Scriptiebank overzicht

Eén op de tien ouderen voelt zich eenzaam (WHO, 2025). Dat raakt niet alleen het welzijn, maar verhoogt ook het risico op onder meer hart- en vaatziekten en depressie. Sociale robots kunnen een aanvullende rol spelen in woonzorgcentra. Niet om het menselijk contact te vervangen, maar om het te versterken.

Een robot die écht een gesprek kan voeren, is echter minder evident dan het lijkt. Dankzij taalmodellen kunnen robots tegenwoordig inhoudelijk een zinvol antwoord geven, maar het gesprek voelt vaak onnatuurlijk aan. De robot heeft moeite met het einde van een zin te bepalen, een bepaald dialect te kunnen verstaan of te kunnen aangeven dat die actief aan het luisteren is. Dat laatste laten we voortdurend merken, met korte signalen zoals "mhm", "ja" of "oh wow", of met een knik. In de literatuur heten die signalen: "backchannels".

Naar aanleiding van deze masterproef werd een module ontwikkeld die Pepper, een sociale robot, laat bepalen wanneer die best een backchannel teruggeeft en welk type (een eerder neutrale "mhm" of een inhoudelijke reactie zoals "wow"). Daarbij werden twee methodes getest om dat moment te voorspellen, een regelgebaseerde en een machine-learningaanpak. Hieruit bleek dat de machine-learningaanpak voor een verhoogde betrokkenheid zorgt met de robot. Zo voelt de robot niet enkel meer natuurlijk aan, maar zorgt dit er ook voor dat mensen langer met de robot in interactie gaan.

Artificiële intelligentie (AI) speelt een steeds grotere rol in de gezondheidszorg. Veel medische AI-toepassingen maken gebruik van Machine Learning (ML), waarbij de kwaliteit en samenstelling van de gebruikte data bepalend zijn voor de prestaties van het model.

In deze masterproef onderzochten we de vertegenwoordiging van mannen en vrouwen in medische ML-datasets. Via een systematische literatuurstudie analyseerden we 221 studies over vier aandoeningen: Acute Kidney Injury (AKI), Traumatic Brain Injury (TBI), Out-of-Hospital Cardiac Arrest (OHCA) en Systemic Lupus Erythematosus (SLE).

Onze resultaten tonen aan dat de sekseverdeling soms niet wordt gerapporteerd en dat datasets regelmatig niet representatief zijn voor de populatie waarop de aandoening voorkomt. Bovendien besteden slechts weinig onderzoekers expliciet aandacht aan de mogelijke gevolgen van deze ongelijkheid voor verschillen in modelprestaties tussen mannen en vrouwen.

Deze bevindingen benadrukken het belang van representatieve datasets, transparante rapportering en een nauwe samenwerking tussen clinici en AI-ontwikkelaars om medische AI betrouwbaar en veilig te kunnen inzetten voor alle patiënten.

Deze thesis onderzoekt hoe Vlaamse audiovisuele professionals de samenwerking met
Netflix ervaren en hoe zij de invloed van het platform op lokale productiepraktijken
waarnemen.

Titel bachelorproef: Falling in love with automatic fall detection

Onderzoeksvraag: Wat is het effect van het gebruik van automatische draagbare valdetectiesystemen op de werking en responstijd bij valincidenten in vergelijking met traditionele draagbare valdetectiesystemen zonder automatische valdetectie bij thuiswonende ouderen vanaf 65 jaar met een valincident?


1. De kern van het probleem en de maatschappelijke maat
In België valt jaarlijks bijna één op de vier 65-plussers minstens één keer. Vallen is niet alleen een medisch incident, maar vormt ook de start van een verhoogd risico op fysieke verwondingen, functionele achteruitgang, sociale isolatie en angst om opnieuw te vallen.
Traditionele personenalarmsystemen, zoals de klassieke alarmknop aan de hals of pols, kennen in de praktijk enkele beperkingen. Ze vereisen een actieve handeling van het slachtoffer. Bij bewusteloosheid, verwarring of wanneer het toestel niet gedragen wordt, blijft hulp uit. Dit kan leiden tot het zogenaamde long lie-fenomeen, waarbij ouderen langere tijd op de grond blijven liggen. Dit kan het risico op complicaties zoals hypothermie, dehydratie en rhabdomyolyse verhogen en in ernstige gevallen zelfs bijdragen aan overlijden. Daarnaast kunnen valincidenten leiden tot ziekenhuisopnames en een bijkomende belasting voor de zorgverlening.

2. De vernieuwende oplossing: automatische valdetectie
Deze bachelorproef onderzoekt en vergelijkt de werking, betrouwbaarheid en responstijd van automatische draagbare valdetectiesystemen, zoals gespecialiseerde sensoren, smartwatches en man-downsystemen, met traditionele alarmknoppen bij thuiswonende 65-plussers.
Automatische systemen maken gebruik van bewegingssensoren, zoals accelerometers en gyroscopen, en algoritmen om bewegingspatronen te herkennen. Ze kunnen een val automatisch detecteren en een alarm activeren, ook wanneer de oudere dit zelf niet meer kan.
Belangrijkste inzichten en resultaten:
• Responstijd: De onderzochte automatische systemen vertoonden over het algemeen een korte responstijd. Bij gespecialiseerde valdetectiesystemen varieerde deze in de gevonden studies van 1 tot 50 seconden.
• Gespecialiseerde systemen: Systemen die op of dicht bij het lichaamszwaartepunt worden gedragen, lieten in de onderzochte studies doorgaans goede resultaten zien op het vlak van valdetectie.
• Smartwatches en man-downsystemen: Smartwatches bieden het voordeel van een hoge draagbaarheid en sociale aanvaarding, maar kennen in de onderzochte systemen een tragere responstijd van ongeveer 60–90 seconden en kunnen gevoeliger zijn voor fout-positieve meldingen door dagelijkse polsbewegingen. Man-downsystemen richten zich voornamelijk op het detecteren van langdurige immobiliteit en kunnen daarom een aanvullende functie hebben bij bepaalde doelgroepen.

