Scriptiebank overzicht

Koper-nanodeeltjes (Cu NP's) hebben een brede toepasbaarheid, maar hun synthese is gevoelig voor kleine veranderingen in reactieparameters. Deze gevoeligheid, in combinatie met het tijdrovende en arbeidsintensieve karakter van experimentele optimalisatie, vormt een grote uitdaging voor reproduceerbare synthese met gecontroleerde deeltjesgrootte. Bovendien is Machine Learning (ML) weliswaar veelbelovend gebleken voor materiaalonderzoek, maar wordt toepassing ervan vaak beperkt door gebrek aan hoogwaardige experimentele datasets. Deze studie onderzoekt ML om de grootte van Cu NP’s gevormd met microgolf geassisteerde polyolsynthese te voorspellen met kleine datasets, gegenereerd uit 25 intern uitgevoerde syntheses. Latin Hypercube Sampling wordt gebruikt om de parameterruimte van precursorconcentratie, temperatuur en reactietijd efficiënt te samplen. Ensemble-regressiemodellen, gebouwd met het AMADEUS-framework, voorspellen met hoge nauwkeurigheid de deeltjesgrootte en presteren daarmee beter dan klassieke statistische benaderingen. Featureselectie vermindert complexiteit van het model en verbetert generaliseerbaarheid. Daarnaast worden classificatiemodellen, gebaseerd op zowel traditionele random forests als Large Language Modellen (LLM’s), geëvalueerd om onderscheid te maken tussen grote en kleine deeltjes. Terwijl random forests matig presteren, bieden LLM’s geen duidelijke verbeteringen in omstandigheden met weinig gegevens. Over het algemeen toont dit onderzoek dat zorgvuldig samengestelde kleine datasets, in combinatie met robuuste klassieke ML, synthese van Cu NP's effectief kan voorspellen en dat voor laboratoriumonderzoek complexe LLM's geen voordelen bieden.

Mijn bachelorproef gaat over het gebruik van Chromebooks in de lagere school ter bevordering van leerresultaten en digitale vaardigheden.

Het ontdekken van nieuwe interacties tussen geneesmiddelen en proteïne-doelwitten (DTIs) is cruciaal voor therapeutische innovatie, maar experimentele validatie is kostelijk
en schaalt niet naar de astronomische omvang van chemische mogelijkheden. Heterogene, schaarse bindingsdata en beperkte diversiteit belemmeren robuuste voorspelling en de mogelijkheden voor in silico moleculaire ontwerp. Deze scriptie presenteert een geïntegreerd raamwerk dat data, representaties en modellen opschaalt voor DTI-voorspelling en doelwit-gestuurd de novo geneesmiddelontwerp.

Een gecombineerd DTI-corpus (339k interacties) en twee grote pretrainingsbronnen werden samengesteld om zowel supervised als unsupervised leerdoelen te ondersteunen. Centraal in het raamwerk is een flexibele, modulaire multi-branch architectuur: elke branch van het model (geneesmiddel of doelwit) kan geïnstantieerd worden als een encoder met enkele invoer, of als een multi-invoer-encoder die complementaire representaties fuseert (bijv. graaf, vingerafdruk, aminozuursequentie, DNA-signalen).
De geneesmiddel branch kan ook een variatie-sampling kop en een latent-gestuurde, discrete diffusie gebaseerde moleculaire graaf-generator omvatten. Branches kunnen
gezamenlijk getraind worden voor supervised DTI-voorspelling, of onafhankelijk met unsupervised/self-supervised leerdoelen om biologische voorkennis langs domeinen
heen in te brengen.

Resultaten tonen een regime-afhankelijk beeld: in data-arme regimes zijn foundationmodel embeddings het effectiefst, terwijl moleculaire vingerafdrukken de leiding hebben
wanneer data abundant zijn. Analyses tonen aan dat geneesmiddel-representaties de DTI-voorspellingsnauwkeurigheid sturen, met graaf-gebaseerde representaties als
meest invloedrijk; aminozuur- en DNA-signalen zijn complementair voor proteïnen. Algemeen verduidelijkt deze studie wanneer en hoe leren van meerdere representaties
en transfer learning helpen, biedt het een reproduceerbare basis voor DTI-voorspelling, en toont het de haalbaarheid aan van latent-gestuurde omgekeerde diffusie voor het
genereren van chemisch valide, doelwit-specifieke moleculen waarvan de farmacofore kenmerken consistent zijn met de bredere biochemische literatuur.

Puppy’s worden vaak op te jonge leeftijd verhandeld. Dit kan gezondheidsimplicaties voor
zowel de hond, als de menselijke bevolking met zich meebrengen. Hierbij spelen de
minimumleeftijden van acht en vijftien weken een cruciale rol. Deze zijn ingevoerd om te
voorkomen dat te jonge en ongevaccineerde honden verhandeld worden. Deze studie
ontwikkelt daarom met behulp van machinaal leren en survival analyse een techniek om de illegale puppyhandel te bestrijden. Dit gebeurt door middel van modellen die accuraat de leeftijd van een pup kunnen bepalen op basis van zijn gebit.

Ik onderzocht hoe artificiële intelligentie longontsteking sneller en betrouwbaarder kan opsporen op borstkas-röntgenbeelden, en wat er nodig is om zo een systeem veilig, ethisch en juridisch verantwoord richting een ziekenhuis te ontwikkelen. De vraag kwam vanuit het AZ Sint-Maarten: er is nood aan ondersteuning bij triage van pneumoniedetectie.

Technisch bouwde ik een ResNet152-model en trainde dat op publieke Kaggle-datasets. De reality check volgde met geanonimiseerde pediatrische beelden uit AZ Sint-Maarten: door domain shift miste het eerste model te veel echte longontstekingen . Dat heb ik aangepakt met hertraining op pediatrische data, gericht croppen van het longveld en afstemming van helderheid/contrast. In de tweede evaluatie pikte het model alle echte positieve gevallen op.

