Scriptiebank overzicht

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.

This dissertation investigates the design and development of braided Peltier devices for achieving active thermoelectric cooling in shape memory alloy (SMA) actuation mechanisms. The research focuses on the integration of periodically nickel-electroplated thermoelectric fibres into flexible braided textile structures that thermally couple and act as a sheath to SMA wires. By leveraging the Peltier effect within the braid architecture, the system is designed to enhance the thermal management and dynamic response of the SMA-based actuators. The work includes fibre fabrication, braid prototyping, electrical and thermal characterisation, and performance testing of the integrated thermoelectric-SMA smart textile. Results indicate that while passive thermoelectric integration modestly improves actuation timing and force response, active Peltier cooling alone was unable to overcome the dominant effects of Joule heating in the current system. Nonetheless, the trends observed suggest potential for improving thermal management in smart textile systems through enhanced thermoelectric design. The findings contribute to the advancement of flexible, textile-integrated thermoelectric devices and their application in wearables and responsive materials.

Competentiegericht onderwijs (CBE) wordt steeds vaker toegepast in het Vlaams secundair
onderwijs. Voor leerkrachten brengt dit uitdagingen met zich mee bij het interpreteren
van leerlinggegevens en het nemen van gepaste acties. Deze masterproef onderzoekt
hoe een learning analytics dashboard (LAD) leerkrachten kan ondersteunen tijdens
klassenraden, waar belangrijke beslissingen over leerlingen genomen worden.
Via een participatief ontwerpproces werd CLAIRE ontwikkeld, een proof-of-concept
dashboard. Dit dashboard sluit aan bij het Vlaamse competentiekader en is technisch
ge¨ıntegreerd met Moodle, het leerplatform van de partnerschool. Het ontwerp richtte
zich op gebruiksvriendelijkheid, visuele helderheid en praktische toepasbaarheid in het
dagelijkse lesgebeuren.
Feedback van leerkrachten wees op de nood aan duidelijke inzichten, intu¨ıtieve interfaces
en ondersteuning bij het opvolgen van leertrajecten op verschillende niveaus. Hoewel
artifici¨ele intelligentie werd verkend als mogelijke uitbreiding, ligt de focus in het uiteindelijke
prototype op begrijpelijke en bruikbare visualisaties van leerdata.
Kwalitatieve evaluatie toonde aan dat leerkrachten het visuele overzicht erg nuttig
vonden en de duidelijke structuur van competenties per vakgebied sterk waardeerden. Iteratieve
prototyping bracht het belang aan het licht van minimale manuele input, voortgangsvisualisaties
en flexibele filters die aansluiten bij de dagelijkse praktijk. Tijdens een
feedbacksessie op school werd het ontwerp van CLAIRE positief onthaald; leerkrachten
gaven aan dat het dashboard het analyseren van leerlinggegevens aanzienlijk vereenvoudigt.
Deze thesis levert een bijdrage aan het ontwerpen van gebruiksvriendelijke dashboards
voor leerkrachten en biedt concrete richtlijnen voor datagedreven besluitvorming binnen
CBE-contexten.

Deze masterproef onderzoekt de wisselwerking tussen de Algemene Verordening Gegevensbescherming (GDPR) en de nieuwe Europese verordening inzake artificiële intelligentie (AI Act) met bijzondere aandacht voor de rol van menselijk toezicht bij geautomatiseerde besluitvorming. Vertrekkend van de centrale onderzoeksvraag hoe de AI Act het kader van de GDPR voor human oversight versterkt of daarvan afwijkt, wordt een doctrinale juridische methode gevolgd. De analyse omvat primaire rechtsbronnen, waaronder de GDPR en de AI Act met hun voorbereidende documenten en relevante rechtspraak van het Hof van Justitie, evenals beleidsrichtsnoeren en academische literatuur.

De studie toont aan dat artikel 22 GDPR, dat het recht biedt om niet te worden onderworpen aan uitsluitend geautomatiseerde besluiten met rechtsgevolgen of een vergelijkbaar significant effect, in de praktijk op aanzienlijke beperkingen stuit. De criteria “uitsluitend geautomatiseerd” en “significant effect” blijken moeilijk toepasbaar en de vereiste van menselijke tussenkomst blijft inhoudelijk vaag. De AI Act introduceert daarentegen een risicogebaseerd regelgevend kader dat voor hoog-risicosystemen proactieve waarborgen oplegt, waaronder specifieke verplichtingen inzake menselijk toezicht die al in de ontwerpfase moeten worden ingebouwd en gedurende de werking van het systeem behouden.