3. Waarde voor verpleegkunde, thuiszorg en CM
Automatische valdetectie kan aansluiten bij kwaliteitsvolle, mensgerichte en duurzame thuiszorg.
1. Patiëntgerichtheid en zelfstandigheid: Automatische detectie kan bijdragen aan een groter gevoel van veiligheid en kan ouderen ondersteunen om langer zelfstandig thuis te wonen.
2. Duurzaamheid van zorg: Door een val sneller te detecteren, kan de periode waarin iemand zonder hulp op de grond ligt worden verkort. Hierdoor kunnen bepaalde complicaties mogelijk worden beperkt en kan de druk op de zorgverlening worden verminderd.
3. Proactieve verpleegkundige rol: Verpleegkundigen kunnen een belangrijke rol spelen bij het inschatten van de noden van de patiënt, het kiezen van een geschikt systeem en het begeleiden van de oudere bij het gebruik ervan.

4. Concrete aanbevelingen voor het werkveld
• Inzetten op draagbare sensoren dicht bij het lichaamszwaartepunt: Bij de keuze van een systeem kan worden nagegaan of een sensor ter hoogte van de heup of romp geschikt is voor de individuele gebruiker, aangezien dergelijke systemen in de onderzochte studies goede resultaten lieten zien.
• Focus op sensitiviteit: Geef bij de keuze van een automatisch valdetectiesysteem de voorkeur aan systemen met een hoge sensitiviteit, zodat het risico dat een val niet wordt gedetecteerd zo klein mogelijk blijft en de kans op complicaties door een long lie mogelijk wordt beperkt.
• AI en machine learning verder opvolgen: Verdere ontwikkelingen binnen AI en machine learning kunnen in de toekomst bijdragen aan een betere herkenning van bewegingspatronen en mogelijk het aantal fout-positieve meldingen verminderen. Dit vraagt echter nog verder onderzoek in realistische thuissituaties.
• Multidisciplinaire samenwerking en praktijkonderzoek: Verder onderzoek in de daadwerkelijke thuissituatie is belangrijk om na te gaan hoe betrouwbaar, gebruiksvriendelijk en haalbaar deze systemen zijn. Hierbij is samenwerking tussen verpleegkundigen, andere zorgverleners, technologieontwikkelaars en beleidsmakers relevant.

Conclusie
Automatische valdetectie biedt perspectief om de veiligheid van thuiswonende ouderen te vergroten en de tijd tussen een val en het inschakelen van hulp te verkorten. De technologie kan een belangrijke aanvulling vormen op bestaande personenalarmsystemen, vooral voor ouderen die na een val niet zelfstandig een alarm kunnen activeren.
Voor de verpleegkundige praktijk ligt hierbij een belangrijke rol in het beoordelen van de individuele noden van de oudere en het mee zoeken naar een systeem dat aansluit bij diens mogelijkheden, leefomgeving en bereidheid om het te gebruiken. Op die manier kan technologie niet de zorg vervangen, maar verpleegkundigen ondersteunen in het bieden van veilige, patiëntgerichte en toekomstgerichte thuiszorg.

In deze bachelorproef wordt onderzocht hoe AI-gestuurde educatieve chatbots kunnen worden afgestemd op de noden van leerlingen met leerstoornissen, met een focus op dyslexie en dysfasie. De stage vindt plaats binnen Eureka Expert BV, onderdeel van Eureka Leuven, een toonaangevend Belgisch expertisecentrum die personen met leerstoornissen begeleidt.
Binnen deze context wordt een prototype ontwikkeld van een AI-gedreven chatbot die optreedt als digitale studiebegeleider. Het systeem moet studeren ondersteunen door de leerling te ondervragen en gericht feedback te geven op basis van het studiemateriaal van de gebruiker. Hierbij wordt specifiek rekening gehouden met de noden van leerlingen met dyslexie en/of dysfasie.
Het systeem wordt ontwikkeld in React (TypeScript/Vite). De AI-functionaliteit wordt gerealiseerd via een Node.js/Express-backend met Google Gemini voor tekst- en spraakverwerking. Door gebruik te maken van Retrieval-Augmented Generation (RAG) via Gemini File Search worden antwoorden inhoudelijk afgestemd op het studiemateriaal.
Daarnaast wordt een literatuurstudie uitgevoerd naar informatieverwerking en effectieve leerstrategieën bij leerlingen met dyslexie en/of dysfasie. Op basis hiervan wordt onderzocht hoe een AI-chatbot deze strategieën kan ondersteunen. Daarnaast wordt onderzocht hoe system prompts geoptimaliseerd kunnen worden en wordt een promptstrategie uitgewerkt.
Tot slot wordt een evaluatie uitgevoerd met leerlingen gericht op hun gebruikservaring. Aan de hand van gerichte vragen wordt gepeild naar gebruiksvriendelijkheid, duidelijkheid, motivatie en ondersteuning. De resultaten worden verwerkt in een evaluatiematrix, die toelaat om verbeterpunten te formuleren voor zowel de chatbotinterface als de onderliggende promptstructuur.
Uit de ontwikkeling en evaluatie blijkt dat de AI-gestuurde chatbot potentieel heeft als aanvullende studieondersteuning voor leerlingen met dyslexie en/of dysfasie. De combinatie van Retrieval-Augmented Generation, aangepaste promptstrategieën, eenvoudige taal, herhaling en multimodale interactie zorgt ervoor dat de chatbot beter kan aansluiten bij de noden van deze doelgroep. Doordat de antwoorden gebaseerd worden op het studiemateriaal van de leerling, kan de ondersteuning inhoudelijk relevanter en meer contextgericht worden aangeboden.
De gebruikerstesten tonen aan dat de chatbot door leerlingen als motiverend en behulpzaam kan worden ervaren. Vooral de mogelijkheid om zelfstandig te oefenen, vragen te stellen, uitleg te krijgen en via spraak te communiceren, maakt de toepassing toegankelijker voor leerlingen die moeilijkheden ervaren met lezen, schrijven of taalverwerking. De chatbot biedt bovendien ruimte voor herhaling en directe feedback, wat kan bijdragen aan meer zelfvertrouwen en zelfstandigheid tijdens het studeren.
Tegelijkertijd moet de chatbot worden gezien als een ondersteunend hulpmiddel en niet als vervanging van een leerkracht of begeleider. De resultaten tonen aan dat AI waardevol kan zijn binnen gepersonaliseerde leerondersteuning, op voorwaarde dat de technologie zorgvuldig wordt afgestemd op de doelgroep en ingebed wordt in een veilige, pedagogisch verantwoorde leercontext. Deze bachelorproef toont daarmee aan dat een AI-gestuurde studiebegeleider een veelbelovende aanvulling kan vormen op bestaande digitale leerplatformen voor leerlingen met leerstoornissen.