Naast de prestaties besteed ik veel aandacht aan ethiek en regelgeving. Alle beelden zijn geanonimiseerd en lokaal verwerkt (GDPR). Met Grad-CAM-heatmaps maak ik beslissingen uitlegbaar. Het systeem ondersteunt artsen zij blijven eindverantwoordelijk. Qua regulering positioneer ik het als potentiële MDR-klasse IIa-software en situeer ik het project rond TRL 3→4: van labprototype naar testen in een relevante klinische omgeving. Ik bouwde ook een lokale Streamlit-interface die beelden uploadt, een voorspelling geeft en de heatmap toont. Conclusie: AI kan echt helpen bij triage en vroege detectie, maar robuuste praktijkinzet vraagt representatieve data, uitlegbaarheid, klinische validatie en moet ethisch verantwoord ontwikkeld worden.

Deze bachelorproef onderzoekt de inzet van ChatGPT in het secundair
onderwijs, specifiek binnen de lessen Nederlands. Artificiële intelligentie
(AI) speelt een steeds grotere rol in onze samenleving en biedt diverse
mogelijkheden voor gepersonaliseerd leren en ondersteuning bij
taalvaardigheid. In deze bachelorproef wordt AI gedefinieerd (zie 1.1) en
de impact ervan op de samenleving geanalyseerd (zie 1.2). AI wordt
breed toegepast in verschillende sectoren, waaronder gezondheidszorg en
onderwijs. Dit biedt kansen en uitdagingen, zoals ethische vraagstukken
en de invloed op werkgelegenheid.
In de literatuurstudie wordt dieper ingegaan op ChatGPT als specifieke AItoepassing (zie 2.1), de rol ervan in de samenleving (zie 2.2) en de
toepassing binnen het onderwijs, met een bijzondere focus op het vak
Nederlands (zie 2.3). ChatGPT ondersteunt leerkrachten bij
lesvoorbereiding, het geven van gerichte feedback en het differentiëren
van instructie. Voor leerlingen biedt ChatGPT voordelen bij
schrijfopdrachten, tekstanalyses en gepersonaliseerde leerroutes. Toch
zijn er risico’s, zoals het gevaar van plagiaat en afhankelijkheid. Het
gebruik van ChatGPT vereist een bewuste en kritische inzet van alle
gebruikers, dus zowel leerlingen als leerkrachten.
De literatuurstudie behandelt verder effectieve strategieën voor de
implementatie van ChatGPT in het onderwijs (zie 2.3), zoals het gebruik
van schrijfkaders en effectieve promptconstructie (zie 2.3.4). Daarnaast
wordt het belang van digitale geletterdheid en ethiek bij het gebruik van
AI benadrukt (zie 2.3.5). Leerkrachten moeten worden ondersteund bij
het kritisch evalueren en begeleiden van leerlingen in het gebruik van
ChatGPT, om zo de kwaliteit van het onderwijs te waarborgen.
Tot slot werd een praktijkgerichte handleiding ontwikkeld op basis van de
literatuur, stage-ervaringen (zie 4.1) en feedback van leerkrachten uit het
werkveld (zie 4.2). Deze handleiding bundelt concrete toepassingen,
prompts en lesideeën waarmee leerkrachten in de eerste graad secundair
onderwijs doelgericht met ChatGPT aan de slag kunnen. De positieve
reacties uit het werkveld tonen aan dat ChatGPT een meerwaarde kan
betekenen in de klas, op voorwaarde dat het gebruik ervan kritisch
begeleid wordt en goed ingebed is in de didactische aanpak.

Deze masterproef onderzoekt hoe batterijsystemen optimaal kunnen worden aangestuurd in een context van dynamische elektriciteitsprijzen en het Belgische capaciteitstarief. De focus ligt op industriële verbruikers, waarbij gestreefd wordt naar het minimaliseren van de totale energiekost.
Een nieuw Rolling Horizon Linear Programming (RHLP)-algoritme werd ontwikkeld en
vergeleken met een eenvoudig heuristisch basisalgoritme. Het RHLP-algoritme gebruikt PV-opbrengst, dynamische prijzen en verbruiksvoorspellingen op basis van Extreme Gradient Boosting (XGBoost) om de laad- en ontlaadbeslissingen te optimaliseren over een tijdshorizon van 48 uur. Deze horizon schuift mee met de tijd (rolling
horizon), waarbij de optimalisatie om de 15 minuten wordt herhaald. De PV-opbrengst
werd in de standaardconfiguratie benaderd via werkelijke historische waarden.
De algoritmes werden geëvalueerd aan de hand van uitgebreide simulaties op reële
verbruiksprofielen en historische Belpex-prijsdata. De resultaten tonen aan dat onder
de juiste omstandigheden het RHLP-algoritme tot 20% kostenbesparing kan realiseren
in vergelijking met het basisalgoritme.
Nacht- en weekendverbruik bleek een bepalende factor in de behaalde optimalisatiewinst, wat duidt op een duidelijke invloed van het verbruiksprofiel op het prestatiepotentieel van het algoritme. Daarnaast bleken ook parameters zoals batterijcapaciteit
en prijsschommelingen op de markt van doorslaggevend belang voor de gerealiseerde
resultaten.
Dit onderzoek toont aan dat batterijsturing op basis van verbruiksvoorspellingen via
lineaire optimalisatie kostenbesparingen kan opleveren.

Hitte-extremen zijn moeilijk te onderzoeken door hun zeldzaamheid. Hoewel observaties en klimaatsimulaties essentiële inzichten bieden in toekomstige klimaatextremen, resoneren ruwe statistieken alleen vaak niet met het bredere publiek.

Storylines of Tales of Future Weather kunnen de kloof overbruggen tussen abstracte wetenschap en door mensen beleefde extreme weersomstandigheden, waardoor klimaatverandering tastbaar, herkenbaar en concreet wordt. Een storyline is een zelf-consistente beschrijving van een plausibel klimaatextreem - zoals een hittegolf - in een gegeven klimaat, gebaseerd grondige data-analyse, statistiek en impactmodellen. Zulke wetenschappelijk onderbouwde narratieven werpen licht op vragen als: "Hoe erg zouden de 2024 Balkanhittegolven geweest zijn in een warmer klimaat?" of "Waren ze mogelijk in een pre-industrieel klimaat?" Dergelijke informatie kan belangrijk zijn voor stakeholders en onze samenleving, maar het is niet a priori duidelijk wat de karakteristieken zijn van plausibele extremen in een gegeven, toekomstig klimaat. In mijn thesis introduceer ik een efficiënte methodologie om hittegolven te karakteriseren in een toekomstig Belgisch klimaat, die gebruik maakt van zowel geobserveerde temperatuursreeksen als gesimuleerde klimaatprojecties. Deze techniek kreeg de naam Global Warming Scaling of kortweg GWS.

