poster voor de EuSoMII Annual Meeting in Pisa, Italië in oktober 2023. PURPOSE & LEARNING OBJECTIVE Artificial Intelligence (AI) technologies are gaining popularity for their ability to autonomously perform tasks and mimic human reasoning [1, 2]. Especially within the medical industry, the implementation of AI solutions has seen an increasing pace [3]. However, the field of radiology is not yet transformed with the promised value of AI, as knowledge on the effective use and implementation of AI is falling behind due to a number of causes: 1) Reactive/passive modes of learning are dominant 2) Existing developments are fragmented 3) Lack of expertise and differing perspectives 4) Lack of effective learning space Learning communities can help overcome these problems and address the complexities that come with human-technology configurations [4]. As the impact of a technology is dependent on its social management and implementation processes [5], our research question then becomes: How do we design, configure, and manage a Learning Community to maximize the impact of AI solutions in medicine?
DOCUMENT
Moral food lab: Transforming the food system with crowd-sourced ethics
LINK
The increasing use of AI in industry and society not only expects but demands that we build human-centred competencies into our AI education programmes. The computing education community needs to adapt, and while the adoption of standalone ethics modules into AI programmes or the inclusion of ethical content into traditional applied AI modules is progressing, it is not enough. To foster student competencies to create AI innovations that respect and support the protection of individual rights and society, a novel ground-up approach is needed. This panel presents on one such approach, the development of a Human-Centred AI Masters (HCAIM) as well as the insights and lessons learned from the process. In particular, we discuss the design decisions that have led to the multi-institutional master’s programme. Moreover, this panel allows for discussion on pedagogical and methodological approaches, content knowledge areas and the delivery of such a novel programme, along with challenges faced, to inform and learn from other educators that are considering developing such programmes.
DOCUMENT
Hoofdstuk 2 uit Position paper Learning Communities van Netwerk learning Communities Grote maatschappelijke uitdagingen op het gebied van vergrijzing, duurzaamheid, digitalisering, segregatie en onderwijskwaliteit vragen om nieuwe manieren van werken, leren en innoveren. In toenemende mate wordt daarom ingezet op het bundelen van kennis en expertise van zowel publieke als private organisaties, die elkaar nodig hebben om te innoveren en complexe vraagstukken aan te pakken. Het concept ‘learning communities’ wordt gezien als dé oplossing om leren, werken en innoveren anders met elkaar te verbinden: collaboratief, co-creërend en contextrijk. Vanuit het Netwerk Learning Communities is een groep onafhankelijk onderzoekers van een groot aantal Nederlandse kennisinstellingen aan de slag gegaan met een kennissynthese rondom het concept ‘Learning Community’. Het Position paper is een eerste aanzet tot kennisbundeling. Een ‘levend document’ dat in de komende tijd verder aangevuld en verrijkt kan worden door onderzoekers, praktijkprofessionals en beleidsmakers.
DOCUMENT
Hoe kan in ons land innoveren, werken en leren beter worden verknoopt ten dienste van de grote maatschappelijke opgaven waar we voor staan? NWO, Regieorgaan SIA en Topsectoren hebben het initiatief genomen om meer (praktijkgericht) onderzoek te doen naar zogenoemde Learning communities en de kennis hierover beter te delen. De belangstelling voor Learning communities is enorm gegroeid en nu vaak al een vanzelfsprekend onderdeel van (regionaal-) economisch beleid. De nieuwe samenwerkingsverbanden hebben naar verwachting grote gevolgen voor de toekomst van individuele bedrijven, onderwijs- en kennisinstellingen alsook hun collectieve maatschappelijke impact. De grote maatschappelijke uitdagingen als de energie- en zorgtransitie vragen meer kennis, (menselijk) kapitaal en innovaties. Dit staat centraal in het Missiegedreven Topsectoren- en Innovatiebeleid (MTIB). Vraag daarbij is hoe medewerkers zich (toekomstbehendig) kunnen blijven ontwikkelen en wat de bijdrage van Learning communities kan zijn. Het ‘dichter tegen elkaar gaan organiseren van innoveren, werken en leren’ gebeurt in varianten als: Fieldlabs, Skills labs, Praktijkwerkplaatsen, Living labs, Centres of Expertise (CoE) en Centra voor Innovatief Vakmanschap (CIV). Over de grenzen van de afzonderlijke organisaties, domeinen en professies ontstaan nieuwe leer werkgemeenschappen met alle vragen en effecten vandien. Hoe kunnen we die meerpartijen samenwerkingen beter bouwen, beoordelen, betalen en borgen? Het NWO-onderzoeksprogramma Learning communities omvat onderzoeksprojecten in diverse werkcontexten (logistiek, energie, ICT e.a.). Gemeenschappelijke