Deze thesis breidt een framework voor verklaarbare AI uit zodat het realistischere scenario's kan verwerken. Met behulp van reinforcement learning leert een AI-systeem autonoom taken uit te voeren en genereert het interpreteerbare computerprogramma's die zijn beslissingen verklaren. Dit verhoogt de transparantie, ondersteunt menselijke experts bij het valideren van AI-beslissingen en draagt bij aan betrouwbare AI-systemen.

Ondanks de status van Agile Software Development (ASD) als industriestandaard,
blijft de definitie ervan in zowel academische literatuur als de professionele praktijk ge-
fragmenteerd en ambigu. Deze conceptuele onduidelijkheid belemmert organisaties in
het effectief selecteren en implementeren van ASD-praktijken die hun specifieke doel-
stellingen ondersteunen. Dit onderzoek introduceert het Collaboration-Flow-Learning
(CFL) raamwerk, een theoretisch en praktisch model dat ASD-concepten deconstru-
eert in drie orthogonale dimensies: Collaboration, Flow en Learning.
Door middel van een synthese van wetenschappelijke en praktische bronnen, aange-
vuld met expertvalidatie geïnspireerd door de Delphi-methode, toont dit werk aan dat
ASD-praktijken en organisatieproblemen consistent in een gedeelde driedimensionale
ruimte kunnen worden gesitueerd. De resultaten wijzen uit dat het raamwerk fungeert
als een methode-onafhankelijke vertaallaag die shared understanding bevordert tussen
diverse stakeholders, van software-ontwikkelaars tot strategisch management. Dit on-
derzoek legt hiermee de fundering voor een holistische softwaretheorie die de kloof
tussen methodologische voorschriften en organisatorische behoeften kan overbruggen.

This thesis addresses the cognitive friction associated with executing manual tasks using flat 2D documentation in spatial computing environments, where users must constantly shift attention between instructions, physical tools, and machinery. To solve this, we present EmbedLLM, the first automated, context-aware content reformatting framework that adapts both content design and presentation to the user’s environment and specific goal. EmbedLLM converts unstructured step-based PDF manuals into 3D spatially embedded instructions in Virtual Reality (VR). The system operates via a pipeline that abstracts the environment into a semantic scene graph, leverages a multi-stage Large Language Model (LLM) reasoning chain to construct step-based instruction nodes and semantic edges, and instantiates these panels using a novel, semantically aware force-directed 3D label placement algorithm to achieve spatial equilibrium and prevent visual clutter.
We evaluated EmbedLLM through a preliminary preference survey (n = 20) across diverse environments and a within-subjects user study (n = 12) comparing the framework to a traditional floating PDF window during 3D printer maintenance tasks. The preference survey showed that EmbedLLM achieves significantly higher environmental alignment than traditional baseline documents, with participants strongly favoring spatial orchestration for complex, structurally demanding procedures. However, the task execution study revealed a clear trade-off: active task support with EmbedLLM resulted in significantly longer completion times (996.93 s vs. 580.46 s) and increased cognitive load (3.00 vs. 2.31 on the NASA-TLX scale). Qualitative feed-back suggests these performance costs stem from the rigid sequential pacing of the generated interface and novices struggling with hardware terminology.
This work contributes the technical pipeline of EmbedLLM, a semantically enhanced physics layout algorithm, and empirical insights on context-aware XR instruction delivery. Future research directions include real-time situated action updates, user skill level adaptation, and integration with agentic GUI automation and text-to-3D models.

AI verlicht vooral taken zoals lesvoorbereiding, differentiatie, evaluatie, administratie en creatieve opdrachten. Leerkrachten kunnen hierdoor sneller materiaal ontwikkelen en efficiënter werken. Tegelijk blijft een kritische houding noodzakelijk: AI‑output moet gecontroleerd worden, scholen moeten duidelijke richtlijnen voorzien en leerkrachten hebben opleiding en tijd nodig om te experimenteren. AI ondersteunt het denkproces, maar mag het nooit vervangen.