In GWS wordt een observationele temperatuursreeks geschaald naar een toekomstig klimaat, bijvoorbeeld een opwarming van 2°C boven pre-industriële gemiddelden. In deze getransformeerde reeks zoeken we naar de recordwaarden voor bepaalde jaarlijkse klimaatindices die volgens ons jaren van extreme hitte aanduiden. Een voorbeeld hiervan is de jaarlijkse piektemperatuur. Deze geschaalde recordwaarden worden vervolgens gezien als drempelwaarden die in het toekomstige klimaat overschreden moeten worden vooraleer we van een extreem jaar spreken.

Deze GWS drempelwaarden kunnen gebruikt worden in een zogenaamde data-miningprocedure, waar we in een groot ensemble van gesimuleerde klimaatvoorspellingen dergelijke jaren van extreme hitte gaan identificeren. Eens we zo’n event gevonden hebben, beschikken we over een set meteorologische velden die volgens onze methode geloofwaardig zijn voor een bovengemiddeld warm jaar in het bestudeerde toekomstige klimaat.

We kunnen deze meteorologische data met andere woorden gebruiken als input voor impactmodellen. Dit zijn wiskundige modellen die de impact van extreme temperatuur op de samenleving inschatten. Ik modelleerde in mijn thesis onder andere het aantal werkdagen dat verloren zou gaan door een toename in hittestress, stijgingen in riviertemperaturen, bosbrandgevaar onder aanhoudende droogte, potentiële toename van invasieve insectensoorten en meer. De resultaten van soortgelijke impactstudies kunnen gebruikt worden als referentiemateriaal in het construeren van een storyline met betrekking tot extreme hitte. Op die manier kunnen stakeholders aan de hand van zulke verhaallijnen de zwakke plekken in hun respectievelijke sectoren blootleggen, en kunnen beleidsmakers een beeld vormen van waarop ze zich moeten voorbereiden.

Deze scriptie onderzoekt hoe digitale taaltools – woordenboeken, machinevertaling (DeepL) en generatieve AI (ChatGPT) – de spreekvaardigheid in een vreemde taal beïnvloeden. Dertig studenten bereidden in groep een Engelstalige presentatie voor met één toegewezen tool. De presentaties werden geanalyseerd op vloeiendheid en woordenschat, en beoordeeld door een docent. Ook vulden de studenten een enquête in over hun ervaringen. De resultaten wezen uit dat de DeepL-gebruikers het vlotst spraken, terwijl de ChatGPT-gebruikers de rijkste en meest academische woordenschat hanteerden. Beide groepen presteerden beter dan de woordenboekgroep. Uit de enquête bleek dat DeepL vooral werd gebruikt voor woordenschat, terwijl ChatGPT hielp bij ideeën en argumentatie. De studie wijst op het potentieel van digitale tools in het vreemdetalenonderwijs, op voorwaarde dat studenten leren om ze kritisch en doelgericht in te zetten.

Deze bachelorproef onderzoekt de bijdrage van ondersteuningsmaatregelen aan de leer- en werkprestaties van jongeren met dyslexie tussen 16 en 25 jaar, en de manier waarop zij deze ondersteuning ervaren. Internationaal ligt het prevalentiecijfer op 4–8%. Niet alleen heeft dyslexie gevolgen voor schoolprestaties, maar ook voor de participatie aan de arbeidsmarkt.
1. Onderzoeksvragen en methodologie
Door middel van een literatuurstudie werden de behoeften en bestaande ondersteuning met betrekking tot dyslexie in kaart gebracht. Het praktijkonderzoek bestond uit: interviews met logopedisten en jongeren met dyslexie, een online enquête met 20 respondenten. Er werd onderzocht in welke mate de huidige faciliteiten aansluiten bij de noden van dyslectici, welke belemmeringen er zijn en waar verbeterpotentieel is.
2. Resultaten
De effectiviteit van ondersteuningsmaatregelen varieert per onderwijsinstelling en hangt af van het beleid en de houding van individuele leerkrachten. Jongeren zijn vaak onvoldoende geïnformeerd over beschikbare hulpmiddelen of durven deze niet te gebruiken uit angst ‘anders’ over te komen. Veel jongeren ervaren stress, een laag zelfvertrouwen en prestatiedruk. Faciliteiten zoals ‘extra tijd’ en voorleessoftware worden het meest toegepast. De ondersteuning verschilt per onderwijsniveau: na de lagere school valt de ondersteuning vaak weg.
Er is een gebrek aan psycho-educatie bij zowel leerlingen als leerkrachten. Jongeren vragen om een duidelijk en rechtlijnig beleid dat rekening houdt met hun individuele behoeften. Professionals benadrukken dat structurele aanpassingen nodig zijn om effectieve ondersteuning te bevorderen.
3. Eindproduct
Als eindproduct is het BEWUST-model ontwikkeld. Het acroniem BEWUST bevat zes kernwaarden:
- Begrip: Jongeren en leerkrachten krijgen meer inzicht in wat dyslexie inhoudt.
- Eigenheid: Erkenning dat elke jongere met dyslexie uniek is en andere noden heeft.
- Wijsheid: Vanuit wetenschappelijke kennis kan er een diepgaander beeld gevormd worden van de leerstoornis.
- Uitdagingen: Door moeilijkheden bespreekbaar te maken, ontstaat ruimte voor ondersteuning en realistische aanpassingen.
- Sterktes: Positieve eigenschappen van dyslectische jongeren worden meer erkend.
- Toekomstgericht: Dyslexie speelt levenslang een rol, daarom wordt er gekeken naar duurzame ondersteuning.

4. Conclusie
Er is nood aan een rechtlijnig beleid, meer informatie-uitwisseling en een empathische houding in het onderwijssysteem. Door de nadruk te verleggen naar sterktes, begrip en psycho-educatie, kunnen dyslectische jongeren adequaat ondersteund worden in hun ontwikkeling naar zelfstandige en succesvolle volwassenen.

Mijn masterproef, ‘Survival of the Fit-Agreements’, vertrekt van een actuele vraag: waarom bloeien sommige internationale handelsorganisaties, terwijl vele andere verworden tot ‘zombies’ die enkel op papier bestaan en weinig tot geen resultaten boeken?

