We weten meer dan ooit over de wereld en kunnen aan meer knoppen draaien dan ooit tevoren. We hebben het menselijk genoom in kaart gebracht, slimme algoritmen voorspellen ons gedrag en we veroorzaken ingrijpende veranderingen in onze leefwereld. Om jonge mensen op te leiden voor de samenleving van morgen moeten duurzaamheid en persoonsvorming in het bèta- en technologieonderwijs meer aandacht krijgen. Dat betoogt lector Bèta- en Technologiedidactiek Elwin Savelsbergh van Hogeschool Utrecht (HU) in zijn openbare les van 31 januari.
Learning Analytics en bias – Learning analytics richt zich op het meten en analyseren van studentgegevens om onderwijs te verbeteren. Bakker onderscheidt hierin verschillende niveaus, zoals student analytics en institutional analytics, en focust op inclusion analytics, waarin gekeken wordt naar kansengelijkheid. Bias – systematische vooroordelen in data – kan vooroordelen in algoritmen versterken en zo kansenongelijkheid veroorzaken. De onderzoeksmethode maakt gebruik van het 4/5-criterium, waarbij fairness in uitkomsten gemeten wordt door te kijken of de kansen voor de beschermde groep minstens 80% zijn van die van de bevoorrechte groep.Onderzoeksaanpak – Bakker gebruikt machine learning om retentie na het eerste studiejaar te voorspellen en onderzoekt vervolgens verschillen tussen groepen studenten, zoals mbo-en vwo-studenten. Hij volgt drie stappen: (1) Data voorbereiden en modellen bouwen: Data worden opgesplitst en opgeschoond om accurate voorspelmodellen te maken. (2) Variabelen analyseren: Invloed van kenmerken op uitkomsten wordt beoordeeld voor verschillende groepen. (3) Fairness berekenen: Het 4/5-criterium wordt toegepast op metrics zoals accuraatheid en statistische gelijkheid om bias en ongelijkheden te identificeren. Resultaten, aanbevelingen en vervolgonderzoek – Uit het onderzoek blijkt dat kansengelijkheid bij veel opleidingen ontbreekt, met name voor mannen en mbo-studenten, die een hogere kans op uitval hebben. Bakker adviseert sensitieve kenmerken zoals migratieachtergrond mee te nemen in analyses op basis van informed consent. Daarnaast pleit hij voor meer flexibiliteit in het beleid, geïnspireerd door maatregelen tijdens de coronacrisis, die een positief effect hadden op studiesucces.Toekomstvisie – Bakker benadrukt dat niet elke ongelijkheid het gevolg is van discriminatie en roept op tot data-informed interventies om sociale rechtvaardigheid in het onderwijs te bevorderen. Zijn methode wordt open access beschikbaar gesteld, zodat ook andere instellingen deze kunnen toepassen en kansengelijkheid systematisch en bewust kunnen onderzoeken.
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
De maatschappelijke discussies over de invloed van AI op ons leven tieren welig. De terugkerende vraag is of AI-toepassingen – en dan vooral recommendersystemen – een dreiging of een redding zijn. De impact van het kiezen van een film voor vanavond, met behulp van Netflix' recommendersysteem, is nog beperkt. De impact van datingsites, navigatiesystemen en sociale media – allemaal systemen die met algoritmes informatie filteren of keuzes aanraden – is al groter. De impact van recommendersystemen in bijvoorbeeld de zorg, bij werving en selectie, fraudedetectie, en beoordelingen van hypotheekaanvragen is enorm, zowel op individueel als op maatschappelijk niveau. Het is daarom urgent dat juist recommendersystemen volgens de waarden van Responsible AI ontworpen worden: veilig, eerlijk, betrouwbaar, inclusief, transparant en controleerbaar.Om op een goede manier Responsible AI te ontwerpen moeten technische, contextuele én interactievraagstukken worden opgelost. Op het technische en maatschappelijke niveau is al veel vooruitgang geboekt, respectievelijk door onderzoek naar algoritmen die waarden als inclusiviteit in hun berekening meenemen, en door de ontwikkeling van wettelijke kaders. Over implementatie op interactieniveau bestaat daarentegen nog weinig concrete kennis. Bekend is dat gebruikers die interactiemogelijkheden hebben om een algoritme bij te sturen of aan te vullen, meer transparantie en betrouwbaarheid ervaren. Echter, slecht ontworpen interactiemogelijkheden, of een mismatch tussen interactie en context kosten juist tijd, veroorzaken mentale overbelasting, frustratie, en een gevoel van incompetentie. Ze verhullen eerder dan dat ze tot transparantie leiden.Het ontbreekt ontwerpers van interfaces (UX/UI designers) aan systematische concrete kennis over deze interactiemogelijkheden, hun toepasbaarheid, en de ethische grenzen. Dat beperkt hun mogelijkheid om op interactieniveau aan Responsible AI bij te dragen. Ze willen daarom graag een pattern library van interactiemogelijkheden, geannoteerd met onderzoek over de werking en inzetbaarheid. Dit bestaat nu niet en met dit project willen we een substantiële bijdrage leveren aan de ontwikkeling ervan.