Deze masterproef onderzoekt de inzetbaarheid van Gaussian Splatting als betrouwbare techniek voor forensische 3D-reconstructie van misdaadscènes. Gaussian Splatting is een recente neurale weergavemethode die vanuit multi-view videobeelden fotorealistische 3D-modellen genereert via ellipsvormige volumetrische primitieven, zogenaamde splats, die samen een continue en vloeiende representatie van de scène vormen. De techniek onderscheidt zich van klassieke mesh-based methoden door haar uitzonderlijke visuele kwaliteit en efficiënte renderingpipeline, maar brengt tegelijkertijd een fundamenteel forensisch probleem met zich mee: tijdens de trainingsoptimalisatie heeft het model de neiging om geometrische informatie bij te verzinnen om gaten in de initialisatiedata op te vullen. Wanneer de reconstructie als juridisch bewijsmateriaal dient, is dergelijke hallucinatie onaanvaardbaar, omdat elke weergegeven vorm of afstand herleidbaar moet blijven tot authentieke, meetbare brondata.

Om dit probleem aan te pakken werd een volledige onderzoeks- en ontwikkelingspipeline opgezet in samenwerking met de Federale Gerechtelijke Politie Limburg. De dataverzameling combineerde videobeelden en meervoudige LiDAR-scans van een gecontroleerde testscène. De videobeelden werden verwerkt via een COLMAP-gebaseerde Structure from Motion (SfM) pipeline die de relatieve camera-poses en een sparse puntenwolk reconstrueerde. De LiDAR-scans werden samengebracht tot één dense referentiepuntenwolk via iteratieve ICP-gebaseerde registratie met outlier filtering op basis van IQR-analyse, radiale filtering en asgeoriënteerde filtering, en vervolgens geëxporteerd als een geïntegreerd .e57-bestand.

De kern van de bijdrage is een alignment pipeline die de sparse COLMAP-puntenwolk uitlijnt met de dense LiDAR-data. De resulterende transformatiematrix wordt toegepast op alle camera-extrinsieken, zodat de LiDAR-geometrie als initialisatiebasis kan dienen voor de Gaussian Splatting-training zonder de architectuur van de trainingsomgeving te wijzigen. Een eigen visibility-based downsampling-stap geeft daarbij prioriteit aan de LiDAR-punten die zichtbaar zijn vanuit de gecalibreerde camera-posities, wat de trainingsefficiëntie verhoogt zonder de geometrische volledigheid te compromitteren.

De Gaussian Splatting-training werd vervolgens uitgebreid met constraints die de geometrische trouw aan de LiDAR-meetdata waarborgen. In de volledig geconstrained variant worden zowel de positie-optimalisatie als de densification van Gaussians uitgeschakeld, waardoor elke splat exact op zijn initiële LiDAR-positie blijft staan. Dit levert een forensisch maximaal betrouwbaar model op, ten koste van visuele volledigheid in zones met beperkte LiDAR-dekking. Een uitgebreide parameterstudie onderzocht vervolgens tussenliggende configuraties, waarbij de interactie tussen de positie learning rate, de opacity learning rate, de opacity regularization en het MCMC-herplaatsingsmechanisme systematisch in kaart werd gebracht. De resultaten tonen aan dat een werkelijk compromis slechts beperkt haalbaar is: een gedeeltelijke vrijstelling van de positie-optimalisatie levert voor structurele elementen zoals wanden en vloer een aanvaardbare visuele kwaliteit op, maar biedt onvoldoende garantie voor dunne objecten met beperkte LiDAR-puntdichtheid. Op basis van de studie werden twee aanbevolen configuraties geformuleerd: één voor gebruik als visueel illustratiemateriaal voor rechters en jury's, en één als volledig geconstrained forensisch bewijsmiddel.

Aanvullend werd een forensische toolchain ontwikkeld die de integriteit van de reconstructie kwantitatief en visueel onderbouwt. De Lichtfeld Studio-module berekent per Gaussian een betrouwbaarheidsscore op basis van de afstand tot zijn initiële LiDAR-positie, en visualiseert deze als een groen-geel-rood kleuroverlay. Een hallucination mask maakt een binaire splitsing tussen originele en nieuw aangemaakte splats, met kleurcodering voor de mate van positionele drift. De juridische validatiemodule voert een kwantitatieve alignmentvalidatie uit op basis van RMSE en overlappercentage, en genereert een integriteitsgeborgd JSON-rapport met SHA-256-hashing over alle relevante velden, een gedocumenteerde chain of custody en een onafhankelijk verifieerbaar RFC 3161-tijdstempel. Tot slot werd een Electron-gebaseerde rechtbankviewer ontwikkeld die dit rapport omzet naar een formeel PDF-deskundigenverslag.

De evaluatie bevestigt dat Gaussian Splatting via de ontwikkelde constrained pipeline forensisch inzetbaar is, mits een duidelijk onderscheid wordt gehanteerd tussen het gebruik als illustratiemateriaal en het gebruik als geometrisch bewijsmiddel. In het laatste geval fungeert de Gaussian Splatting-reconstructie als visuele toelichting bij de LiDAR-puntenwolk, die als primaire meetreferentie bewaard en ingediend dient te worden. De ontwikkelde toolchain biedt de forensische praktijk een transparant en controleerbaar raamwerk om dit onderscheid procedureel te verankeren.