De kern van mijn onderzoek is een nieuwe, veel robuustere methode om hun vitaliteit te meten. In plaats van te kijken naar formele criteria of een basisgraviteitsmodel toe te passen, meet ik hun daadwerkelijke handelsprestaties met een state-of-the-art economisch model. De cruciale stap is een counterfactual-analyse: ik vergelijk de reële handel met wat je zou verwachten zónder het akkoord. Dit geeft een veel eerlijker beeld van hun toegevoegde waarde.

Dit leidt tot twee hoofdontdekkingen. Ten eerste is het beeld van een institutioneel kerkhof overdreven: veel minder organisaties zijn disfunctioneel dan gedacht. Ten tweede leg ik een concreet recept bloot voor succes. Het gaat niet om het aantal leden, maar om de interne dynamiek: de aanwezigheid van een grootmacht als ‘anker-staat’, gedeelde democratische waarden, culturele homogeniteit en een evenwichtige machtsbalans zijn cruciaal. Een verrassende bevinding is dat akkoorden tussen hoogontwikkelde landen vaak een ‘plafondeffect’ bereiken en minder extra handel genereren.

In essentie biedt mijn scriptie een empirisch onderbouwde handleiding voor beleidsmakers. Het toont aan dat het succes van internationale samenwerking geen noodlot is, maar het resultaat van doordachte keuzes in het ontwerp en beheer van deze vitale instituties.

Deze thesis behandelt het black-box-probleem van machine learning (ML) en het daaruit voortvloeiende gebrek aan gebruikersvertrouwen bij beursvoorspellingen. Er wordt een beslissingsondersteunend systeem geïntroduceerd en geëvalueerd dat de betrouwbaarheid verhoogt. Het systeem combineert hiervoor de voorspellingen van zes uiteenlopende ML-modellen met een transparante, historische analyse. De kerninnovatie is een zoekmachine die historisch vergelijkbare marktperioden identificeert. Vervolgens toont het systeem hoe de modellen in die analoge situaties presteerden: het plaatst hun toenmalige voorspellingen naast de daadwerkelijke marktresultaten.

Een empirisch gebruikersonderzoek vergeleek deze “Multiple Models View” (MMV) met een simplistische interface die slechts één model toonde. De resultaten tonen aan dat de MMV significant betrouwbaarder werd gevonden, het vertrouwen van gebruikers verhoogde en de risico's van voorspellingen effectiever communiceerde. Gebruikers schreven dit toe aan de grotere transparantie, omdat ze meerdere modellen konden vergelijken, en aan de concrete context die de historische prestatie-analyse bood. De thesis concludeert daarom dat de combinatie van meerdere modellen en een historische similariteitsanalyse een krachtige strategie is om weloverwogen gebruikersvertrouwen in complexe, AI-gedreven financiële systemen te creëren.

Deze paper introduceert een innovatieve tool voor het automatisch semantisch annoteren van machine learning-processen in RDF, met als doel om deze te integreren op het semantische web. Dit bevordert transparantie en helpt bij het naleven van de GDPR-wetgeving. De tool maakt gebruik van de Function Ontology (FnO) om Python-functies, -methoden en -klassen semantisch te beschrijven, en integreert de Provenance Ontology (ProvO) om datatransformaties tijdens het verwerkingsproces vast te leggen. Door het beschrijven van functie-implementaties kunnen gebruikers deze processen nadoen en uitvoeren, terwijl gedetailleerde provenance-informatie wordt vastgelegd. Bovendien worden MLFlow en de MLSchema Ontology gebruikt om machine learning-modellen en hun trainingsprocessen in RDF-formaat te beschrijven. Deze beschrijvingen worden gevisualiseerd met behulp van een stroomdiagram. Dankzij de semantische beschrijving van machine learning-operaties via deze tool kan een individu meer controle behouden over zijn eigen data.

Metacognition, the ability to think about one's thinking processes, is vital for
professional performance, academic achievement, and mental health. However, its
ambiguous nature and subjective measurement techniques across various fields have
posed significant challenges to research. Cognitive neuroscience offers a unique
solution by providing objective measurements that link metacognition to brain activity,
thereby establishing a ground truth. Recently, the convergence of explainable artificial
intelligence (XAI) and perceptual decision-making, a subsection of metacognition
within cognitive neuroscience, has led to the development of the WaveFusion
framework. This innovative framework holds the potential to contribute to the
unification of the fragmented metacognition research fields.
The aim of this thesis was to enhance the WaveFusion framework, an explainable
deep learning model, to classify metacognitive sensitivity and confidence using EEG
data. The objectives were (1) to achieve a classification accuracy of 95% for
metacognitive sensitivity, (2) to improve the accuracy for metacognitive confidence to
97.5%, and (3) to identify key ambiguities and limitations in metacognition research.
This study utilized an EEG dataset with event-related potentials (ERP) responselocked for type 1 decisions. Data preprocessing addressed dataset imbalances
through augmentation and balanced batch sampling. EEG samples were transformed
into spectrograms and processed using the deep learning architecture comprising a
Lightweight Convolutional Neural Network (LWCNN), a Squeeze and Excitation
Network (SEN), and a classification network. The model was pre-trained using Subject
Aware Contrastive loss (SAC) and trained with binary cross-entropy loss. SEN
facilitated the models explainability by visualizing the created attention weights
through topoplots, providing insights into brain areas used for classification.
The WaveFusion model achieved high classification accuracy, reaching 99.7% for
metacognitive confidence and 99.1% for metacognitive sensitivity. These
improvements were due to a larger selection of electrodes, response-locked ERP
data, and increased dataset size. The WaveFusion model not only demonstrates high
classification accuracy but also offers enhanced explainability. This allows the
framework to contribute to three major ambiguities: (1) the relationship between
metacognition and executive functions, (2) its connection to consciousness, and (3)
the domain generality of metacognition. By leveraging the WaveFusion framework, we
can overcome limitations in cognitive neuroscience research through (1) utilizing
transfer learning to compare relationships, (2) employing automatic classification to
investigate ecological validity, and (3) expanding the framework for multimodality to
integrate insights across various fields.
Future research should focus on increasing data variability, addressing outlier
performances, and improving interpretability through advanced visualization
techniques to enhance the WaveFusion model’s robustness and applicability across
cognitive neuroscience domains.

