The realization of human rights standards depends in part on the commitment of local actors. It can be argued that local public service professionals such as social workers can also be regarded as key players. The possible role of social workers becomes imperative if these professionals are working in a policy context that is not congruent with human rights. If existing laws or policies cause or maintain disrespect for human rights, social workers are in a position to observe that this is having an adverse impact on clients. When social workers are regarded as human rights actors, the question arises how they can or should respond to law and policy that impedes them in carrying out their work with respect for human rights. This article adds to existing theories on social workers as human rights actors by examining the practices of social professionals working in such a challenging policy context. The research took place among professionals in social district teams in the city of Utrecht, the Netherlands. Following a series of decentralizations and austerity measures the social care landscape in the Netherlands has changed drastically over the last few years. As a result, social workers may find themselves on the one hand trying to realize the best possible care for their clients while on the other hand dealing with new laws and policy expectations focused on self-reliance and diminished access to specialist care. The article explores how social professionals’ responses to barriers in access to care affect human rights requirements. In doing so, this socio-legal study provides insight into the ways in which everyday social work relates to the realization of human rights at the local level.
This exploration with ChatGPT underscores two vital lessons for human rights law education. First, the importance of reflective and critical prompting techniques that challenge it to critique its responses. Second, the potential of customizing AI tools like ChatGPT, incorporating diverse scholarly perspectives to foster a more inclusive and comprehensive understanding of human rights. It also shows the promise of using collaborative approaches to build tools that help create pluriversal approaches to the study of human rights law.
MULTIFILE
Artificially intelligent agents increasingly collaborate with humans in human-agent teams. Timely proactive sharing of relevant information within the team contributes to the overall team performance. This paper presents a machine learning approach to proactive communication in AI-agents using contextual factors. Proactive communication was learned in two consecutive experimental steps: (a) multi-agent team simulations to learn effective communicative behaviors, and (b) human-agent team experiments to refine communication suitable for a human team member. Results consist of proactive communication policies for communicating both beliefs and goals within human-agent teams. Agents learned to use minimal communication to improve team performance in simulation, while they learned more specific socially desirable behaviors in the human-agent team experiment
De Human Capital Agenda van GroenvermogenNL is de ‘enabler’ voor de ambitieuze activiteiten t.a.v. de productie en transport, op- & overslag van waterstof en de (grootschalige) toepassing ervan in de industrie en de overige toepassingsgebieden zoals mobiliteit & transport en de gebouwde omgeving. Belangrijke voorwaarde voor de realisatie van deze ambities is de voldoende beschikbaarheid van professionals met kennis en vaardigheden van waterstof en de toepassing ervan. Hiervoor moet nieuwe en noodzakelijke kennis snel beschikbaar komen in het reguliere onderwijs en voor de scholing en training van professionals die al werkzaam zijn. Eén van de werkstromen binnen de human capital agenda van GroenvermogenNL is de ontwikkeling en verduurzaming van learning communities rond waterstof. Learning communities zijn in transitieomgevingen een bruikbaar vehikel om derde-orde leren mogelijk te maken. In de energietransitie is zulk derde-orde leren of ook transformatief leren nodig. Dat vindt niet spontaan plaats maar vraagt om een gestructureerde manier van leren, waarin systematisch gewerkt wordt aan het conceptualiseren van complexe problemen, vraagarticulatie en het bedenken van oplossingsstrategieën. Een learning community kan dienen als innovatieruimte waarin kruisbestuiving plaatsvindt tussen verschillende types kennis en vaardigheden. Het project “Aanloopactiviteiten learning communities” is erop gericht om in de projectperiode (2022-2023) in grote lijnen twee met elkaar verweven hoofdactiviteiten uit te voeren, namelijk activiteiten die in de tweede fase zorgen voor daadwerkelijke opschaling én activiteiten die zorgen voor leren en kennisontwikkeling óver leren, werken en innoveren in learning communities. De projectperiode is een voorbereidingsjaar waarin in 6 regio’s gebouwd wordt aan een ecosysteem waarmee de HCA GroenvermogenNL gerealiseerd kan worden. Naast de regionale ontwikkeling zijn er 2 landelijke projecten, het onderhavige rond learning community-ontwikkeling en een project waarin gebouwd wordt aan een kennisplatform.
Professionals worden steeds vaker ondersteund door AI (Artificial Intelligence, kunstmatige intelligentie). Maar hoe ervaren professionals dat? Welke vorm van ondersteuning versterkt hun professie en wat willen ze vooral niet? In dit project onderzoeken we hoe verschillende rollen voor AI (besluitvormer, adviseur of kennisbron) worden ervaren door aankomend professionals in de preventieve zorg. Doel Krachtige samenwerking professional en AI Met het project willen we inzicht krijgen in welke invloed verschillende vormen van samenwerking met AI heeft op waarden als autonomie en vertrouwen bij professionals. Deze inzichten willen we vertalen naar vormen van samenwerking waarbij de kracht van zowel professional als AI optimaal tot uiting komt. Resultaten Het beoogde resultaat van het project is een set aan concrete richtlijnen voor het context-afhankelijk ontwerpen van mens-AI samenwerkingen die recht doen aan persoonlijke waarden. Looptijd 01 april 2021 - 31 maart 2022 Aanpak We onderzoeken verschillende rollen van AI door middel van Wizard of Oz experimenten. Hierin voeren studenten paramedische studies een preventieve gezondheidscheck uit met behulp van een gesimuleerd AI algoritme. De resulterende richtlijnen toetsen we in focusgroepen met zorg professionals. Relevantie voor beroepspraktijk Het gebruik van AI heeft grote potentie voor de beroepspraktijk. Er zijn echter ook zorgen over de impact van AI op de maatschappij. Met dit project dragen we bij aan een ethisch verantwoorde inzet van AI. Cofinanciering Dit project wordt uitgevoerd als onderdeel van het programma R-DAISES dat wordt uitgevoerd in het kader van NWA route 25 – verantwoorde waardecreatie met big data en is gefinancierd door NWO (Nederlandse Organisatie voor Wetenschappelijk Onderzoek)
An important line of research within the Center of Expertise HAN BioCentre is the development of the nematode Caenorhabditis elegans as an animal testing replacement organism. In the context of this, us and our partners in the research line Elegant! (project number. 2014-01-07PRO) developed reliable test protocols, data analysis strategies and new technology, to determine the expected effects of exposure to specific substances using C. elegans. Two types of effects to be investigated were envisaged, namely: i) testing of possible toxicity of substances to humans; and ii) testing for potential health promotion of substances for humans. An important deliverable was to show that the observed effects in the nematode can indeed be translated into effects in humans. With regard to this aspect, partner Preventimed has conducted research in obesity patients during the past year into the effect of a specific cherry extract that was selected as promising on the basis of the study with C. elegans. This research is currently being completed and a scientific publication will have to be written. The Top Up grant is intended to support the publication of the findings from Elegant! and also to help design experimental protocols that enable students to become acquainted with alternative medical testing systems to reduce the use of laboratory animals during laboratory training.
