A study of the improvement of the quality of student teachers’ lessons in interactive (story)book reading through the use of data-feedback on observed lessons. Variables regarding the optimal time use, the quality of instruction and the student teachers’ pedagogical relation with pupils were included in a one group pre-test post-test design.
DOCUMENT
In dit rapport wordt verslag uitgebracht van het onderzoek naar de resultaten van de toepassing van een cyclisch model voor observatie en data-gestuurde feedback.
DOCUMENT
De meest gebruikte opbouw in business intelligence, predictive analitics en analytics modellen is de moeilijkheidsgraad: 1) descriptive, 2) diagnostic, 3) predictive en 4) prescriptive. Deze schaal vertelt iets over de volwassenheid van het gebruik van data door de organisatie. Een model dat niet op zichzelf staat en een achterliggende methode kent is de data driehoek van EDM (Figuur 1), welke in dit artikel zal worden toegelicht.
LINK
Patiëntdata uit vragenlijsten, fysieke testen en ‘wearables’ hebben veel potentie om fysiotherapie-behandelingen te personaliseren (zogeheten ‘datagedragen’ zorg) en gedeelde besluitvorming tussen fysiotherapeut en patiënt te faciliteren. Hiermee kan fysiotherapie mogelijk doelmatiger en effectiever worden. Veel fysiotherapeuten en hun patiënten zien echter nauwelijks meerwaarde in het verzamelen van patiëntdata, maar vooral toegenomen administratieve last. In de bestaande landelijke databases krijgen fysiotherapeuten en hun patiënten de door hen zelf verzamelde patiëntdata via een online dashboard weliswaar teruggekoppeld, maar op een weinig betekenisvolle manier doordat het dashboard primair gericht is op wensen van externe partijen (zoals zorgverzekeraars). Door gebruik te maken van technologische innovaties zoals gepersonaliseerde datavisualisaties op basis van geavanceerde data science analyses kunnen patiëntdata betekenisvoller teruggekoppeld en ingezet worden. Wij zetten technologie dus in om ‘datagedragen’, gepersonaliseerde zorg, in dit geval binnen de fysiotherapie, een stap dichterbij te brengen. De kennis opgedaan in de project is tevens relevant voor andere zorgberoepen. In dit KIEM-project worden eerst wensen van eindgebruikers, bestaande succesvolle datavisualisaties en de hiervoor vereiste data science analyses geïnventariseerd (werkpakket 1: inventarisatie). Op basis hiervan worden meerdere prototypes van inzichtelijke datavisualisaties ontwikkeld (bijvoorbeeld visualisatie van patiëntscores in vergelijking met (beoogde) normscores, of van voorspelling van verwacht herstel op basis van data van vergelijkbare eerdere patiënten). Middels focusgroepinterviews met fysiotherapeuten en patiënten worden hieruit de meest kansrijke (maximaal 5) prototypes geselecteerd. Voor deze geselecteerde prototypes worden vervolgens de vereiste data-analyses ontwikkeld die de datavisualisaties op de dashboards van de landelijke databases mogelijk maken (werkpakket 2: prototypes en data-analyses). In kleine pilots worden deze datavisualisaties door eindgebruikers toegepast in de praktijk om te bepalen of ze daadwerkelijk aan hun wensen voldoen (werkpakket 3: pilots). Uit dit 1-jarige project kan een groot vervolgonderzoek ‘ontkiemen’ naar het effect van betekenisvolle datavisualisaties op de uitkomsten van zorg.
The increasing amount of electronic waste (e-waste) urgently requires the use of innovative solutions within the circular economy models in this industry. Sorting of e-waste in a proper manner are essential for the recovery of valuable materials and minimizing environmental problems. The conventional e-waste sorting models are time-consuming processes, which involve laborious manual classification of complex and diverse electronic components. Moreover, the sector is lacking in skilled labor, thus making automation in sorting procedures is an urgent necessity. The project “AdapSort: Adaptive AI for Sorting E-Waste” aims to develop an adaptable AI-based system for optimal and efficient e-waste sorting. The project combines deep learning object detection algorithms with open-world vision-language models to enable adaptive AI models that incorporate operator feedback as part of a continuous learning process. The project initiates with problem analysis, including use case definition, requirement specification, and collection of labeled image data. AI models will be trained and deployed on edge devices for real-time sorting and scalability. Then, the feasibility of developing adaptive AI models that capture the state-of-the-art open-world vision-language models will be investigated. The human-in-the-loop learning is an important feature of this phase, wherein the user is enabled to provide ongoing feedback about how to refine the model further. An interface will be constructed to enable human intervention to facilitate real-time improvement of classification accuracy and sorting of different items. Finally, the project will deliver a proof of concept for the AI-based sorter, validated through selected use cases in collaboration with industrial partners. By integrating AI with human feedback, this project aims to facilitate e-waste management and serve as a foundation for larger projects.
Horse riding falls under the “Sport for Life” disciplines, where a long-term equestrian development can provide a clear pathway of developmental stages to help individuals, inclusive of those with a disability, to pursue their goals in sport and physical activity, providing long-term health benefits. However, the biomechanical interaction between horse and (disabled) rider is not wholly understood, leaving challenges and opportunities for the horse riding sport. Therefore, the purpose of this KIEM project is to start an interdisciplinary collaboration between parties interested in integrating existing knowledge on horse and (disabled) rider interaction with any novel insights to be gained from analysing recently collected sensor data using the EquiMoves™ system. EquiMoves is based on the state-of-the-art inertial- and orientational-sensor system ProMove-mini from Inertia Technology B.V., a partner in this proposal. On the basis of analysing previously collected data, machine learning algorithms will be selected for implementation in existing or modified EquiMoves sensor hardware and software solutions. Target applications and follow-ups include: - Improving horse and (disabled) rider interaction for riders of all skill levels; - Objective evidence-based classification system for competitive grading of disabled riders in Para Dressage events; - Identifying biomechanical irregularities for detecting and/or preventing injuries of horses. Topic-wise, the project is connected to “Smart Technologies and Materials”, “High Tech Systems & Materials” and “Digital key technologies”. The core consortium of Saxion University of Applied Sciences, Rosmark Consultancy and Inertia Technology will receive feedback to project progress and outcomes from a panel of international experts (Utrecht University, Sport Horse Health Plan, University of Central Lancashire, Swedish University of Agricultural Sciences), combining a strong mix of expertise on horse and rider biomechanics, veterinary medicine, sensor hardware, data analysis and AI/machine learning algorithm development and implementation, all together presenting a solid collaborative base for derived RAAK-mkb, -publiek and/or -PRO follow-up projects.