Deze thesis onderzoekt de voortdurende inspanningen van steden om hun uitstoot van broeikasgassen te verminderen aan de hand van het voorbeeld van Kuregem, een wijk in Brussel. Het onderzoek kijkt naar de ruimtelijke en sociale dimensies van deze transitie, benadrukt de beperkingen van de huidige technocentrische benaderingen en onderstreept de behoefte aan geïntegreerde ontwerpstrategieën die collectieve actie combineren met klimaatadaptatie. Sommige nadelige effecten van de huidige benaderingen worden besproken, in het bijzonder de 'Performance Gap' met betrekking tot energie-efficiënte gebouwen. De sociale implicaties van grootschalige energie-infrastructuurprojecten worden besproken en geïllustreerd aan de hand van een concrete case in Rotterdam. Door middel van een ontwerpend onderzoek, waaronder historische en morfologische analyse, ruimtelijk ontwerp en fotografisch onderzoek, worden verschillende benaderingen verkend door middel van straatontwerpen, collages, kaarten en scenario's. Als conclusie van het ontwerponderzoek pleit deze dissertatie voor een geïntegreerde benadering van stedelijke energietransities die prioriteit geeft aan lokale veerkracht en betrokkenheid van de gemeenschap. Hiaten in het begrip van hoe sociale factoren de vraag naar energie in wijken beïnvloeden worden geïdentificeerd.

Few fields in human life benefit from what we call ‘climate change’. The consequences of climate change become apparent and are obstructing–sometimes taking–our lives. This is reason enough to anticipate them and implement mitigation and adaptation strategies through policymaking. However, climate model outputs are plagued with uncertainty; this fact evokes controversy about how they should be interpreted, communicated, and used in decision-making. What do these models tell us and should we base any policy decisions on their outcomes if these are highly uncertain? To warrant our trust in the model outcomes regarding decision-making, the sources of and reasons for the uncertainty should be well-understood.
In this thesis, I investigate the emergence of uncertainty in climate model projections. More precisely, I examine what elements throughout the modelling process are the reason for the uncertainty in the outcomes and how this should be interpreted. Is trust in the outcomes warranted? I evaluate this question as a philosopher of science, conducting a philosophical analysis of the climate modelling process and the concepts related to it.
I cast light on the question by analysing climate modelling in three main ways: through a conceptual analysis of ‘model’, ‘climate’, and ‘system’, through an analysis of the experience of ‘climate’, and from a technical perspective by examining the construction of single-model components, coupled global earth system models, and model ensembles.
When considering how the climate is experienced, I find that it is not clear how it could be experienced since it is a scientifically constructed concept. On the other hand, knowledge of this scientific concept may influence our interpretation of weather phenomena. Furthermore, there are many phases in the model-building process; each phase introduces errors and therefore uncertainty that is carried along to the subsequent phases. Observational data is used to estimate some free values in the model. Choosing which values to align with the data on the one hand and with the physical theory on the other hand requires expert opinion. It is a matter of debate whether the outcomes are trustworthy when they result from alignment with observational data, at the expense of adequate representation of the physical processes. The choices made form a source of subjective uncertainty, while the technical constraints of the chosen approach introduce errors. The concept of ‘adequacy-for-purpose’ means that a model is never adequate relative to the entire climate system, but more apt to answer some questions and less apt to answer others.
Overall, there are three important elements to remember: first, a climate model is built to gain insight into climate phenomena that are highly uncertain. Although the model includes uncertainty too, it reduces the uncertainty in the climate phenomena per se. Secondly, climate models are never ‘true’, but can be adequate for their intended purpose. Using climate model outcomes for answering questions they were not built for will result in meaningless responses. Lastly, including more models and more plausible scenarios will result in more different outcomes; if these outcomes are, on average, closer to the ‘truth’, this should not be a problem. Converging outcomes does not necessarily mean they are more correct. Obtaining more correct average answers, by evaluating more models and more scenarios, is a good practice.

De scriptie test de koppeling uit van een CME simulatiemodel met verschillende voorspellingsmodellen voor geomagnetische indices. Voor de resultaten hiervan worden dan verschillende statistische maatstaven berekend om te kwantificeren hoe goed de voorspellingen zijn na deze koppeling.

Deze thesis stelt een geannoteerd corpus van het Nieuwfrygisch voor. Het eerste hoofdstuk biedt een inleiding tot de taal zelf door de aandacht te vestigen op de externe geschiedenis en genetische status, gevolgd door een grammaticale basisschets en een discussie over de fragmentaire attestatie van de taal. Het tweede hoofdstuk bespreekt de prominentie van het Frygisch in de secundaire literatuur. Daarbij wordt een blik geworpen op de hoopvolle attitude van taalkundigen tegenover onderzoek van de taal in de 21ste eeuw, en op de nauwe verwantschap van het Frygisch met het Oudgrieks. In het derde hoofdstuk komt het annotatieproces aan bod en wordt beschreven hoe de data tot stand zijn gekomen in de FileMaker-omgeving van de KU Leuven. Als laatste wordt nagegaan in hoeverre de gegevens van het geannoteerde corpus beantwoorden aan de beschrijvingen van het Frygisch in de secundaire literatuur inzake basismorfologie, -syntaxis en het lexicon. De resultaten van het onderzoek suggereren dat de grammaticale beschrijvingen in de literatuur weliswaar over het algemeen correct zijn, maar dat er desalniettemin voldoende afwijkingen zijn die verder onderzoek verantwoorden.

This policy report thesis explores the evolution of Anticipatory Action since its inception, tracing the roots from early pilot projects led by the German Red Cross in 2013 to the current usage across multiple countries. The research delves into the complexities of this approach, examining how it has been implemented, the lessons learned, and the potential for scaling up this initiative to ensure they become integral components of national disaster risk management frameworks.

The research identifies key trends in AA plans, highlighting the shift from small-scale pilot projects to more sustainable and widespread implementations. However, it also uncovers continuous challenges, including funding limitations, coordination issues among stakeholders, and the technical complexities linked with accurate forecasting.

In deze bachelorproef werd onderzocht op welke manier we Generatie Z in Vlaanderen kunnen sensibiliseren over de gevolgen van een onnauwkeurige spelling op hun professionele leven. Dit onderzoek had tot doel Generatie Z te sensibiliseren aan de hand van campagnes op sociale media in de vorm van quotes en korte video’s.