Traditionele reanimatietraining voor verpleegkundigen steunt vaak op externe 2D-interfaces voor feedback, wat leidt tot het split-attention effect. De hulpverlener moet hierbij de aandacht verdelen tussen de fysieke handeling op de reanimatiepop en een extern scherm, wat de cognitieve belasting verhoogt en de leercurve belemmert. Deze bachelorproef onderzoekt hoe Mixed Reality (MR) technologie dit proces kan optimaliseren door real-time, intuïtieve feedback direct in het gezichtsveld
van de gebruiker te projecteren. Het doel van dit onderzoek was de ontwikkeling van een Proof of Concept (PoC) op de Meta Quest 3, waarbij sensordata van een reanimatiepop in real-time wordt gevisualiseerd via een Unity-applicatie. Een significante technische barrière in dit proces was de gesloten aard van de beschikbare communicatieprotocollen. Hoewel de fabrikant eigen ecosystemen aanbiedt, ontbreekt een publiek toegankelijke en gedocumenteerde SDK die directe integratie met de Meta Quest 3 en de Unityomgeving mogelijk maakt. Daarnaast vormt de beperkte native ondersteuning voor Bluetooth Low Energy (BLE) binnen de standaard Unity-ontwikkelomgeving voor Android-gebaseerde headsets een extra hindernis.
Om dit probleem te overbruggen, is een diepgaand technisch onderzoek uitgevoerd
naar het communicatieprotocol van de pop. Door middel van reverse engineering
technieken waaronder het decompileren van officiële software en het analyseren van Bluetooth Low Energy (BLE) pakketjes via HCI snoop logs en Wireshark op een gerouteerd Android-toestel zijn de verborgen handshakes en datacharacteristics
ontcijferd. Het resultaat is een werkend prototype dat live sensordata (zoals compressiediepte en frequentie) vertaalt naar ruimtelijke visualisaties, waaronder een ghost avatar en een dynamisch reagerend hartmodel. De voorlopige resultaten van deze PoC tonen aan dat MR in staat is om de kloof tussen haptische ervaring en visuele feedback te dichten. Dit onderzoek legt hiermee de technische fundamenten voor een nieuwe generatie medische simulatietools die verpleegkundigen effectiever kunnen voorbereiden op kritieke levensreddende situaties.

Een 3D-model maken kan vandaag in enkele seconden met AI tools zoals Meshy: je geeft een korte beschrijving of afbeelding en het systeem levert een model. Maar zodra je er iets klein aan wil veranderen, loop je vast. De meeste tools kunnen een bestaand model niet gericht bijwerken, ze genereren simpelweg een volledig nieuw model waardoor ook de delen die je net wél goed vond mee veranderen. Het alternatief, professionele software zoals Blender, vraagt maanden oefening.
Deze masterproef onderzoekt of generatieve AI gebruikt kan worden om een bestaand 3D-model in gecontroleerde stappen aan te passen, terwijl elk deel dat de gebruiker niet wou veranderen exact behouden blijft. Het voorgestelde systeem laat de gebruiker een schets tekenen op het model en in één zin beschrijven wat er moet veranderen. Op basis daarvan worden enkele voorstellen getoond als afbeelding die iteratief aangepast kunnen worden, waarna het gekozen voorstel wordt omgezet naar een nieuw 3D-model.
De technische kern is een methode genaamd ASMR-3D (Alignment, Selection, Mesh Reconstruction). Die legt het nieuwe en het originele model over elkaar, bepaalt automatisch welk gebied de gebruiker wou wijzigen en bouwt enkel dat gebied opnieuw op door selectieve remeshing. Alle overige punten van het model blijven exact op hun plaats en een dunne overgangszone maakt de transitie vrijwel onzichtbaar.
Het systeem werd geëvalueerd in een gebruikersstudie met veertien deelnemers zonder ervaring in 3D-modelleren. De onveranderde delen bleven ongeveer 27 keer trouwer aan het origineel dan bij een volledige regeneratie. Een gebruikersstudie liet veertien gebruikers toe om het systeem vrij te gebruiken en te beoordelen. Op de User Experience Questionnaire behaalde het systeem op vijf van de zes schalen de hoogste categorie ("uitstekend"), en alle deelnemers gaven aan het opnieuw te willen gebruiken. De belangrijkste resterende beperkingen zijn de hertexturering, die nu het hele model opnieuw inkleurt in plaats van enkel het bewerkte deel en de interface om de automatische selectie bij te sturen.

Tijdens mijn masterproef ontwikkelde ik een slimme assistent die via de smartphonecamera meekijkt met de gebruiker en in 3D aanwijst wat er nodig is. De AI begrijpt zowel tekst als beeld en kan feedback geven wanneer een stap fout loopt. Na succesvolle tests met eenvoudige taken werd het systeem toegepast in twee realistische scenario’s: een medische oefening en het opzetten van een VR-installatie. De resultaten tonen dat zo’n digitale assistent gebruikers effectief kan begeleiden, een eerste stap richting handsfree opleiding via augmented reality.

In mijn bachelorproef “Ethiek in het tijdperk van AI: een lessenpakket voor de tweede graad godsdienstonderwijs” onderzocht ik hoe jongeren bewust kunnen leren omgaan met de ethische grenzen van artificiële intelligentie. Uit mijn onderzoek bij leerkrachten en leerlingen bleek dat er grote interesse is in AI-ethiek, maar dat er weinig geschikt lesmateriaal bestaat. Daarom ontwikkelde ik een lessenpakket en ontwierp ik het bordspel Tussen Mens en Machine. Met dit spel denken leerlingen op een speelse manier na over morele dilemma’s, zoals: Mag een zelfrijdende auto kiezen wie overleeft? of Is AI altijd eerlijk? Het project wil jongeren leren kritisch omgaan met technologie en hen laten ontdekken dat AI niet enkel slim, maar ook menselijk doordacht moet zijn.

Digitale cultuur ontwikkelt zich in een ongekend tempo en wordt gekenmerkt door zowel overvloed als kwetsbaarheid. De vluchtigheid van digitale creaties, van interactieve installaties tot websites, sociale mediaplatformen en andere databestanden, stelt musea en erfgoedinstellingen voor fundamentele vragen. Hoe kan born-digital erfgoed worden geïdentificeerd als cultureel waardevol, duurzaam worden vastgelegd en vervolgens toegankelijk en betekenisvol worden gepresenteerd? Dit onderzoek benadert deze uitdaging vanuit het proces van erfgoedisering, waarbij de vier kernfuncties waarderen, verzamelen, bewaren en presenteren centraal staan. In de digitale context blijken deze functies niet los van elkaar te opereren, maar voortdurend op elkaar in te grijpen. Door middel van beleidsanalyse, theoretische kaders en casestudies van Vlaamse erfgoedinstellingen, waaronder Design Museum Gent, Amsab, de Hendrik Conscience Bibliotheek en KADOC, wordt zichtbaar hoe technische, juridische en beleidsmatige drempels een structurele inbedding van born-digital erfgoed bemoeilijken. Tegelijkertijd tonen innovatieve praktijken aan dat interdisciplinariteit, het gebruik van open standaarden en samenwerking met makers en publiek effectieve strategieën kunnen opleveren. De bevindingen wijzen erop dat een geïntegreerde en structureel verankerde aanpak onontbeerlijk is om digitale cultuur niet alleen te bewaren, maar ook haar betekenis te behouden voor toekomstige generaties.

