AI is een uitstekende tool om financiële fraudedetectie en de beoordeling van credit risks te versnellen, zo bleek uit afstudeeropdrachten die studenten van de masteropleiding AI aan de HvA afgelopen semeser bij de financiële opleidingen hebben uitgevoerd. Maar we zien soms dat beslissingen op basis van AI-systemen te rigoureus worden genomen.
LINK
Het doel van deze studie is het vergroten van het inzicht in hoe daders binnen de georganiseerde criminaliteit ICT gebruiken en welke invloed dat gebruik heeft op hun criminele bedrijfsprocessen. We richten ons daarbij niet uitsluitend op cybercrime, maar verkennen juist het gebruik van ICT én de consequenties daarvan voor een breder scala van soorten georganiseerde criminaliteit, dus ook ‘traditionele’ georganiseerde criminaliteit zoals drugssmokkel. Dit onderzoek maakt onderdeel deel uit van de Monitor Georganiseerde Criminaliteit. Een goed onderbouwde aanpak van de georganiseerde criminaliteit is alleen mogelijk wanneer er een gedegen inzicht bestaat in de aard van de georganiseerde criminaliteit zoals die zich in Nederland manifesteert. De Monitor Georganiseerde Criminaliteit biedt dat inzicht door zo veel mogelijk de kennis te benutten die wordt opgedaan tijdens omvangrijke opsporingsonderzoeken. Dit rapport is het resultaat van de meest recente, vijfde ronde van de monitor (eerdere rapportages: Kleemans et al., 1998, 2002; Van de Bunt & Kleemans, 2007; Kruisbergen et al., 2012). Om dieper op bepaalde thema’s in te kunnen gaan, is ervoor gekozen om de vijfde ronde uit te laten monden in drie afzonderlijke deelrapporten. In oktober 2017 is het eerste deelrapport verschenen (Van Wingerde & Van de Bunt, 2017). Dat rapport richtte zich op de strafrechtelijke afhandeling van georganiseerde criminaliteit, met name de geëiste en opgelegde straffen. Voor u ligt het tweede deelrapport, dat dus volledig in het teken staat van georganiseerde criminaliteit en ICT (informatieen communicatietechnologie). LinkedIn: https://www.linkedin.com/in/rutgerleukfeldt/
DOCUMENT
The recent advancement in the field of information technology has resulted in the proliferation of online education all over the world. Much like traditional classroom education, assessments are an integral component of online education. During the online assessment, evaluation of the learning outcomes presents challenges mainly due to academic dishonesty among students. It results in unfair evaluations that raises questions about the credibility of online assessments. There exist several types of dishonesty in online assessments including exploiting the available Internet for finding solutions (Internet-as-a-Forbidden-Aid), illicit collaboration among students (Collusion) and third-party persons taking assessment on behalf of the genuine student (Impersonation). Several researchers have proposed solutions for addressing dishonesty in online assessments. These solutions include strategies for designing assessments that are resistant to cheating, implementing proctoring and formulating integrity policies. While these methods can be effective, their implementation is often resource-intensive and laborious, posing challenges. Other studies propose the use of Machine Learning (ML) for automated dishonesty detection. However, these approaches often lack clarity in selecting appropriate features and classifiers, impacting the quality of results. The lack of training data further leads to poorly tuned models. There is a need to develop robust ML models to detect different types of dishonesty in online assessments. In this thesis, we focus on Multiple Choice Questions (MCQ)-based assessments. We consider three types of dishonesty: (1) Internet-as-a-Forbidden-Aid, (2) Collusion, and (3) Impersonation prevalent in MCQ-based assessments. We developed individual ML models to detect students involved in each type of dishonesty during the assessment. The results also facilitate understanding the test-taking pattern of students and providing recommendations for cheat-proof assessment design. Finally, we present an Academic Dishonesty Mitigation Plan (ADMP) that addresses the diverse forms of academic dishonesty and provides integrity solutions for mitigating dishonesty in online assessments.
DOCUMENT
Bij een aan- of afwezigheidsdetectie zijn de moleculair diagnostische methoden (PCR) sneller dan de klassieke kweekmethode. De detectiegrenzen die de fabrikanten van beide PCR kits aangeven worden ruimschoots gehaald, terwijl detectie bij de klassieke kweekmethode regelmatig bemoeilijkt werd of onmogelijk was door stoorflora. Zowel deze flora als de matrix hebben geen invloed op de detectiegrens van beide PCR kits.
DOCUMENT
Een verhaal over de toepassing van automatische beeldherkenning en de detectie van soorten op basis van DNA dat in de omgeving aanwezig is, oftewel eDNA.
DOCUMENT
Het project PreciSIAlandbouw heeft precisielandbouwtechnieken ontwikkeld en gevalideerd op vijf thema's: sensortechnologie, kennis en advies, robotisering, digitalisering, en verdienmodellen. Dit rapport bevat de resultaten van de sensortechnologieën onkruidbestrijding, opbrengstmeting van grasland, vroegtijdige detectie van zoutstress in aardappelgewassen en monitoring van biodiversiteit in de bodem.