Het onderzoek bestaat uit deskresearch en fieldresearch waarbij fieldresearch werd onderverdeeld in kwantitatief en kwalitatief onderzoek. Voor het kwantitatief onderzoek werd gekozen voor het verspreiden van een online-enquête onder zowel Generatie Y als Generatie Z, geboren tussen 1975 en 2010. De vooropgestelde minimum steekproefgrootte was 385 respondenten voor Generatie Z. De enquête heeft uiteindelijk meer dan 750 respondenten bereikt, door de diverse verspreiding op verschillende kanalen. Door dit grote aantal respondenten kon het onderzoeksteam valabele en generaliseerbare conclusies trekken.

Bij het kwalitatief onderzoek heeft het onderzoeksteam 12 respondenten persoonlijk geïnterviewd, waaronder 8 geïnterviewden uit Generatie Z en 4 uit Generatie Y. In dit onderzoek werden voornamelijk open vragen gesteld om diepgaandere antwoorden te verkrijgen. De vragen waren aangepast aan het profiel van de geïnterviewde. Zo kreeg Generatie Z onder andere een kort dictee om hun bewustzijn van de kennis van de Nederlandse spelling te meten. Generatie Y kreeg dan weer doelgerichte vragen over spelling met betrekking tot hun functie.

Door de resultaten van de desk- en fieldresearch te combineren konden we concluderen dat de taal steeds visueler en bondiger wordt. Daarnaast heeft onnauwkeurige spelling wel degelijk een impact op het professionele leven. Generatie Z is zich daar in zekere mate van bewust.

Achtergrond: Schrijven blijft een cruciale vaardigheid ondanks de toenemende digitalisering. Uit onderzoek blijkt dat schrijvend leren effectiever is voor het aanleren van spelling en letterherkenning dan typend leren. Omdat steeds meer leerlingen moeite hebben met schrijven en leerbehoeften steeds diverser worden, zijn er verschillende handschriftoefenprogramma's ontwikkeld om schrijfproblemen aan te pakken, waarbij de focus ligt op het verbeteren van de leesbaarheid, snelheid en schrijfvaardigheid.
Doel: Deze studie onderzocht de impact van het co-teaching handschriftprogramma “Samen Aan de Slag met Schrijven” (SASS) op de leesbaarheid van het handschrift bij typisch ontwikkelende Belgische kinderen uit het tweede leerjaar.
Onderzoeksdesign: Niet-gerandomiseerd gecontroleerd onderzoek.
Methode: Vier klassen van het tweede leerjaar (n = 58 leerlingen, leeftijd 7.2 tot 8.4 jaar), van twee scholen en bijhorende leerkrachten (n=5), namen deel aan het onderzoek. Per school werd één klas toegewezen aan de interventie- en één klas aan de controlegroep. Twee kinderkinesitherapeuten werden gerekruteerd als co-teachers nadat ze 37 uur training hadden gekregen over het SASS-programma. De co-teachers gaven gedurende zes weken eenmaal per week schrijfondersteuning in de interventieklassen, waarbij ze extra aandacht besteedden aan een subgroep van 4-6 kinderen. De controlegroep ontving geen co-teaching. De leesbaarheid en schrijfervaring werden bij alle kinderen twee weken pre-interventie en onmiddellijk post-interventie beoordeeld met respectievelijk de aangepaste Systematische Opsporing Schrijfproblemen (SOS-2-VL) en een Smileyometer. De selectie van de kinderen voor de subgroep was gebaseerd op de Quickscan en de Schoolvragenlijst voor Leerkrachten (SQT). De Quickscan en SOS-2-VL werden ook post-interventie beoordeeld.
Resultaten: De schrijfleesbaarheid verbeterde significant meer in de interventiegroep vergeleken met de controlegroep (gemiddelde SD-verandering interventie = ±2.17, gemiddelde SD-verandering controle = ±2, p = 0.01). Dit was globaal gezien te danken aan een grote verbetering in de subgroep die extra ondersteuning kreeg (pre = 8.09 versus post = 6.18, p < 0.01) en niet aan verandering bij de niet-subgroep van de interventiegroep (pre = 6.47 versus post = 5.63, p = 0.18). Terwijl er bij aanvang een significant verschil in leesbaarheid was tussen de subgroep en de niet-subgroep van de interventiegroep (p = 0.02), konden de kinderen in de subgroep na de interventie hun niet-subgroep klasgenoten bijbenen (p = 0.48). Kinderen in de interventiegroep verbeterden ook significant (p = 0.03) in de categorisatie van de Quickscan, terwijl de kinderen in de controlegroep dat niet deden (p = 0.48). Volgens de Smileyometer ervaarden de kinderen in de controlegroep meer pijn en vermoeidheid tijdens het schrijven post-interventie (p = 0.01), terwijl de kinderen in de interventiegroep gelijk bleven (p = 0,41). Leerkrachten rapporteerden subjectief meer motivatie in de interventiegroep.
Conclusies: Het SASS-programma bleek een gunstig effect te hebben op de leesbaarheid van het handschrift van leerlingen in het tweede leerjaar. Leerkrachten merkten ook verbetering in het schrijven van kinderen in de interventiegroep maar niet tot de subgroep behoorden. Dit effect kan waarschijnlijk worden toegeschreven aan verbeterde schrijfinstructie door de leerkracht na implementatie van tips en tricks van de co-teacher.

Mijn scriptie onderzoekt de rol van astrologische almanakken in het dagelijks leven van de Gentenaar in de 16e en 17e eeuw. Deze kalenders, bevatten astrologische voorspellingen, en waren destijds enorm populair. Mijn onderzoek kijkt naar de sociale status en opleiding van de auteurs, de afnemers (individuen, gilden, ambachten en de overheden), en de vormen van censuur die erop werden toegepast. De kerk en staat probeerden de almanakken te reguleren vanwege hun invloed op het volk, maar ook commerciële censuur door drukkers speelde een rol. Mijn scriptie wil tonen hoe diep astrologie geworteld was in de Gentse samenleving.

Klimaatmodellen voorspellen dat de temperatuur wereldwijd zal blijven stijgen, samen met een toename van de intensiteit en frequentie van hittegolven. Daarbovenop krijgen steden te maken met extra opwarming door het stedelijk hitte-eilandeffect. Met een groeiende stedelijke bevolking, waaronder veel kwetsbare mensen, is het van cruciaal belang om effectieve mitigatiemaatregelen te implementeren om hittestress te verminderen. Hiervoor is temperatuurdata op hoge resolutie noodzakelijk.