Mijn scriptie draagt de titel Prototyping Novel Length Measurement Instruments. Het doel van dit onderzoek was het ontwikkelen van een meetinstrument dat meer gericht is op de mens en gebruiksvriendelijker is, in deze scriptie is StoryStick++ ontstaan.

Hoe politieke partijen in de media worden voorgesteld, beïnvloedt hoe burgers hen waarnemen, beoordelen en uiteindelijk ook stemmen. Evaluatieve toon functioneert daarbij als een belangrijke interpretatieve shortcut. Deze studie onderzoekt hoe de toon van nieuwsberichtgeving over Vlaamse politieke partijen geëvolueerd is tussen 2004 en 2024, en in welke mate er structurele verschillen bestaan tussen partijen en tussen kranten.

Met behulp van een RoBERTa-taalmodel wordt op zinsniveau het sentiment gemeten in meer dan 275.000 artikels uit zeven Vlaamse kranten. De analyse toont dat negatieve berichtgeving structureel overheerst, maar dat deze geleidelijk is afgenomen over de tijd. Tegelijkertijd worden systematische verschillen vastgesteld tussen partijen en tussen kranten. Vlaams Belang en N-VA worden over de hele periode het meest negatief voorgesteld, terwijl Groen vaker voorkomt in positieve contexten. Kwaliteitskranten zoals De Morgen, De Standaard en De Tijd zijn in het algemeen kritischer dan populaire kranten zoals Het Laatste Nieuws, Het Nieuwsblad, Gazet van Antwerpen en Het Belang van Limburg. Opvallend is dat die kwaliteitskranten relatief minder negatief zijn over Vlaams Belang dan de populaire kranten.

Hoewel alle partijen een lichte afname in negativiteit vertonen, daalt het negatieve sentiment tegenover Vlaams Belang het sterkst, wat mogelijk wijst op een proces van normalisering. PVDA vormt hierop een uitzondering: de partij is de enige waarvoor het negatieve sentiment (licht) toeneemt over de tijd. Beperkingen van het onderzoek liggen in het feit dat het model niet gefinetuned werd op de Vlaamse politieke context, en dat de analyse geen objectieve maatstaf hanteert voor bias, maar enkel patronen van toon in kaart brengt. Toekomstig onderzoek kan nagaan welke factoren bijdragen aan verschillen in toon, bijvoorbeeld door te controleren voor electorale macht, partijcommunicatie en issue coverage.

De laatste tien jaar hebben zwaartekrachtsgolven kunnen detecteren, strekkingen in de ruimte en de tijd. Toch willen we golven met lagere frequenties kunnen meten met behulp van toekomstige ruimtetelescopen, met name de LISA-missie onder leiding van ESA. Voordat LISA gelanceerd wordt, moet er nog veel voorbereid worden, met name het kwantificeren van haar onzekerheden en ruis. Voorlopig gebruikt de LISA-gemeenschap een paar vereenvoudigingen wanneer ze de ruis en de signalen proberen modelleren met behulp van enkele mooie symmetrieën.

Mijn thesisonderzoek heeft echter aangetoond dat zelfs voor heel simpele signalen je in de problemen terechtkomt wanneer je sommige symmetrieën niet aanneemt tijdens het afschatten van de onzekerheden.

In dit werk onderzoeken we hoe artificiële intelligentie kan helpen om epidemieën eerlijker en efficiënter aan te pakken. Met behulp van reinforcement learning leert een algoritme verschillende maatregelen uitproberen en afwegen, zodat het zowel de medische impact als de sociale last probeert te beperken. Dit onderzoek breidt eerder onderzoek uit door in de sociale last ook het risico op hospitalisatie in rekening te brengen. We kijken hoe het algoritme de maatregelen op een gebalanceerde manier aanpakt en verdeelt tussen de leeftijdsgroepen. Door middel van simulaties en visualisaties tonen we hoe het gebruik van artificiële intelligentie leidt tot meer gebalanceerde strategieën, zonder dat het de effectiviteit van bestrijding van de epidemie beïnvloed.

De bachelorproef onderzoekt de meerwaarde van Social Virtual Reality (SVR) in het basisonderwijs. Aan de hand van literatuurstudie en praktijktests met Mozilla Hubs wordt nagegaan hoe virtuele leeromgevingen motivatie, samenwerking en begrip bij leerlingen kunnen bevorderen. De resultaten tonen dat SVR abstracte leerstof concreet maakt en differentiatie ondersteunt, vooral in vakken zoals geschiedenis en wereldoriëntatie. Ondanks technische en didactische uitdagingen (zoals infrastructuur, tijdsinvestering en beperkte ervaring) besluiten wij dat SVR, mits doordachte implementatie, een innovatieve en inclusieve aanvulling vormt op het traditionele onderwijs.

