Despite the promises of learning analytics and the existence of several learning analytics implementation frameworks, the large-scale adoption of learning analytics within higher educational institutions remains low. Extant frameworks either focus on a specific element of learning analytics implementation, for example, policy or privacy, or lack operationalization of the organizational capabilities necessary for successful deployment. Therefore, this literature review addresses the research question “What capabilities for the successful adoption of learning analytics can be identified in existing literature on big data analytics, business analytics, and learning analytics?” Our research is grounded in resource-based view theory and we extend the scope beyond the field of learning analytics and include capability frameworks for the more mature research fields of big data analytics and business analytics. This paper’s contribution is twofold: 1) it provides a literature review on known capabilities for big data analytics, business analytics, and learning analytics and 2) it introduces a capability model to support the implementation and uptake of learning analytics. During our study, we identified and analyzed 15 key studies. By synthesizing the results, we found 34 organizational capabilities important to the adoption of analytical activities within an institution and provide 461 ways to operationalize these capabilities. Five categories of capabilities can be distinguished – Data, Management, People, Technology, and Privacy & Ethics. Capabilities presently absent from existing learning analytics frameworks concern sourcing and integration, market, knowledge, training, automation, and connectivity. Based on the results of the review, we present the Learning Analytics Capability Model: a model that provides senior management and policymakers with concrete operationalizations to build the necessary capabilities for successful learning analytics adoption.
MULTIFILE
Insight into current scientific applications of Big Data in the precision dairy farming area may help us to understand the inflated expectations around Big Data. The objective of this invited review paper is to give that scientific background and determine whether Big Data has overcome the peak of inflated expectations. A conceptual model was created, and a literature search in Scopus resulted in 1442 scientific peer reviewed papers. After thorough screening on relevance and classification by the authors, 142 papers remained for further analysis. The area of precision dairy farming (with classes in the primary chain (dairy farm,feed, breed, health, food, retail, consumer) and levels for object of interest (animal, farm, network)), the Big Data-V area (with categories on Volume, Velocity, Variety and other V’s) and the data analytics area (with categories in analysis methods(supervised learning, unsupervised learning, semi-supervised classification, reinforcement learning) and data characteristics (time-series, streaming, sequence, graph, spatial, multimedia)) were analysed. The animal sublevel, with 83% of the papers, exceeds the farm sublevel and network sublevel. Within the animal sublevel, topics within the dairy farm level prevailed with 58% over the health level (33%). Within the Big Data category, the Volume category was most favoured with 59% of the papers, followed by 37% of papers that included the Variety category. None of the papers included the Velocity category. Supervised learning, representing 87% of the papers, exceeds unsupervised learning (12%). Within supervised learning, 64% of the papers dealt with classification issues and exceeds the regression methods (36%). Time-series were used in 61% of the papers and were mostly dealing with animal-based farm data. Multimedia data appeared in a greater number of recent papers. Based on these results, it can be concluded that Big Data is a relevant topic of research within the precision dairy farming area, but that the full potential of Big Data in this precision dairy farming area is not utilised yet. However, the present authors expect the full potential of Big Data, within the precision dairy farming area, will be reached when multiple Big Data characteristics (Volume, Variety and other V’s) and sources (animal, groups, farms and chain parts) are used simultaneously, adding value to operational and strategic decision.
LINK
This paper provides a management perspective of organisational factors that contributes to the reduction of food waste through the application of design science principles to explore causal relationships between food distribution (organisational) and consumption (societal) factors. Qualitative data were collected with an organisational perspective from commercial food consumers along with large-scale food importers, distributors, and retailers. Cause-effect models are built and “what-if” simulations are conducted through the development and application of a Fuzzy Cognitive Map (FCM) approaches to elucidate dynamic interrelationships. The simulation models developed provide a practical insight into existing and emergent food losses scenarios, suggesting the need for big data sets to allow for generalizable findings to be extrapolated from a more detailed quantitative exercise. This research offers itself as evidence to support policy makers in the development of policies that facilitate interventions to reduce food losses. It also contributes to the literature through sustaining, impacting and potentially improving levels of food security, underpinned by empirically constructed policy models that identify potential behavioural changes. It is the extension of these simulation models set against a backdrop of a proposed big data framework for food security, where this study sets avenues for future research for others to design and construct big data research in food supply chains. This research has therefore sought to provide policymakers with a means to evaluate new and existing policies, whilst also offering a practical basis through which food chains can be made more resilient through the consideration of management practices and policy decisions.
