkleinen van sociaaleconomische gezondheidsverschillen. Ook draagt het bij aan deelmissie 1. het voorkomen van ziekte, waarbij wij uitgaan van het concept Positieve Gezondheid en Leefomgeving. Én het zorgt voor het verplaatsen van ondersteuning en zorg naar de leefomgeving (deelmissie 2), doordat gemeenschappen hiervoor een stevig fundament vormen. De gemeenschap is geoperationaliseerd als een samenwerking tussen inwonersinitiatieven (i.e. informele actoren) én professionals vanuit wonen, welzijn, zorg en gemeenten (i.e. formele actoren) die bestuurlijk en beleidsmatig worden ondersteund. Toenemend wordt een belangrijke rol en meer verantwoordelijkheid toebedeeld aan inwoners en wordt de noodzaak van sectoroverstijgende, inclusieve samenwerking tussen deze actoren in lokale fieldlabs benadrukt. 2SHIFT start daarom in vier fieldlabs: twee dorpen en twee wijken in (midden-)stedelijke gebieden, waar in vergelijking met groot-stedelijk gebied (zoals Amsterdam, Rotterdam, Den Haag en Utrecht) andere dynamieken en mechanismen een rol spelen bij het creëren van eerlijke kansen op een gezond leven. Om impact in onderwijs en praktijk te realiseren werken we nauw samen met studenten, docenten én met inwoners, professionals, bestuurders en beleidsmakers uit wonen, welzijn, zorg en gemeenten én landelijke kennispartners (“quadruple helix”). 2SHIFT brengt transdisciplinaire expertise én verschillende onderzoeksparadigma’s samen in een Learning Community (LC), waarin bestaande kennis en nieuwe kennis wordt samengebracht en ontwikkeld. Over 8 jaar is 2SHIFT een (inter)nationaal erkende onderzoeksgroep die het verschil maakt.
