Up until 2005 Peter Mak was involved as pedagogy teacher in the instrumental teacher education of the Bachelor of Music of the Prince Claus Conservatoire. The programme’s pedagogy section consisted of modules developed by Peter including ‘Didactics’, ‘Learning processes’, ‘Study skills’, and ‘Exceptional learners.’ These modules, all thoroughly developed and described by Peter, formed a neatly rolled-out set of tuition for the students in the programme. The content and set-up of the modules were based on the latest developments and insights in education. All modules were underpinned by authentic sources from the field and were easy to read. During the past decade Peter’s influence and ideas for the instrumental teacher education remained of great importance. As a committed colleague he was always interested to look into issues and ideas related to the curriculum and stayed an important critical friend. But possibly most distinguished was his between-the-lines plea for all present and future teachers to approach each individual learner with respect and dignity.
DOCUMENT
Hoofdstuk 2 uit Position paper Learning Communities van Netwerk learning Communities Grote maatschappelijke uitdagingen op het gebied van vergrijzing, duurzaamheid, digitalisering, segregatie en onderwijskwaliteit vragen om nieuwe manieren van werken, leren en innoveren. In toenemende mate wordt daarom ingezet op het bundelen van kennis en expertise van zowel publieke als private organisaties, die elkaar nodig hebben om te innoveren en complexe vraagstukken aan te pakken. Het concept ‘learning communities’ wordt gezien als dé oplossing om leren, werken en innoveren anders met elkaar te verbinden: collaboratief, co-creërend en contextrijk. Vanuit het Netwerk Learning Communities is een groep onafhankelijk onderzoekers van een groot aantal Nederlandse kennisinstellingen aan de slag gegaan met een kennissynthese rondom het concept ‘Learning Community’. Het Position paper is een eerste aanzet tot kennisbundeling. Een ‘levend document’ dat in de komende tijd verder aangevuld en verrijkt kan worden door onderzoekers, praktijkprofessionals en beleidsmakers.
DOCUMENT
Hoe kan in ons land innoveren, werken en leren beter worden verknoopt ten dienste van de grote maatschappelijke opgaven waar we voor staan? NWO, Regieorgaan SIA en Topsectoren hebben het initiatief genomen om meer (praktijkgericht) onderzoek te doen naar zogenoemde Learning communities en de kennis hierover beter te delen. De belangstelling voor Learning communities is enorm gegroeid en nu vaak al een vanzelfsprekend onderdeel van (regionaal-) economisch beleid. De nieuwe samenwerkingsverbanden hebben naar verwachting grote gevolgen voor de toekomst van individuele bedrijven, onderwijs- en kennisinstellingen alsook hun collectieve maatschappelijke impact. De grote maatschappelijke uitdagingen als de energie- en zorgtransitie vragen meer kennis, (menselijk) kapitaal en innovaties. Dit staat centraal in het Missiegedreven Topsectoren- en Innovatiebeleid (MTIB). Vraag daarbij is hoe medewerkers zich (toekomstbehendig) kunnen blijven ontwikkelen en wat de bijdrage van Learning communities kan zijn. Het ‘dichter tegen elkaar gaan organiseren van innoveren, werken en leren’ gebeurt in varianten als: Fieldlabs, Skills labs, Praktijkwerkplaatsen, Living labs, Centres of Expertise (CoE) en Centra voor Innovatief Vakmanschap (CIV). Over de grenzen van de afzonderlijke organisaties, domeinen en professies ontstaan nieuwe leer werkgemeenschappen met alle vragen en effecten vandien. Hoe kunnen we die meerpartijen samenwerkingen beter bouwen, beoordelen, betalen en borgen? Het NWO-onderzoeksprogramma Learning communities omvat onderzoeksprojecten in diverse werkcontexten (logistiek, energie, ICT e.a.). Gemeenschappelijke vraag in het programma: wat zijn de werkzame elementen van zo’n Learning community? Naast kennisontwikkeling door het onderzoeksprogramma wordt ook netwerkvorming gestimuleerd tussen onderzoekers en beleidsen praktijkprofessionals. De overtuiging is dat het potentieel in de driehoek innoveren-werken-leren beter kan worden benut. Voor de versterking van de kennisbasis onder het concept Learning communities hebben wij een inventarisatie gedaan naar benaderingen en zienswijzen. Learning communities worden door ons gepresenteerd als samenwerkingsverbanden tussen organisaties en andere (niet