Hoewel de AI Act zo enkele structurele tekortkomingen van de GDPR corrigeert, blijven fundamentele vragen bestaan over de reikwijdte en de effectiviteit van het opgelegde toezicht. Niet alle maatschappelijk risicovolle toepassingen vallen immers onder de hoog-risicocategorie en de wettelijke vereisten voor daadwerkelijke menselijke controle laten ruimte voor interpretatie en voor louter symbolische naleving. De analyse maakt duidelijk dat het juridisch verankeren van een menselijke factor in processen die per definitie niet-menselijk beslissen een hardnekkige spanning blootlegt: het blijft een onoplosbare paradox om menselijk toezicht als waarborg op te leggen in een domein dat precies gekenmerkt wordt door geautomatiseerde systemen.

Mycotoxinen—kankerverwekkende gifstoffen geproduceerd door bepaalde schimmels—vormen een ernstige bedreiging voor de voedselveiligheid door contaminatie van basisgewassen zoals tarwe en maïs. Deze masterproef ontwikkelt een snelle, niet-destructieve en niet-invasieve detectiemethode die optische spectroscopie combineert met machine learning om meerdere mycotoxinen tegelijk op voedingsproducten te detecteren. Door fluorescentie- en reflectantiespectroscopie te integreren met golflengte-selectie toont het werk aan dat zowel classificatie- als regressiemodellen aan de regelgeving kunnen voldoen met slechts de 10 meest informatieve golflengten, terwijl classificatienauwkeurigheden van >90% haalbaar blijven. Dit minimalistische sensorkoncept maakt real-time triage en batchbrede monitoring mogelijk, zowel inline in industriële processen als in-field.

Deze thesis presenteert een geïntegreerd systeem voor geautomatiseerde monitoring van honingbijen (Apis mellifera L.), waarin computervisie, op maat gemaakte hardware en webgebaseerde datavisualisatie worden gecombineerd. Het systeem omvat een op computervisie gebaseerde arenatest, een studie met geluidsstimulus, een opstelling voor pollenmonitoring en thermische beeldvorming om het gedrag van bijen binnen de kast te volgen.

De arenatest volgt vijf bijen en een Varroa destructor-mijt. Door middel van thresholding en contouranalyse worden de posities van bijen en mijt geïdentificeerd en geanalyseerd met gedragsmaten om potentiële varroaresistentie te beoordelen. Voor de pollenmonitoring werd een op maat gemaakte opstelling ontwikkeld die terugkerende bijen van onderaf registreert. Kleurgebaseerde segmentatie en contouranalyse detecteren pollenladingen, terwijl kleurcorrectie de nauwkeurigheid verbetert. Dit maakt het mogelijk de foerageeractiviteit en efficiëntie van de kolonie te kwantificeren.

Een geluidsstimulus-experiment onderzoekt of de gezondheid van een bijenvolk kan worden afgeleid uit de respons van bijen op een korte geluidspuls. Audiofeatures werden geëxtraheerd en geanalyseerd met behulp van ANOVA, PCA en MANOVA, waarbij significante reacties aan het licht kwamen die kunnen correleren met de toestand van de kolonie. Thermische beeldvorming onder de kast registreert de bewegingen van bijen en de temperatuurverdeling. Door de beelden in zones te verdelen kan de activiteit in specifieke delen van de kast gevolgd worden, wat inzichten biedt in koloniegrootte en -gedrag zonder de kast te openen.

Alle data wordt opgeslagen en gevisualiseerd via een op maat gemaakte website, gehost op een Raspberry Pi. Ondanks het gebruik van deels gesimuleerde data werd de volledige systeemarchitectuur getest. De resultaten tonen aan dat deze niet-invasieve benadering van monitoring waardevol is voor zowel wetenschappelijk onderzoek als de praktische bijenteelt.

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.

Mijn thesis onderzocht een fundamentele paradox : namelijk hoe Open Educational Resources educatie waarborgt voor iedereen - het doet een belofte van democratisatie en gelijkheid - maar tegelijkertijd reproduceert het koloniale hierarchieen in kennis. Het onderzoek werd benaderd vanuit een specifieke case-study naar OER Commons - wat zichzelf een ‘digitale bibliotheek en collaboratief platform’ noemt, waarin talrijke OER verzameld worden - op basis van digitaal veldwerk over deze site, in combinatie met kritische discoursanalyse van het ontwerp van de interface en diens algoritmes, om te kijken naar hoe het platform eruit ziet; hoe het werkt, en welke boodschappen het uitzendt over wat “goede” / “echte” kennis is.

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.