vraag in het programma: wat zijn de werkzame elementen van zo’n Learning community? Naast kennisontwikkeling door het onderzoeksprogramma wordt ook netwerkvorming gestimuleerd tussen onderzoekers en beleidsen praktijkprofessionals. De overtuiging is dat het potentieel in de driehoek innoveren-werken-leren beter kan worden benut. Voor de versterking van de kennisbasis onder het concept Learning communities hebben wij een inventarisatie gedaan naar benaderingen en zienswijzen. Learning communities worden door ons gepresenteerd als samenwerkingsverbanden tussen organisaties en andere (niet of minder georganiseerde) partijen, die het collectief vermogen vergroten van leren, werken en innoveren. Dit vermogen heeft zowel betrekking op het vermogen van de (beroeps)bevolking om zich aan te passen aan veranderende ONDERZOEKSPROGRAMMA EN NETWERK LEARNING COMMUNITIES 4 beroepen en werkpraktijken als het innovatie- en verdienvermogen van organisaties en bedrijven. We verkennen perspectieven op de inrichting, opbrengsten en de relationele dynamiek in Learning communities. We benadrukken dat Learning communities bestaan uit verschillende actoren, partijen en groeperingen – ook wel praktijken genoemd – en dat juist op de grens tussen deze praktijken geleerd wordt. Een Learning community ontwikkelt zich gaandeweg op verschillende systeemniveaus van samenwerking. We gaan in op het belang van een constructief klimaat van samenwerking waarvoor vaak (proces) begeleiding nodig is. Op basis van de verschijningen, uitkomsten en dynamiek hebben we een aantal kernprincipes gedefinieerd. Wat betreft verduurzaming van de communities pleiten wij voor een andere manier van denken. In plaats van een focus op de bestendiging van een tijdelijke (organisatie)structuur, gaat het dan over het verduurzamen van het proces van samenwerkend leren, werken en innoveren dat in gang is gezet. Ook waardevolle activiteiten en interacties die hun doorwerking of spin-off hebben buiten de Learning community zorgen voor bestendiging en verduurzaming van het samenwerkend leren. De verkenning van de kennisbasis voor de Learning communities heeft ook nieuwe onderzoeksvragen opgeleverd voor academisch en praktijkgericht onderzoek. Naast de verkenning van de kennisbasis heeft een expertgroep Instrumenten gewerkt aan een inventarisatie waarmee de concepten uit de kennisbasis op een praktische wijze kunnen worden vertaald in instrumenten om Learning communities (door) te ontwikkelen. De tips en selectie van instrumenten en aanbevelingen zijn samengebracht rond de verschillende ontwikkelingsfasen van Learning communities te weten starten, ontwerpen, uitvoeren en verduurzamen. Er zijn heel veel instrumenten die ‘facilitators’ van Learning communities en anderen kunnen gebruiken bij het opzetten en begeleiden ervan. Actuele vraag is dus in hoeverre en op welke wijze een digitaal platform het aanbod van - en de vraag naar - dergelijke instrumenten beter bij elkaar kan brengen. Er is daarom een verkenning gedaan naar (het ontwerp van) een digitaal platform vanuit zowel de vraagkant maar ook de aanbodkant van instrumenten (de onderzoekers en ontwikkelaars van instrumenten). Hoe het concept Learning communities verder ‘carrière zal maken’ hangt in belangrijke mate af van de vraag of deze veranderingen in het ‘landschap van leren en innoveren’ beter kunnen worden geborgd dan tot dusver middels projecten (en tijdelijke projectfinanciering). De onderlinge afhankelijkheid tussen bedrijven, kennis- en onderwijsinstellingen wordt hoe dan ook steeds groter en daarmee de noodzaak om samenwerking op een nieuwe en meer duurzame manier te organiseren. De Learning communities-benadering komt ook terug in verschillende recente Groeifondsprojecten en regionaal-economische innovatiestrategieën, wat als een bewijs kan worden gezien van de hoge verwachtingen van de benadering. Met onze ervaringen en inzichten doen wij tenslotte enkele suggesties voor de agendering van het thema in het nieuwe Kennis- en Innovatieconvenant (2024-2027). Wij benadrukken daarbij dat de bestaande Learning communities tot nu vooral (tijdelijke) ‘hulpstructuren’ zijn gebleken die niet hebben geleid tot fundamentele aanpassing van de primaire processen van de ONDERZOEKSPROGRAMMA EN NETWERK LEARNING COMMUNITIES 5 betrokken onderwijsinstellingen, organisaties en bedrijven. Wij verwachten dat in de toekomst de vernetwerking in (regionale) innovatie-ecosystemen meer radicale consequenties gaan hebben voor die ‘staande organisaties’ en de wijze waarop werkend leren wordt georganiseerd, gefinancierd en beoordeeld. Om ons hierop beter voor te bereiden doen wij een aantal aanbevelingen ten behoeve van een nieuwe onderzoeksagenda, professionaliseringsagenda en transitieagenda die verder richting en invulling kunnen geven aan deze maatschappelijke beweging. Een beweging waaromheen de verwachtingen hooggespannen zijn en waaraan wij gezamenlijk middels deze publicatie met plezier een bijdrage hebben geleverd.