of minder georganiseerde) partijen, die het collectief vermogen vergroten van leren, werken en innoveren. Dit vermogen heeft zowel betrekking op het vermogen van de (beroeps)bevolking om zich aan te passen aan veranderende ONDERZOEKSPROGRAMMA EN NETWERK LEARNING COMMUNITIES 4 beroepen en werkpraktijken als het innovatie- en verdienvermogen van organisaties en bedrijven. We verkennen perspectieven op de inrichting, opbrengsten en de relationele dynamiek in Learning communities. We benadrukken dat Learning communities bestaan uit verschillende actoren, partijen en groeperingen – ook wel praktijken genoemd – en dat juist op de grens tussen deze praktijken geleerd wordt. Een Learning community ontwikkelt zich gaandeweg op verschillende systeemniveaus van samenwerking. We gaan in op het belang van een constructief klimaat van samenwerking waarvoor vaak (proces) begeleiding nodig is. Op basis van de verschijningen, uitkomsten en dynamiek hebben we een aantal kernprincipes gedefinieerd. Wat betreft verduurzaming van de communities pleiten wij voor een andere manier van denken. In plaats van een focus op de bestendiging van een tijdelijke (organisatie)structuur, gaat het dan over het verduurzamen van het proces van samenwerkend leren, werken en innoveren dat in gang is gezet. Ook waardevolle activiteiten en interacties die hun doorwerking of spin-off hebben buiten de Learning community zorgen voor bestendiging en verduurzaming van het samenwerkend leren. De verkenning van de kennisbasis voor de Learning communities heeft ook nieuwe onderzoeksvragen opgeleverd voor academisch en praktijkgericht onderzoek. Naast de verkenning van de kennisbasis heeft een expertgroep Instrumenten gewerkt aan een inventarisatie waarmee de concepten uit de kennisbasis op een praktische wijze kunnen worden vertaald in instrumenten om Learning communities (door) te ontwikkelen. De tips en selectie van instrumenten en aanbevelingen zijn samengebracht rond de verschillende ontwikkelingsfasen van Learning communities te weten starten, ontwerpen, uitvoeren en verduurzamen. Er zijn heel veel instrumenten die ‘facilitators’ van Learning communities en anderen kunnen gebruiken bij het opzetten en begeleiden ervan. Actuele vraag is dus in hoeverre en op welke wijze een digitaal platform het aanbod van - en de vraag naar - dergelijke instrumenten beter bij elkaar kan brengen. Er is daarom een verkenning gedaan naar (het ontwerp van) een digitaal platform vanuit zowel de vraagkant maar ook de aanbodkant van instrumenten (de onderzoekers en ontwikkelaars van instrumenten). Hoe het concept Learning communities verder ‘carrière zal maken’ hangt in belangrijke mate af van de vraag of deze veranderingen in het ‘landschap van leren en innoveren’ beter kunnen worden geborgd dan tot dusver middels projecten (en tijdelijke projectfinanciering). De onderlinge afhankelijkheid tussen bedrijven, kennis- en onderwijsinstellingen wordt hoe dan ook steeds groter en daarmee de noodzaak om samenwerking op een nieuwe en meer duurzame manier te organiseren. De Learning communities-benadering komt ook terug in verschillende recente Groeifondsprojecten en regionaal-economische innovatiestrategieën, wat als een bewijs kan worden gezien van de hoge verwachtingen van de benadering. Met onze ervaringen en inzichten doen wij tenslotte enkele suggesties voor de agendering van het thema in het nieuwe Kennis- en Innovatieconvenant (2024-2027). Wij benadrukken daarbij dat de bestaande Learning communities tot nu vooral (tijdelijke) ‘hulpstructuren’ zijn gebleken die niet hebben geleid tot fundamentele aanpassing van de primaire processen van de ONDERZOEKSPROGRAMMA EN NETWERK LEARNING COMMUNITIES 5 betrokken onderwijsinstellingen, organisaties en bedrijven. Wij verwachten dat in de toekomst de vernetwerking in (regionale) innovatie-ecosystemen meer radicale consequenties gaan hebben voor die ‘staande organisaties’ en de wijze waarop werkend leren wordt georganiseerd, gefinancierd en beoordeeld. Om ons hierop beter voor te bereiden doen wij een aantal aanbevelingen ten behoeve van een nieuwe onderzoeksagenda, professionaliseringsagenda en transitieagenda die verder richting en invulling kunnen geven aan deze maatschappelijke beweging. Een beweging waaromheen de verwachtingen hooggespannen zijn en waaraan wij gezamenlijk middels deze publicatie met plezier een bijdrage hebben geleverd.