Een geschatte hoeveelheid van tussen de 35 en 140 miljoen kilo zwerfafval wordt jaarlijks in Nederland op straat of in de natuur aangetroffen. Gemeenten zijn verantwoordelijk voor het voorkomen en opruimen van zwerfafval. Daarom heeft bijvoorbeeld gemeente Breda de ambitie uitgesproken om de stad in 2030 zwerfafval vrij te hebben. Deze ambitieuze doelstelling moet bereikt worden door acties zowel op het vlak van preventie, als het opruimen en het hergebruik. Om deze acties kwantitatief te onderbouwen en te monitoren zijn gegevens over ligging, hoeveelheid en samenstelling van het zwerfafval noodzakelijk. Het is momenteel al mogelijk om zwerfafvaldata te verkrijgen om analyses op te verrichten. Deze data is afkomstig van vrijwilligers die middels apps als Litterati zwerfafval verzamelen en classificeren (labelen). Het toekennen van een label is een tijdrovende klus en levert maar een beperkt beeld van de totale hoeveelheid zwerfafval in een gemeente. Dit classificeren kan geautomatiseerd worden door object detectie algoritmen welke zijn getraind op afbeeldingen van zwerfafval. Om een groter gebied te monitoren zijn camerasystemen ontwikkeld die in staat zijn zwerfafval automatisch te detecteren. Technisch gezien zijn er steeds meer oplossingen om automatisch zwerfafval in kaart te brengen en te classificeren, maar een praktijkgerichte oplossing voor bijvoorbeeld beleidsmakers zonder technische kennis ontbreekt nog. In dit toegepast ontwerponderzoek werken we samen met gemeente Breda, gemeente ‘s-Hertogenbosch, stichting GoClean, Natuur- en milieuvereniging Markkant, stichting Nederland Schoon, de Antea Group en betrokken MKB-ers aan het antwoord op de onderzoeksvraag “Hoe kan zwerfafval in de openbare ruimte automatisch gedetecteerd en geclassificeerd worden vanuit verschillende, onafhankelijke bronnen met een zo beperkt mogelijke tijdsinvestering van de mens in dit proces.” De technische componenten die hiervoor nodig zijn worden samengevoegd in een gebruiksvriendelijk dataplatform. Op basis van de uitkomsten kunnen gemeenten (en andere publieke partijen) in Nederland datagedreven interventies ontwikkelen om zwerfafval tegen te gaan.
Noord-Nederland telt ongeveer 70.000 ha akkerbouw, waarvan 14.000 ha pootaardappelen. De totale jaaromzet van de pootaardappelteelt bedraagt ongeveer 230 miljoen euro (exclusief de omzet van toeleverende en dienstverlenende bedrijven). Van alle productielanden samen, neemt Noord-Nederland met 23% van de wereldwijde export van gecertificeerd pootgoed een absolute toppositie in. Om deze toppositie te behouden, is continu aandacht voor productiviteit, duurzaamheid en kwaliteitsverbetering vereist. Bij de huidige bedrijfsomvang kan een geautomatiseerde gewasinspectie daarbij zeer behulpzaam zijn. Kwalitatief hoogwaardiger inspectie tegen lagere kosten kan de kwaliteit en de kostprijs van gewassen in de precisielandbouw verbeteren. Voor pootgoedtelers is het belangrijk te weten wat de kwaliteit van de plant is, in relatie met de gepote aardappel. Doelstelling is het verkrijgen van inzicht in de methoden, technieken en algoritmen die nodig zijn voor het automatisch bepalen van het opkomstgedrag van individuele aardappelplanten met behulp van low-cost drones. Koelhuis Bergmans stelt de akkervelden waar opnames van gemaakt worden beschikbaar. Ana Vita heeft veel ervaring in het ontwikkelen van nieuwe markten in de precisielandbouw. De NHL is in het bezit van een ROC-light ontheffing om met drones tot 4 kg te mogen vliegen. Tevens onderzoekt de NHL welke methoden, technieken en algoritmen gebruikt kunnen worden. Dit project levert een dataset met hierin periodiek opgenomen beelden van aardappelplanten, methodes voor het bepalen van individuele aardappelplantgroei en een beschrijving van de onderzoeksresultaten in de vorm van een (wetenschappelijke) paper.
