Technological developments have a major impact on how we live, work and learn together. Several authors refer to a fourth revolution in which robots and other intelligent systems take over an increasing number of the current (routine) tasks carried out by humans (Brynjolfsson & McAfee, 2014; Est et al., 2015; Ford, 2016; Helbing, 2014; Ross, 2017; Schwab, 2016). The relationship between man and machine will change fundamentally as a result. We are already noticing this shift, most specifically in the workplace. E.g., in the field of health care, digitalisation and robotisation can empower patients and their families. Hospitals are primarily intended for clients with complex care needs. This has consequences for the tasks carried out by nurses, who become more of a ‘care director’ or ‘research nurse’. Hospitals approach this in different ways, resulting in considerable diversity as to how these roles are fulfilled. These changes, albeit diverse, can also be seen in the roles of accountants, police officers and financial advisers at banks (Biemans, Sjoer, Brouwer and Potting, 2017). The traditional occupational profiles no longer exist and the essence of these professions is shifting. This does not make such occupations less attractive, but requires different qualities. The demand for more highly educated professionals who can carry out complex tasks in a creative and interdisciplinary manner will increase (McKinsey, 2017). Also, other social developments, such as migration and greenification, prompt us to ask new questions, resulting in new paths towards identifying solutions.
MULTIFILE
In dit artikel wordt beschreven hoe het leren in een hybride leeromgeving (school en beroepspraktijk) vorm wordt gegeven en geeft hierbij een overzicht van inzichten uit de wetenschappelijke literatuur.
Routine immunization (RI) of children is the most effective and timely public health intervention for decreasing child mortality rates around the globe. Pakistan being a low-and-middle-income-country (LMIC) has one of the highest child mortality rates in the world occurring mainly due to vaccine-preventable diseases (VPDs). For improving RI coverage, a critical need is to establish potential RI defaulters at an early stage, so that appropriate interventions can be targeted towards such population who are identified to be at risk of missing on their scheduled vaccine uptakes. In this paper, a machine learning (ML) based predictive model has been proposed to predict defaulting and non-defaulting children on upcoming immunization visits and examine the effect of its underlying contributing factors. The predictive model uses data obtained from Paigham-e-Sehat study having immunization records of 3,113 children. The design of predictive model is based on obtaining optimal results across accuracy, specificity, and sensitivity, to ensure model outcomes remain practically relevant to the problem addressed. Further optimization of predictive model is obtained through selection of significant features and removing data bias. Nine machine learning algorithms were applied for prediction of defaulting children for the next immunization visit. The results showed that the random forest model achieves the optimal accuracy of 81.9% with 83.6% sensitivity and 80.3% specificity. The main determinants of vaccination coverage were found to be vaccine coverage at birth, parental education, and socio-economic conditions of the defaulting group. This information can assist relevant policy makers to take proactive and effective measures for developing evidence based targeted and timely interventions for defaulting children.
MULTIFILE
In het project werken onderzoekers van het Lectoraat samen met publieke organisaties toe naar een tool waarmee onderstromen in het publieke debat rondom issues eerder kunnen worden opgemerkt. We exploreren met welk algoritme we patronen in geruchtvorming en mobilisatie kunnen opsporen, en tevens hoe we de interactie tussen newsroom-analisten en de output van een monitoring tool het beste kunnen vormgeven.Doel Het doel van dit project is een brede en structureel toepasbare aanpak van het issuemanagement: Hoe kunnen de communicatieprofessionals van publieke organisaties potentiële issues op sociale media vroegtijdig opmerken? Resultaten We willen dit bereiken door enerzijds kennis en inzicht te vergaren en anderzijds de uitkomsten daarvan voor publieke organisaties te vertalen in praktische handgrepen: tools, handleiding, training. Looptijd 01 oktober 2022 - 30 september 2024 Aanpak Via cases ingebracht door de praktijkpartners en focusgroepen staan we in nauw contact met het consortium. In de eerste werkpakketten onderzoeken we de verschillende cases aan de hand van discoursanalyse. De inzichten die we hierbij opdoen, gebruiken we vervolgens om te bekijken hoe we de interactie tussen mens en machine het beste kunnen vormgeven en wel zo dat er ten behoeve van de communicatie en het management van issues via interactieve visualisaties steeds weer triggers afgegeven worden. Op basis van de opgedane inzichten richten we een interface in. Deze maakt het analisten en communicatieprofessionals mogelijk om vroegtijdig issues te signaleren.
