Zoekresultaten

No Fairness without Awareness. Toegepast onderzoek naar kansengelijkheid in het hoger onderwijs. Intreerede lectoraat Learning Technology & Analytics.

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.

Economische impacts van toerisme berekenen met een (uitgebreid) input-outputmodel

Onderzoeksrapportage impact Dutch Grand Prix Zandvoort 2023

Gemeente Zandvoort en de organisatie van de Dutch Grand Prix (DGP) hebben Breda University of Applied Sciences (BUas) gevraagd om de economische, sociale en maatschappelijke impact van het evenement Dutch Grand Prix 2023 en haar side events (onder de noemer Zandvoort Racefestival) te onderzoeken.Het onderzoek is uitgevoerd middels online en/of face-to-face afgenomen gestructureerde vragenlijsten onder 726 bezoekers van het circuit, 286 bezoekers aan het dorp Zandvoort, 108 ondernemers van Zandvoort en 3418 bewoners van Zandvoort (736), Bloemendaal (37), Haarlem (2322), Haarlemmermeer (162), Heemstede (59) en Noordwijk (102). Daarnaast is aanvullende informatie opgevraagd bij de organisatie van de Dutch Grand Prix, Stichting Zandvoort Beyond, Zandvoort Marketing en Gemeente Zandvoort.Voor het berekenen van de economische impact is gebruik gemaakt van de richtlijnen zoals deze opgesteld zijn door de Werkgroep Evaluatie Sportevenementen (WESP). Er is inzicht verkregen in de additionele bestedingen van DGP-bezoekers en de DGP-organisatie.In de berekening van economische impact is niet gecorrigeerd voor verdringingseffecten. Sponsoractivaties (zoals afhuur van gelegenheden in Zandvoort, inhuur personeel, verzorgen eten en drinken voor genodigden) zijn niet in kaart gebracht. Bestedingen van bezoekers die niet het circuit maar wel het dorp hebben bezocht tijdens het raceweekend zijn eveneens niet meegenomen in de berekening van de economische impact. Het winstcijfer van de DGP-organisatie wordt niet gedeeld en is ook niet meegenomen in de berekening van de economische impact.

The innovative performance of SMEs

Het belang van innovatie voor economische groei en het scheppen van werkgelegenheid in het MKB wordt erkend door zowel academici als politici. Er worden daarom programma’s ontwikkeld om innovatie te stimuleren. Met deze maatregelen ontstaat de vraag te bepalen of deze initiatieven succesvol zijn en zo ja, in welke mate. In de literatuur hebben we geen indicator gevonden die ons in staat stelt de mate van innovativiteit van MKB bedrijven te bepalen voor een dergelijke interventie en daarna. De hoofdvraag van ons onderzoek was dan ook: hoe kunnen we het effect van een interventie voor het bevorderen van de innovatiekracht van MKB-bedrijven meten? Kijkend naar de definities van innovatie zoals die zijn verzameld door King & Anderson (2002) hebben we vastgesteld dat een bedrijf innovatief genoemd mag worden als het met opzeten succesvol nieuwe ideeën implementeert. Succesvol wil in dit verband zeggen: het draagt bij aan de winst en dus aan de continuïteit van het desbetreffende MKB-bedrijf. Door de verschillende (bewuste) innovaties te identificeren samen met de ondernemer en te berekenen wat de winstgevendheid is geweest van de innovaties, kunnen we de ’innovatiewinst’ van de ondernemer berekenen. Dit bedrag delen door de omzet creëert een indicator waarmee de innovativiteit van de organisatie door de tijd gemeten kan worden. Wij stellen daarom de volgende definitie van innovatiekracht voor: KIKR = [ [Winst Innovatie1+Winst Innovatie2+ ... +Winst Innovatie5] / Omzet] x 100. De ratio kan alleen met voldoende betrouwbaarheid bepaald worden door een gestructureerd interview met de directeur/ eigenaar van de het bedrijf door een gekwalificeerde gesprekspartner. De auteurs realiseren zich dat dit gesprek op zichzelf misschien een interventie is, omdat de ervaring leert dat het innovatiebewustzijn van de ondernemer er door toeneemt. Om te bepalen of dit daadwerkelijk zo is, en om te testen of de KIKR inderdaad als bruikbare maat voor innovatiekracht kan worden gebruikt is vervolgonderzoek noodzakelijk. Desalniettemin zijn de auteurs van mening dat met de KIKR de innovatiekracht van bedrijven door de tijd heen gemeten kan worden en daarmee een bruikbaar instrument is om het effect te bepalen van interventies die innovatiekracht moeten vergroten. The importance of innovation as an engine for economic growth and the creation of employment opportunities is acknowledged by both academia and politicians. This makes the need for good innovation measures crucial. In the third edition of the Oslo Manual (2005), a need for proper indicators to capture the changes in the nature and landscape of innovation is voiced. According to the manual, a considerable body of models and analytical frameworks for innovation were developed in the 1980s and 1990s. Over time, the scope of what is considered as innovation has been widened and expanded to include marketing and organizational innovation. In this paper, we focus on innovative performance as a measure of success. This is part of ongoing research in the Netherlands in The Hague region. This research is framed within an approach based on action research. We have worked with 45 SMEs in four sectors. This has formed the basis for the conceptual development of innovative performance as a new metric for the measurement of a successful innovation. In this paper, we review our findings thus far and explore the validity of innovative performance as an appropriate indicator for measuring innovation within SMEs.