AI-systemen worden steeds complexer, maar de ontwikkeling van tools om hun transparantie en veiligheid te waarborgen blijft achter. Deze scriptie introduceert de AI Bill of Materials (AIBOM), een uitbreiding op de Software Bill of Materials (SBOM), als een gestandaardiseerd en verifieerbaar overzicht van getrainde AI-modellen en hun omgevingen. Het proof of concept platform AIBoMGen automatiseert het aanmaken van ondertekende AIBOMs door tijdens de training datasets, modelmetadata en omgevingsdetails vast te leggen. Het platform fungeert als neutrale derde partij en garandeert dat elke trainingssessie een verifieerbare AIBOM oplevert. Met cryptografische hashing, digitale handtekeningen en in toto attestation wordt de integriteit beschermd tegen manipulatie. Evaluaties tonen aan dat AIBoMGen ongeautoriseerde wijzigingen betrouwbaar detecteert met minimale prestatie-impact. De resultaten laten zien dat AIBoMGen een belangrijke stap vormt richting veilige en transparante AI-ecosystemen die voldoen aan regelgeving zoals de Europese AI Act.

The growing accessibility and capabilities of Virtual Reality (VR) have made it an increasingly valuable tool for training applications. Enabling multimodality, beyond purely visual feedback, enhances the realism and effectiveness of training. This is especially relevant for astronaut training conducted in environments that differ from those on Earth. Incorporating haptic devices can introduce tactile feedback in VR, but the current research focuses mainly on devices meant for users’ hands. In comparison, this work explores the integration of tactile sensations specifically in the forearm region. The aim is to investigate whether exoskeletons primarily used in the medical field can be implemented to simulate weight sensation for astronaut training in VR. Gravity is rendered through torque control based on the angular position of the forearm. The system is designed with a focus on its portability and accessibility. Initial results indicate that the technical implementation is promising for simulating varying gravitational conditions. By introducing a way to simulate weight sensation, this research contributes to the underexplored
area of multimodal VR experiences, particularly in tactile feedback on the user’s forearm.

Deze scriptie onderzoekt hoe gesimuleerde warmtesignaturen van 3D-modellen uit videogames gebruikt kunnen worden om een AI-systeem te bouwen dat militaire tanks op realtime niveau kan herkennen en classificeren op basis van infraroodbeelden.

Mijn bachelorproef gaat over AI binnen toeristische B2B- en B2C-communicatie. De communicatiemedewerkers van Visit Limburg - een toeristische organisatie die het toerisme in de provincie Limburg ontwikkelt en promoot - wensen artificiële intelligentie te gebruiken om de communicatie met partners én toeristen te verbeteren. Het resultaat is een praktische handleiding met tips over prompten en uitleg over AI-tools.

Deze masterproef ontwikkelt en onderzoekt een nieuw audioverwerkingsalgoritme voor cochleaire implantaten, met als doel de geluidswaarneming dichter bij het normaal gehoor te brengen. Hiervoor werd een gesloten-lusarchitectuur ontworpen waarin een model van een normaalhorend systeem wordt vergeleken met een slechthorend systeem met implantaat. Via deep learning wordt het verschil tussen beide systemen geminimaliseerd, zodat het implantaatmodel geoptimaliseerd kan worden.

Met de groeiende adoptie van cloud computing rijzen vragen over de veiligheid van data en de betrouwbaarheid van cloudproviders. Blind vertrouwen is daarbij riskant, vooral voor gevoelige informatie. Deze scriptie onderzoekt de SVSM-vTPM, een technologie voor onafhankelijke attestatie, en test de toepasbaarheid in publieke clouds zoals AWS, Azure en Google Cloud. Het onderzoek laat zien dat directe inzet nog niet mogelijk is, brengt de beperkingen en fouten van bestaande provideroplossingen in kaart, en ontwikkelt een praktische aanpak voor reproduceerbare attestatie op Azure, zodat organisaties hun data beter kunnen controleren en beschermen.

Diepgaand leren heeft het visueel waarnemingsvermogen bij autonoom rijden aanzienlijk verbeterd, maar conventionele camera's blijven beperkt door bewegingsonscherpte, een beperkt dynamisch bereik en hoge latentie. Gebeurteniscamera's, geïnspireerd door biologische visie, overwinnen deze beperkingen door asynchroon veranderingen in pixelhelderheid te detecteren. Dit mechanisme levert datastromen die schaars, temporeel nauwkeurig en zeer efficiënt zijn voor embedded toepassingen. De inherente schaarste en het gebrek aan intensiteitsinformatie in gebeurtenisgegevens bemoeilijken echter het extraheren van onderscheidende kenmerken en vormen uitdagingen voor de training van neurale netwerken. Daarnaast lijden gangbare datasets zoals CIFAR10-DVS aan een niet-uniforme verdeling van gebeurtenissen door het gebruik van lineaire of polygonaal gevormde bewegingstrajecten tijdens de opname, wat leidt tot periodieke artefacten.
Om deze beperkingen te overwinnen, evalueert dit proefschrift systematisch gebeurtenisrepresentaties—waaronder gestapelde afbeeldingen, voxelrasters en tijdoppervlakken—met standaard CNNs om optimale architecturen voor embedded implementatie te identificeren. Door gebruik te maken van transfer learning met vooraf getrainde ImageNet-modellen wordt de nauwkeurigheid onder beperkte dataomstandigheden aanzienlijk verbeterd. Experimentele resultaten tonen aan dat volledige fine-tuning van het hele netwerk noodzakelijk is om zich aan te passen aan de unieke eigenschappen van gebeurtenisgebaseerde gegevens. Het voorgestelde model integreert dropout, L2-regularisatie en een meerfasig leersnelheidsschema om de trainingsstabiliteit en generalisatie te bevorderen. Met deze co-designbenadering behaalt EfficientNetB0 een nauwkeurigheid van 81,05% op CIFAR10-DVS bij verwerking van gebeurtenissen binnen één temporeel venster.
Voor implementatie identificeert inspectie met het Xilinx Vitis Al-platform TensorFlow's MobileNetV2 als de optimale keuze dankzij volledige compatibiliteit met DPU-hardwareversnellers. Hoewel post-training pruning op basis van globale kanaalrangschikking is onderzocht, is de effectiviteit beperkt door het inherent gebrek aan redundantie in het model. Daarentegen compenseert quantization-aware training (QAT) succesvol het nauwkeurigheidsverlies tijdens INT8-kwantisatie, waarmee real-time prestaties (2,8 ms/frame) bij een ultralaag energieverbruik (1,77 mW) worden bereikt op het KV260 embedded platform.
Gemotiveerd door de beperkingen van bestaande datasets wordt een nieuw acquisitieplatform voorgesteld, waarbij gebruik wordt gemaakt van een Dobot-robotarm voor continue cirkelvormige beweging geïnspireerd op biologische oogbewegingen. Deze methode genereert uniforme gebeurtenisverdelingen en elimineert periodieke artefacten die aanwezig waren in eerdere datasets, wat robuustere training en evaluatie van neurale netwerken op gebeurtenisgegevens ondersteunt.