DOCUMENT
Huntington’s disease (HD) and various spinocerebellar ataxias (SCA) are autosomal dominantly inherited neurodegenerative disorders caused by a CAG repeat expansion in the disease-related gene1. The impact of HD and SCA on families and individuals is enormous and far reaching, as patients typically display first symptoms during midlife. HD is characterized by unwanted choreatic movements, behavioral and psychiatric disturbances and dementia. SCAs are mainly characterized by ataxia but also other symptoms including cognitive deficits, similarly affecting quality of life and leading to disability. These problems worsen as the disease progresses and affected individuals are no longer able to work, drive, or care for themselves. It places an enormous burden on their family and caregivers, and patients will require intensive nursing home care when disease progresses, and lifespan is reduced. Although the clinical and pathological phenotypes are distinct for each CAG repeat expansion disorder, it is thought that similar molecular mechanisms underlie the effect of expanded CAG repeats in different genes. The predicted Age of Onset (AO) for both HD, SCA1 and SCA3 (and 5 other CAG-repeat diseases) is based on the polyQ expansion, but the CAG/polyQ determines the AO only for 50% (see figure below). A large variety on AO is observed, especially for the most common range between 40 and 50 repeats11,12. Large differences in onset, especially in the range 40-50 CAGs not only imply that current individual predictions for AO are imprecise (affecting important life decisions that patients need to make and also hampering assessment of potential onset-delaying intervention) but also do offer optimism that (patient-related) factors exist that can delay the onset of disease.To address both items, we need to generate a better model, based on patient-derived cells that generates parameters that not only mirror the CAG-repeat length dependency of these diseases, but that also better predicts inter-patient variations in disease susceptibility and effectiveness of interventions. Hereto, we will use a staggered project design as explained in 5.1, in which we first will determine which cellular and molecular determinants (referred to as landscapes) in isogenic iPSC models are associated with increased CAG repeat lengths using deep-learning algorithms (DLA) (WP1). Hereto, we will use a well characterized control cell line in which we modify the CAG repeat length in the endogenous ataxin-1, Ataxin-3 and Huntingtin gene from wildtype Q repeats to intermediate to adult onset and juvenile polyQ repeats. We will next expand the model with cells from the 3 (SCA1, SCA3, and HD) existing and new cohorts of early-onset, adult-onset and late-onset/intermediate repeat patients for which, besides accurate AO information, also clinical parameters (MRI scans, liquor markers etc) will be (made) available. This will be used for validation and to fine-tune the molecular landscapes (again using DLA) towards the best prediction of individual patient related clinical markers and AO (WP3). The same models and (most relevant) landscapes will also be used for evaluations of novel mutant protein lowering strategies as will emerge from WP4.This overall development process of landscape prediction is an iterative process that involves (a) data processing (WP5) (b) unsupervised data exploration and dimensionality reduction to find patterns in data and create “labels” for similarity and (c) development of data supervised Deep Learning (DL) models for landscape prediction based on the labels from previous step. Each iteration starts with data that is generated and deployed according to FAIR principles, and the developed deep learning system will be instrumental to connect these WPs. Insights in algorithm sensitivity from the predictive models will form the basis for discussion with field experts on the distinction and phenotypic consequences. While full development of accurate diagnostics might go beyond the timespan of the 5 year project, ideally our final landscapes can be used for new genetic counselling: when somebody is positive for the gene, can we use his/her cells, feed it into the generated cell-based model and better predict the AO and severity? While this will answer questions from clinicians and patient communities, it will also generate new ones, which is why we will study the ethical implications of such improved diagnostics in advance (WP6).