LINK
Fijnstof in de pluimveehouderij Aanleiding Fijnstof in de pluimveehouderij is een actueel onderwerp. Het is onduidelijk wat de fijnstof rondom pluimveestallen doet omdat er nog geen goed meetsysteem bestaat om rondom de stal continu te meten wat fijnstof doet en wat de invloed van elementen buiten de stal (omgeving, weer) doet. Het innovatieve pluimveebedrijf Kipster wil samen met het burgerinitiatief Behoud de Parel meer inzicht krijgen in de fijnstofconcentraties. GreenTechLab wilt een systeem ontwikkelen waarbij door combinatie van meerdere fijnstofmeetstations beter inzicht ontstaat van de fijnstofconcentraties rondom het bedrijf en er tevens data wordt verzameld van het buitenklimaat. Doel GreenTechLab en partners gaan gezamenlijk een proof of concept ontwikkelen van een realtime 24/7 fijnstofmeetsysteem voor de (pluim)veehouderij om op macroniveau (rondom stallen) fijnstofconcentraties te meten en dit middels te ontwikkelen slimme software te gaan combineren met andere data (weerstation) en bedrijfsactiviteiten (voeren, verlichting, aan- afvoer, instellingen luchtwassers en klimaatsystemen enz) en zodoende te kunnen experimenteren met bedrijfsactiviteiten die leiden tot minder fijnstof emissies. Beoogde resultaten Het project levert een proof of concept op van een fijnstofmeetsysteem, waarmee we realtime 24/7 fijnstofconcentraties voor de (pluim)veehouderij op macroniveau (rondom stallen) kunnen meten en dit middels slimme software combineren met andere data (weerstation) en bedrijfsactiviteiten (voeren, verlichting, aan- afvoer, instellingen luchtwassers en klimaatsystemen enz) om zodoende te kunnen experimenteren met bedrijfsactiviteiten die leiden tot minder fijnstof emissies. Op basis van deep learning technieken en met behulp van big-data is gemeten wat bepaalde aanpassingen aan parameters (actuaties) voor gevolg hebben op de uitstoot van fijnstof.
Jongeren met chronische aandoeningen worden vaak geconfronteerd met problemen in het dagelijks functioneren, waarbij vermoeidheid wordt genoemd als het meest invaliderend. De prevalentie van vermoeidheid onder jongeren met chronische aandoeningen varieert tussen de 51-75%. Vermoeidheid kan onafhankelijk ontstaan van het onderliggende pathologisch mechanisme; uit literatuur blijkt dat ziekte-specifieke benaderingen weinig of nauwelijks effect hebben op vermoeidheid. Vermoeidheid wordt bovendien te laat opgemerkt of blijft onbehandeld. Inzicht in de ziekte-overstijgende mechanismen van vermoeidheid is van belang om vroegtijdig opsporen en de ontwikkeling van passende interventies te faciliteren. Dit postdoc onderzoek richt zich op het ontrafelen van ziekte-overstijgende mechanismen van vermoeidheid vanuit het perspectief van jongeren, het gezin en de fysieke en sociale leefomgeving. Binnen een longitudinale cohortstudie gedurende 12 maanden worden 208 jongeren met verschillende chronische aandoeningen gemonitord. Naast traditionele onderzoeksmethodieken zoals vragenlijsten en fysieke testen, wordt gebruik gemaakt van remote sensoring, linked data en context mapping (=kwalitatieve methode). Studenten die participeren in het onderzoek zullen de mogelijkheden en beperkingen van zulke methoden ervaren. Dit kan o.a. bijdragen aan het integreren van zorgtechnologie in het dagelijks (kinder)fysiotherapeutisch handelen. We ontwikkelen een theoretisch raamwerk dat de basis legt voor betere vroegdetectie (op afstand en non-invasief) van vermoeidheid en voor het identificeren van mogelijke aangrijpingspunten voor behandeling (doelstelling 1 en 2). Verder draagt het postdoc onderzoek bij aan een beter inzicht in de rol van de sociale en fysieke leefomgeving bij de maatschappelijke participatie van jongeren met chronische aandoeningen (doelstelling 3). Studenten zullen in veldwerk ter plaatse metingen doen, de leefsituatie verkennen en samen met zorgprofessionals en docenten hun klinische blik verrijken. Doordat zij daadwerkelijk in de leefomgeving van jongeren zelf aanwezig zijn kan dit bijdragen aan bewustzijn over de rol van verschillende sociale en fysieke factoren op vermoeidheid en op de maatschappelijke participatie van jongeren met uiteenlopende chronische aandoeningen.
Tal van Nederlandse bedrijven ontwikkelen elektrische bussen en stadsdistributievoertuigen voertuigen, zetten ze in als onderdeel van hun vloot, of leveren diensten om die inzet te verbeteren. Zij worden daarbij geconfronteerd met een rijbereik dat kleiner is dan bij vergelijkbare conventionele voertuigen, en dat bovendien afneemt in de tijd door veroudering van de batterijen. Om dit te bewerkstelligen hebben zij modellen nodig die bij het voorspellen van het energieverbruik rekening houden met geactualiseerde eigenschappen van het voertuig (en zijn batterijpakket) en met actuele gegevens omtrent externe invloedfactoren als weersomstandigheden, traject, wegprofiel, verkeerssituatie, belading (of aantal passagiers) en rijgedrag. De ontwikkeling en het gebruik van dergelijke modellen vergt een voortdurende monitoring van voertuiggegevens en invloedfactoren. In dit project worden een vloot van bussen én stadsdistributievoertuigen gemonitord. Hiertoe wordt bestaande commerciële data-acquisitie hardware uitgebreid met een beperkt aantal (betaalbare) sensoren en met bijhorende oplossingen voor dataverwerking en -communicatie. Om de vele data te verwerken en te analyseren wordt in eerste instantie gebruik gemaakt van vereenvoudigde fysisch voertuigmodellen in combinatie met traditionele statistiek; dit wordt later uitgebreid met nieuwe voorspellende data-analyse technieken uit de Big-Data wereld. Met de resultaten van het onderzoek zal onderzocht worden hoe rijbereik en energieverbruik van beide testvloten kan worden verbeterd