DOCUMENT
Determineren is een belangrijk onderdeel van Integrated Pest Management. Als we niet weten om welk dier het gaat, wetten we niet hoe het leeft, of het schadelijk is en wat we eraan kunnen doen. De meeste determinaties worden aan de hand van uiterlijke kenmerken gedaan, maar er is nog een veelbelovende nieuwe methode: DNA.
DOCUMENT
De afgelopen jaren richt terrorismebestrijding zich meer op het anticiperen op de dreiging die ervan uitgaat. Vroegsignalering van afwijkend gedrag onder jongeren is daarom een belangrijk onderdeel van de aanpak geworden. Eerstelijns professionals die in de haarvaten van de samenleving hun werk doen, worden aangespoord om radicaliseringsprocessen naar gewelddadig gedrag in een vroeg stadium te signaleren. Een rol die ook is toegewezen aan de wijkagent. Tot op heden is echter weinig bekend over hoe lokale politieagenten deze taak naar eigen inzicht oppakken. Ook verschenen in de Sdu uitgave Het tijdschrift voor de Politie 2020(3), 32-35.
LINK
De balans tussen de belastbaarheid van sporters en de belasting moeten zo goed mogelijk afgestemd zijn om optimale trainingseffecten te realizeren. Er wordt onderscheid gemaakt tussen externe en interne trainingsbelasting, wat duidt op de belasting die extern of intern door de sporter wordt ervaren. Het sturen en bewaken van de balans wordt bij professionele sporters doorgaans verzorgd door (para)medische professionals en/of sportwetenschappers. Doordat er tegenwoordig vele manieren van test- en meettechnologie zijn om o.a. interne en externe belasting te meten is er een grote hoeveelheid aan data beschikbaar in de praktijk, waarvan het verwerken en analyseren arbeidsintensief is. Daarom is er vanuit de praktijk de behoefte om deze data snel inzichtelijk te maken. Vanuit het project is daarom een belastingsmonitor ontwikkeld o.b.v. big data technologieën. Het doel van dit rapport is een praktijkvalidatie van de belastingmonitor. Hierbij wordt enerzijds gekeken naar de verzamelde data door de praktijkpartners en anderzijds wordt onderzocht of veranderingen in ratio's tussen interne:externe belasting een valide manier is om veranderingen in fysieke fitheid te meten?Data door de praktijkpartners zijn op diverse manieren en voor diverse variabelen verzameld. De variabelen zijn onder te delen in de kopjes: (I) individuele kenmerken, (II) externe belasting, (III) interne belasting, (IV) herstel en (V) psychosociale stress. Doordat de diverse sportclubs variabelen verzamelen die zij van belang achten is het niet mogelijk geweest om 1 database op te stellen welke alle variabelen bevat. Hierin zou immers duidelijk moeten zijn wat per variabelen de definitie is, welke per sportclub kan verschillen. Voor toekomstige projecten is het wenselijk om hier uniformiteit in aan te brengen voor aanvang van het project. Dit zal eenvoudiger zijn naarmate ruwe data beschikbaar is, omdat het onwaarschijnlijk is dat de sportclubs hun definities aanpassen. De gebruikte meetinstrumenten en -methodes zijn voor het overgrote deel overeenkomstig uit de wetenschappelijke literatuur en tevens overeenkomstig met de wetenschappelijke standaard. Kanttekening is dat er voor dit rapport geen zicht is op de daadwerkelijke uitvoering van de betreffende metingen.De vraag of de veranderingen in ratio's tussen interne:externe belasting een valide manier is om veranderingen in fysieke fitheid te meten is beantwoord door gebruik te maken van een dataset van 1 voetbalclub (van 3 teams) over 2 seizoenen. Er gekeken of veranderingen in ratio's opgesteld uit diverse maten voor interne belasting (ervaren mate van inspanning en load) en externe belasting (totaal gelopen afstand en totaal gelopen afstand op hoge snelheid) met diverse tijdsintervallen een relatie vertoonden met veranderingen in fysieke fitheid, gemeten met gestandaardiseerde submaximale inspanningstesten. Uit de resultaten bleek dat er geen relatie is gevonden tussen vooraf genoemde variabelen. Er blijken diverse obstakels te zijn waardoor de verandering in ratio’s mogelijk niet correleren met de verandering in interne belasting tijdens fysieke testen. De belastingsmonitor kan dus niet gebruikt worden om fysieke fitheid van sporters inzichtelijk te maken wanneer gekeken wordt naar de opgestelde ratio’s tussen interne en externe belasting. Fysieke testen blijven hiervoor nog steeds noodzakelijk, omdat deze het beste beeld geven van de huidige fysieke fitheid van de sporters. De belastingsmonitor is daarom, voor nu, alleen geschikt voor het afzonderlijk inzichtelijk maken van de diverse variabelen uit de dataset.
DOCUMENT