Vaak worden numerieke modellen gebruikt om deze data te verkrijgen, maar deze zijn
computationeel zeer intensief, waardoor het moeilijk is om hoge resolutie data te verkrijgen over lange periodes en grote gebieden. Een computationeel goedkoop alternatief voor numerieke modellen zijn statistische modellen, vaak gebaseerd op machine learning technieken. Deze simuleren de temperatuur op basis van datagedreven relaties. De huidige machine learning modellen zijn echter meestal afgestemd op een enkele stad of een beperkte regio, wat resulteert in slechte prestaties voor steden met verschillende karakteristieken. Deze thesis onderzoekt de mogelijkheden om een machine learning model te ontwikkelen dat kan worden toegepast op steden over heel Europa.

De studie gebruikt ruimtelijke en temporele variabelen om een machine learning emulator van het numerieke UrbClim model te construeren. Daarnaast wordt het effect van het aantal steden in de trainingsset bestudeerd. Dit is cruciaal omdat grote datasets met numerieke trainingsdata, zoals die beschikbaar zijn gesteld voor UrbClim, vaak ontoegankelijk of rekenkundig te duur zijn om te verkrijgen

Gehoorapparaten hebben een aanzienlijke evolutie doorgemaakt en zijn getransformeerd tot apparaten die in staat zijn tot aanzienlijke berekeningen op het oor. Naast deze berekeningen wordt verwerking met hoge eisen in het gehoorapparaat systeem uitgevoerd in een gecentraliseerd apparaat, waar meer rekenkracht beschikbaar is. Dit vereist echter(draadloze) gegevensoverdracht tussen deze apparaten, wat de batterijduur nadelig kan beïnvloeden. Verschillende strategie¨ en voor bandbreedte-efficiënte audio bronlokalisatie voor binaurale gehoorapparaten worden vergeleken. Een veelgebruikte strategie is het gebruik van audiocodecs, zoals de LC3+ codec, om de bandbreedte te minimaliseren. Hier wordt ook een bandbreedte
gecomprimeerde versie van een state-of-the-art gedistribueerd systeem onderzocht. Het coöperatieve model verwerkt eerst de microfoonsignalen lokaal voordat de functies naar de centrale processor worden verzonden voor verdere analyse. Het verlagen van de bandbreedte van het systeem impliceert een geschikte compressie van deze functies. Het onderzoek omvat verschillende optimalisaties, waaronder de kwantisatie van de ingebedde functies, aanpassingen aan de functiedimensies, evenals wijzigingen in tijd- en frequentieresoluties. In het algemeen leidden de cumulatieve aanpassingen tot een verbeterde prestatie die iets lager, maar goed vergelijkbaar was met het gecentraliseerde basismodel. Bovendien zijn proof-of-concept experimenten met kennisoverdracht en potentiële uitbreidingen van het coöperatieve model succesvol getest.

Ik heb een ruimtespectrometer ontworpen voor het monitoren van klimaatverandering die betere prestaties levert dan de state-of-the-art in elk domein. De omvang is 90 keer kleiner, waardoor de satelliet in één CubeSat-eenheid past. De ruimtelijke resolutie is beter (<5 km) voor een swathbreedte van 1000 km groter voor een totaal van 3700 km. En het geanalyseerde spectrum is veel groter.

Solar power forecasting is essential for optimizing energy use in residential households.
Machine learning models are promising for this power forecasting because they can
capture its non-linear characteristics. Nonetheless, these models require a significant
amount of data that is unavailable for new installations. To overcome the limited
data availability, this thesis proposes a transfer learning model using Long ShortTerm Memory (LSTM) networks trained on synthetic photovoltaic (PV) generation
provided by the Photovoltaic Geographical Information System. Using the metadata
about a PV installation, this synthetic data simulates the past production of the
new PV installation. The model utilizes Numerical Weather Predictions (NWP)
and autoregressive covariates. This proposed model is compared to benchmarks,
including models trained only on sites’ actual PV power, physical models, and TL
models with no weather covariates.
The research investigates the effect of physics-informed variables on the accuracy
of transfer learning. Furthermore, it examines the usage of reanalysis data to train
with synthetic PV data due to the low accessibility of historical Numerical Weather
Prediction output. Walk-forward validation is employed for forecasting the actual
PV power to simulate real-life conditions and the impact of increasing target data.
The results demonstrate that models trained with historical Numerical Weather
Prediction data achieve higher zero-shot forecasting accuracy. Contrary to expectations, including physics-informed variables did not enhance performance; in fact,
it showed a slight decrease. Additionally, models trained on reanalysis data catch
up with those trained on historical NWP data once limited target data becomes
available.
Discussion highlights include the impact of Storm Darcy in February 2021, which
caused instability in machine learning models and the suitability of other ML models.
The proposed LSTM-based transfer learning model can provide accurate forecasts
even with no or limited actual PV power data, proving its potential for practical
applications in solar power forecasting for residential households.

Accurate electricity price forecasting is critical in today’s volatile energy markets, particularly with the increasing penetration of renewable energy sources. This thesis aims to
compare the increasingly popular deep learning techniques with established statistical
models for electricity price forecasting in the Belgian day-ahead market. The comparative study uses a deep learning method called Long Short-Term Memory (LSTM) and
a statistical LASSO-Estimated Auto-Regressive (LEAR) model both in predicting price
values as well as quantifying their uncertainty. The main findings reveal that the LEAR
model outperforms the LSTM model in terms of accuracy and computation time. The
study emphasizes the importance of recalibration for improving forecasts and challenges the notion that deep learning models always outperform statistical methods.
The research contributes to the literature by providing insights into the effectiveness of
different forecasting models in the field of electricity price prediction.

Teamreflexiviteit – het vermogen van teams om gezamenlijk na te denken over doelen, strategieën en werkwijzen – kan bijdragen aan betere samenwerking en het voorspellen van teamdynamiek.