DOCUMENT
This white paper is the result of a research project by Hogeschool Utrecht, Floryn, Researchable, and De Volksbank in the period November 2021-November 2022. The research project was a KIEM project1 granted by the Taskforce for Applied Research SIA. The goal of the research project was to identify the aspects that play a role in the implementation of the explainability of artificial intelligence (AI) systems in the Dutch financial sector. In this white paper, we present a checklist of the aspects that we derived from this research. The checklist contains checkpoints and related questions that need consideration to make explainability-related choices in different stages of the AI lifecycle. The goal of the checklist is to give designers and developers of AI systems a tool to ensure the AI system will give proper and meaningful explanations to each stakeholder.
MULTIFILE
An extensive inventory of 137 Dutch SMEs regarding the most important considerations regarding the use of emerging digital technologies shows that the selection process is difficult. En trepreneurs wonder which AI application suits them best and what the added (innovative) value is and how they can implement it. This outcome is a clear signal from SMEs to researchers in knowledge institutions and to developers of AI services and applications: Help! Which AI should I choose? With a consortium of students, researchers, and SMEs, we are creating an approach that will help SMEs make the most suitable AI choice. The project develops a data-driven advisory tool that helps SMEs choose, develop, implement and use AI applications focusing on four highly ranked topics.
LINK
Design schools in digital media and interaction design face the challenge of integrating recent artificial intelligence (AI) advancements into their curriculum. To address this, curricula must teach students to design both "with" and "for" AI. This paper addresses how designing for AI differs from designing for other novel technologies that have entered interaction design education. Future digital designers must develop new solution repertoires for intelligent systems. The paper discusses preparing students for these challenges, suggesting that design schools must choose between a lightweight and heavyweight approach toward the design of AI. The lightweight approach prioritises designing front-end AI applications, focusing on user interfaces, interactions, and immediate user experience impact. This requires adeptness in designing for evolving mental models and ethical considerations but is disconnected from a deep technological understanding of the inner workings of AI. The heavyweight approach emphasises conceptual AI application design, involving users, altering design processes, and fostering responsible practices. While it requires basic technological understanding, the specific knowledge needed for students remains uncertain. The paper compares these approaches, discussing their complementarity.
DOCUMENT
In het boek komen 40 experts aan het woord, die in duidelijke taal uitleggen wat AI is, en welke vragen, uitdagingen en kansen de technologie met zich meebrengt.
DOCUMENT
This paper introduces and contextualises Climate Futures, an experiment in which AI was repurposed as a ‘co-author’ of climate stories and a co-designer of climate-related images that facilitate reflections on present and future(s) of living with climate change. It converses with histories of writing and computation, including surrealistic ‘algorithmic writing’, recombinatory poems and ‘electronic literature’. At the core lies a reflection about how machine learning’s associative, predictive and regenerative capacities can be employed in playful, critical and contemplative goals. Our goal is not automating writing (as in product-oriented applications of AI). Instead, as poet Charles Hartman argues, ‘the question isn’t exactly whether a poet or a computer writes the poem, but what kinds of collaboration might be interesting’ (1996, p. 5). STS scholars critique labs as future-making sites and machine learning modelling practices and, for example, describe them also as fictions. Building on these critiques and in line with ‘critical technical practice’ (Agre, 1997), we embed our critique of ‘making the future’ in how we employ machine learning to design a tool for looking ahead and telling stories on life with climate change. This has involved engaging with climate narratives and machine learning from the critical and practical perspectives of artistic research. We trained machine learning algorithms (i.e. GPT-2 and AttnGAN) using climate fiction novels (as a dataset of cultural imaginaries of the future). We prompted them to produce new climate fiction stories and images, which we edited to create a tarot-like deck and a story-book, thus also playfully engaging with machine learning’s predictive associations. The tarot deck is designed to facilitate conversations about climate change. How to imagine the future beyond scenarios of resilience and the dystopian? How to aid our transition into different ways of caring for the planet and each other?
DOCUMENT