Artificial Intelligence (AI) wordt realiteit. Slimme ICT-producten die diensten op maat leveren accelereren de digitalisering van de maatschappij. De grote innovaties van de komende jaren –zelfrijdende auto’s, spraakgestuurde virtuele assistenten, autodiagnose systemen, robots die autonoom complexe taken uitvoeren – zijn datagedreven en hebben een AI-component. Dit gaat de rol van professionals in alle domeinen, gezondheidzorg, bouwsector, financiële dienstverlening, maakindustrie, journalistiek, rechtspraak, etc., raken. ICT is niet meer volgend en ondersteunend (een ‘enabling’ technologie), maar de motor die de transformatie van de samenleving in gang zet. Grote bedrijven, overheidsinstanties, het MKB, en de vele startups in de Brainport regio zijn innovatieve datagedreven scenario’s volop aan het verkennen. Dit wordt nog eens versterkt door de democratisering van AI; machine learning en deep learning algoritmes zijn beschikbaar zowel in open source software als in Cloud oplossingen en zijn daarmee toegankelijk voor iedereen. Data science wordt ‘applied’ en verschuift van een PhD specialisme naar een HBO-vaardigheid. Het stadium waarin veel bedrijven nu verkeren is te omschrijven als: “Help, mijn AI-pilot is succesvol. Wat nu?” Deze aanvraag richt zich op het succesvol implementeren van AI binnen de context van softwareontwikkeling. De onderzoeksvraag van dit voorstel is: “Hoe kunnen we state-of-the-art data science methoden en technieken waardevol en verantwoord toepassen ten behoeve van deze slimme lerende ICT-producten?” De postdoc gaat fungeren als een linking pin tussen alle onderzoeksprojecten en opdrachten waarbij studenten ICT-producten met AI (machine learning, deep learning) ontwikkelen voor opdrachtgevers uit de praktijk. Door mee te kijken en mee te denken met de studenten kan de postdoc overzicht en inzicht creëren over alle cases heen. Als er overzicht is kan er daarna ook gestuurd worden op de uit te voeren cases om verschillende deelaspecten samen met de studenten te onderzoeken. Deliverables zijn rapporten, guidelines en frameworks voor praktijk en onderwijs, peer-reviewed artikelen en kennisdelingsevents.
Om onze groeiende wereldbevolking op een duurzame manier te kunnen voeden moeten we op zoek naar toekomstbestendige vormen van voedselproductie. We streven naar een akker- en tuinbouw waarbij minder verloren gaat, natuurlijke hulpbronnen worden gespaard en bodemecologie en biodiversiteit worden versterkt. Waar conventionele akkerbouw leunt op de inzet van grote zware machines, chemische bestrijdingsmiddelen en kunstmest, richten we ons in dit onderzoek op de inzet van lichtere en kleinere agrarische robots. Hierdoor ontstaan nieuwe manieren van telen en rijden er geen zware machines meer op het land. Als gevolg hiervan vind er minder bodemverdichting plaatst en hoeft het land niet te worden omgeploegd. In Nederland worden op dit moment een aantal agrarische robots ontwikkeld. Dit zijn inherent complexe systemen en er zijn nog een aantal uitdagingen die moeten worden opgelost voordat deze robots het veld op kunnen. Wij richten ons in dit project op de software die nodig is om de robot autonoom, oftewel zelfstandig, te kunnen laten rijden. We willen een beproefd framework aanvullen en toepassen, zodat deze op agrarische robots gebruikt kan worden. In dit project werkt Saxion samen met zes pioniers op het gebied van agrarische robots in Nederland. In een voorgaand project zijn oplossingsrichtingen verkend en in dit project worden de ontbrekende schakels ontwikkeld. Voor de navigatie gebruiken we Robot Operating System (ROS), het framework dat wereldwijd door grote robotbouwers wordt gebruikt: In dit project modelleren en simuleren we de robots. Ontbrekende onderdelen worden ontwikkeld, samengesteld of geconfigureerd. Tenslotte wordt de software op de fysieke robots getest. De ontwikkelde software wordt al gedurende de ontwikkeling als open source project publiek beschikbaar gesteld. Met de resultaten van het onderzoek kan de time-to-market voor nieuwe agrarische robots drastisch worden verlaagd.