Door middel van Bayesiaanse statistiek, een statistische methode die onzekerheden in kaart brengt en voorspellingen mogelijk maakt, kunnen wetenschappers inzicht krijgen in hoe teamreflexiviteit zich ontwikkelt tijdens de levenscyclus van een project. Het onderzoek toont aan dat dit proces niet lineair verloopt, maar een bergparabolische vorm heeft, met pieken rondom deadlines en evaluatiemomenten. Elk aspect van teamreflexiviteit – zoals het stellen van doelen of evalueren van werkwijzen en sociale interacties – kent een eigen ontwikkelingspatroon, waarbij sommige vroeg pieken en andere later in het proces.

Uit het longitudinale onderzoek van 12 projectteams blijkt bovendien dat teams onderling sterk verschillen in hun reflexieve ontwikkeling. Dit onderzoek biedt organisaties de mogelijkheid om interventies beter te timen en teamprestaties te optimaliseren, een waardevol hulpmiddel voor succesvolle teams.

Deze thesis onderzoekt de integratie van Federated Learning (FL) binnen het domein van het voorspellen van de hersenleeftijd met behulp van structurele Magnetic Resonance Imaging (MRI) scans. Door gebruik te maken van het FL-framework Flower stelt dit onderzoek medische instellingen in staat om samen voorspellende modellen te ontwikkelen en tegelijkertijd de gegevensprivacy te waarborgen en te voldoen aan regelgeving zoals GDPR en de California Consumer Privacy Act. Door domeinaanpassingstechnieken toe te passen om ervoor te zorgen dat de leeftijd op alle knooppunten vertegenwoordigd is, vermindert dit onderzoek de problemen die ontstaan door heterogene gegevensdistributies, waardoor de modelprestaties verbeteren. De bevindingen benadrukken de effectiviteit van het gebruik van voorgetrainde modellen, namelijk met algoritmen zoals FedProx, die cliëntdrift corrigeren en hun voordeel aantonen in scenario's met zeer scheve gegevensdistributies. Dit onderzoek onderstreept het potentieel van FL om competitieve modellen te produceren die geschikt zijn voor praktische toepassing in neuroimagingtaken. De implicaties reiken verder dan het voorspellen van de hersenleeftijd en suggereren bredere toepassingen in de gezondheidszorg, waar gegevensprivacy en samenwerkend leren cruciaal zijn. Deze thesis dient als een fundamentele inspanning, waarbij theoretische vooruitgang wordt samengevoegd met praktische toepassingen in de medische diagnostiek, en moedigt verdere verkenning en ontwikkeling in deze domeinen aan.

Om te groeien zetten bomen koolstofdioxide (CO2) om in biomassa met behulp van
energie die ze halen uit licht (fotosynthese). Dit proces wordt ook wel koolstofvastlegging
genoemd en zo absorberen bossen zo’n 27% van de jaarlijkse wereldwijde uitstoot van
fossiele brandstoffen. CO2 is een broeikasgas dat warmte vasthoudt en door een enorme
stijging in onnatuurlijke uitstoot in de laatste decennia, zoals door industrialisatie en
ontbossing, is het een cruciale factor in klimaatverandering. Bomen absorberen niet enkel
koolstof uit de lucht, ze houden die ook vast voor een erg lange tijd, bijvoorbeeld in hun
boven- en ondergrondse biomassa. Zo’n 45% van de koolstof op aarde is opgeslagen in
bossen. Daarom bieden bossen veelbelovende toepassingen in de wereldwijde
initiatieven tegen klimaatopwarming. Het beheer van deze bossen speelt hierin een
sleutelrol, maar wetenschappers zijn het nog niet eens of het in deze context juist beter
is om bossen wel of niet te beheren. In deze thesis werden geavanceerde teledetectietechnieken gebruikt om de bovengrondse koolstofvoorraden in een Atlantisch (Nationaal
Park Brabantse Wouden, Vlaanderen, België) en Mediterraan (Catalonië, Spanje)
studiegebied te modelleren, gebaseerd op veldmetingen die als referentie dienden. Paren
en tripletten van beheerde en onbeheerde bossen werden vergeleken om vier
onderzoeksvragen te beantwoorden: 1) Is de combinatie van meerdere teledetectiebronnen superieur voor het schatten van de bovengrondse koolstofvoorraad? 2) Wat is
het effect van bosbeheer op de koolstofvoorraad? 3) Wat is het effect van bosbeheer op
koolstofvastlegging? 4) Wat is het effect van de koolstofvoorraad en het bosbeheer op de
kwetsbaarheid voor kruinbranden? De combinatie van verschillende teledetectiebronnen
bleek voordelig om koolstofopslag te voorspellen, vooral voor hoge biomassa’s. Uit de
veldgegevens in België bleek vervolgens dat onbeheerde bossen een hogere
koolstofopslag hebben dan beheerde bossen. Hoewel het bekomen model accuraat
genoeg voorspellingen maakte, werd dit verschil echter niet succesvol gedetecteerd door
het teledetectie-model, o.a. door saturatie bij signaaldetectie. In Spanje werd geen
verschil in koolstofopslag gemeten, en werd geen succesvol model verkregen. Het
gevarieerde reliëf, het tekort aan observaties en de technologische tekortkomingen
bieden hiervoor een verklaring. Vervolgens werd de koolstofopslag in België geschat voor
alle jaren tussen 2017 en 2023 volgens het finale model, om vervolgens de
koolstofvastlegging doorheen de tijd te berekenen. Hierbij werd geen verschil gevonden
tussen beheerde en onbeheerde bossen, mogelijks omdat ze nog niet lang genoeg
onbeheerd waren of het verschil niet gedetecteerd werd door teledetectie. Klimaatrampen
zoals bosbranden vormen een grote bedreiging voor de koolstofopslag in bossen, zeker
in droogtegevoelige regio’s zoals Spanje. In dit studiegebied werd een kwalitatieve
analyse gedaan naar het verband tussen koolstofopslag, bosbeheer, en de gevoeligheid
voor kruinbranden (waarbij het vuur zich via de kruin aan hoge snelheid verspreidt).
Beheerde bossen zijn over het algemeen minder gevoelig voor kruinbranden, maar er
werd geen verband gevonden met de totale koolstofopslag. Echter, hoe meer biomassa
in kleine bomen opgeslagen is, hoe gevoeliger, omdat het vuur via deze lage vegetatie
de kruin kan bereiken. Verder onderzoek naar de invloed van concrete beheersregimes
kan leiden tot meer specifieke beheersrichtlijnen.