HvA-LBIO-rapport alimentatieberekening

Onderzoek naar de mening van burgers over de berekening van kinderalimentatie. In het onderzoek wordt achterhaald wat de mening is van respectievelijk de onderhoudsplichtige en onderhoudsgerechtigde over de manier waarop de kinderalimentatie wordt berekend. Centrale onderzoeksvragen zijn: 1. Wat is de mening van de burger over de manier waarop de kinderalimentatie wordt berekend? 2. In hoeverre is er een causaal verband tussen betalingsproblemen en de manier waarop de alimentatie wordt berekend? 3. In hoeverre heeft de burger behoefte aan een andere manier van berekenen van de kinderalimentatie?

Hoe berekenen we de eiwitbehoefte bij ondergewicht en overgewicht?

De eiwitbehoefte wordt voornamelijk bepaald door de hoeveelheid vetvrije massa (VVM) in het lichaam. In de praktijk wordt de eiwitbehoefte echter gebaseerd op het lichaamsgewicht. In dit onderzoek is de eiwitbehoefte op basis van gemeten VVM vergeleken met de eiwitbehoefte bepaald op basis van gemetenlichaamsgewicht, gecorrigeerd lichaamsgewicht en geschatte VVM met de formule van Gallagher. De onderzoeksvraag luidde: ‘Welke methoden om de eiwitbehoefte te berekenen zijn het beste vergelijkbaar met de referentiemethode: gemeten VVM x 1,5 g eiwit/kg?’MethodeDeze vraag werd onderzocht in twee populaties. De eerste populatie was de ANAC-populatie (Amsterdam Nutritional Assessment Center, Hogeschool van Amsterdam): relatief gezonde volwassenen met overgewicht en obesitas. De tweede populatie was de VUmc-populatie: klinische en poliklinische patiënten met zeer uiteenlopende ziektebeelden. De VVM werd gemeten met BOD POD (ANAC) en bio-elektrische impedantie-analyse (BIA) (VUmc). Drie methoden om de eiwitbehoefte te berekenen werden vergeleken met de referentiemethode (gemeten VVM x 1,5 g eiwit/kg):A. Gemeten lichaamsgewicht x 1,2 g eiwit/kgB. Gecorrigeerd lichaamsgewicht x 1,2 g eiwit/kg (correctie: gewicht bij BMI 20 voor personen met ondergewicht(BMI<18,5) en gewicht bij BMI 27,5 voor personen met overgewicht (BMI>30))C. Geschatte VVM x 1,5 g eiwit/kg. De schatting is uitgevoerd met de formule van Gallagher.De gemiddelde afwijking met spreiding en standaardafwijking werd gebruikt om de validiteit te toetsen van de drie methoden om de eiwitbehoefte te berekenen. Een over- of onderschatting van 5% werd gedefinieerd als klinisch relevant.ResultatenDe afwijking bij methode A was klein in de groep met ondergewicht en groot bij de groep met overgewicht en obesitas. Slechts bij 1% van de obese personen werd de eiwitbehoefte met methode A juist geschat. Dit verbeterde met methode B naar 15-33%. Methode C was voor alle groepen, met uitzondering van depersonen met ondergewicht, het gunstigst. De afwijking varieerde van 14 gram onderschatting tot 28 gram overschatting. Bij 38-54% van de personen met overgewicht en obesitas werd de eiwitbehoefte juist geschat.ConclusieEr is vooral bij overgewicht en obesitas een forse variatie tussen de verschillende methoden voor het berekenen van de eiwitbehoefte. De berekening van de eiwitbehoefte op basis van de gemeten VVM heeft de voorkeur. Als dit niet mogelijk is, volstaat bij deze groep een aanpassing van het gewicht in de berekening naar een gewicht bij BMI 27,5 niet. Toepassing van de formule van Gallagher om de VVM te schatten en daarmee de eiwitbehoefte te berekenen, geeft vooral voor personen met overgewicht en obesitas een betereovereenkomst met de eiwitbehoefte per kilogram gemeten VVM.