In woonzorgcentra gaan ondervoeding en voedselverspilling vaak hand in hand. Bewoners krijgen weliswaar uitgebalanceerde maaltijden, maar eten daar vaak slechts een deel van op. Het gevolg: ouderen krijgen te weinig voedingsstoffen binnen en grote hoeveelheden eten verdwijnen in de vuilnisbak. Bestaande opvolgsystemen bieden weinig soelaas: ze zijn arbeidsintensief, houden geen rekening met restjes, of falen bij gemixte en gepureerde maaltijden.

Daarom ontwikkelde ik LeftoVision, een computersysteem dat met behulp van beeldherkenning automatisch berekent hoeveel bewoners eten én hoeveel er wordt verspild. Het systeem vergelijkt foto’s van een maaltijd vóór en na consumptie, herkent de verschillende voedselcomponenten, schat hun gewicht en koppelt dit aan een voedingsdatabank. De resultaten worden bewaard in het Obelisk Core dataplatform en overzichtelijk weergegeven in een dashboard voor zorgverleners.

In tests behaalde LeftoVision een gemiddelde foutmarge van 22 gram per maaltijdonderdeel, voldoende nauwkeurig om kleine verschillen te detecteren. Het systeem vormt zo een belangrijke stap naar datagedreven zorg in woonzorgcentra, met als doel zowel de gezondheid van bewoners te verbeteren als voedselverspilling te beperken.

Detectiemethoden proberen met slimme AI-technieken te achterhalen of een afbeelding al dan niet bewerkt is. In deze scriptie onderzocht ik hoe het toevoegen van logo's of tekst deze methoden kan afleiden waardoor ze vervalsingen missen. Om dit problem aan te pakken ontwikkelde ik een techniek, namelijk gemaskerde AI, die deze methoden veel robuuster maakt, waardoor afleidingen bijna geen invloed meer hebben.

Door de evolutie van de sport is het jureren van ropeskipping freestyles op hoog niveau moeilijk geworden. Zowel het aantal skills in de routine, alsook de snelheid waarmee ze worden uitgevoerd neemt toe. Dit is vooral te merken in Double Dutch freestyles. Daarom worden deze routines zowel live (creativiteit, variatie, muziekgebruik) als vertraagd (moeilijkheidsgraad) gejureerd.
Ondanks het feit dat freestyles op halve snelheid worden herbekeken en hierdoor jureerfouten worden vermeden, merkt men dat er nog enig verschil zit op scores toegekend door juryleden. Door de toegenomen toegankelijkheid van kunstmatige intelligentie, voornamelijk neurale netwerken, werd de vraag gesteld of een AI juryassistent ontwikkeld kan worden die helpt een betere en objectievere score zou opleveren.
Dit onderzoek verkent de mogelijkheid tot het bouwen van zo een juryassistent, de benodigde technieken en uitdagingen. De huidige vorm van de juryassistent bestaat uit drie hoofdzakelijke delen. Het eerste deel gaat over het lokaliseren van springers in de opnames. Niet alle videos zoomen in op de springer of zijn net eerder statische opname. Dit deel is noodzakelijk om computationele overhead te beperken, daar springers soms minder dan een vijfde van het beeld in beslag nemen.
De tweede groote stap is het splitsen van volledige routines in elke uitgevoerde skill. Dit wordt gedaan aangezien het onbegonnen werk zou zijn op om dit manueel te doen.
Het derde deel omvat het herkennen van de gesprongen skill. Voor Double Dutch Freestyles betekent dit een combinatie van uitvoering door draaiers en springers.
Door louter presentatieskills of moeilijk zichtbare skills te makeren als 'unknown' (e.g. wanneer een draaier tussen de springer en camera staat), wordt er verwacht dat het model aangeeft wanneer het niet zeker is.
Voor het lokaliseren slaagde YOLOv11 er in om een mAP50 te behalen tussen de 93-95\%, waarbij het succesvol publiek filterde van atleten, mits kleine foutjes. Hierdoor het Multiscale Vision Transformer model skills ingezoomde crops gebruiken om acties van elkaar te onderscheiden. Deze konden vervolgens herkend herkend worden hetzelfde MViT model of een doormiddel van een Swin Transformer. Het gemiddelde f1 macro gemiddelde van deze modellen lagen tussen de 49 en de 53 procent, door de lage representatie van minder vaak voorkomende skills. Immers lag de totale accuraatheid hoger, tussen de 89 en de 94 procent.
Dit zorgde ervoor dat juryscores door het model konden toegewezen, deze lagen -28 tot -20 procent onder de score toegekend door juryleden.
Verdere onderzoek is nodig om de accuraatheid van de architectuur te verhogen.