De evolutie van artificiële intelligentie (AI) biedt nieuwe mogelijkheden voor de marketing- en evenementensector, met name binnen contentcreatie. Deze bachelorproef onderzoekt hoe AI-tools op een efficiënte en effectieve manier kunnen bijdragen aan het verbeteren van contentcreatie binnen de evenementensector, met House of Entertainment als opdrachtgever.
Aan de hand van een literatuurstudie, interviews met experts, het uittesten van AI-tools en een enquête bij 386 respondenten (op een vooropgestelde steekproef van 385, met een betrouwbaarheid van 95%) werd vastgesteld dat AI vooral meerwaarde biedt in de voorbereidende fasen van contentcreatie. Denk hierbij aan het brainstormen over ideeën, het genereren van basiscontent zoals teksten of visuals en het structureren van content. Tools zoals ChatGPT, Midjourney en Adobe Firefly blijken zowel in de praktijk als in dit onderzoek vaak gebruikt te worden, wat hun relevantie en toegankelijkheid onderstreept. Ook Ubersuggest bleek een waardevolle aanvulling, vooral bij het optimaliseren van content op basis van zoekwoorden en SEO.
AI kan helpen om repetitieve taken en het creëren van content te versnellen, maar vervangt menselijke creativiteit niet. Kritische tussenkomst door mensen blijft essentieel voor het waarborgen van kwaliteit, nuance en merkbeleving. Vooral bij emotioneel geladen of merkgevoelige communicatie is menselijke controle en verfijning cruciaal. AI is dus vooral geschikt als ondersteunend hulpmiddel bij functionele of informatieve content.
Deze bachelorproef biedt House of Entertainment en de rest van de evenementensector een helder overzicht van enkele bruikbare AI-tools en concrete aanbevelingen voor een verantwoorde implementatie. De resultaten tonen dat AI het potentieel heeft om de efficiëntie van contentcreatie te verhogen, mits de tools strategisch worden ingezet en medewerkers voldoende worden opgeleid.
Deze studie levert niet alleen academische inzichten op, maar biedt ook praktische richtlijnen voor de evenementensector om AI op een doordachte en toekomstgerichte manier te implementeren in hun takenpakket.

Titel scriptie – Bewijsstukken voor de Bachelorproef

Deze scriptie, die heeft gediend als onderdeel van mijn bachelorproef binnen de pBA Energietechnologie, beschrijft mijn ervaringen tijdens verschillende projecten en onderzoeken binnen twee projectvakken bij Save More, evenals mijn stage bij Terpower – part of the Vlinvesta family – in de derde fase van mijn opleiding.

Onderverdeeld in vijf bewijsstukken:
- Save More: Project; Lavetan
- Save More: Klantopdrachten & Organisatiebeheer
- Energieverhaal: Boons BV
- Energieverhaal: Bedrijventerrein; L'Adrien
- Onderzoek: Energiedelen

Toegepaste functieprofielen:
- Calculator & Werkvoorbereider
- Projectleider & Management
- Sustainable Problem Solver
- Design & Build
- Sustainable Problem Solver

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.

In deze bachelorproef werd onderzocht hoe een online cursus kan bijdragen aan het ontwikkelen van basiscompetenties en vertrouwen bij leerkrachten in het secundair kunstonderwijs om AI-tools op een verantwoorde en effectieve manier in te zetten als tutor. De focus werd gelegd op leerkrachten van theorievakken binnen Sint-Lucas kunstsecundair te Antwerpen. In deze school is de zoektocht naar integratie van digitale technologieën nog in ontwikkeling.

Door gebruik te maken van een literatuurstudie werd onderzocht hoe AI kan bijdragen aan gepersonaliseerd leren, een onderwerp dat onder andere Bloom kadert in zijn 2 sigma-probleem. Op basis van deze bevindingen werd een vragenlijst afgenomen bij de leerkrachten om de houding en beginsituatie ten opzichte van AI in kaart te brengen. Vanuit die resultaten werd een e-learningcursus ontwikkeld waarin de AI toepassingen NotebookLM en SchoolAI op een praktische en toegankelijke manier werden aangeleerd.

Nadat de leerkrachten de cursus doornamen gaven alle leerkrachten aan dat hun vertrouwen en basiskennis in het gebruik van AI was toegenomen. Ze gaven aan dat ze zich competenter voelden om AI-tools in te zetten in hun les en waren overtuigd van de meerwaarde voor gepersonaliseerd onderwijs. De leerkrachten benadrukte de duidelijke structuur, praktische insteek en het evenwicht van theorie en concrete toepassingen binnen de cursus als groot pluspunt.

Dit onderzoek toont aan hoe e-learning een krachtig instrument kan zijn om ondersteuning te bieden aan leerkrachten in hun digitale professionalisering. Het biedt een antwoord op de steeds meer toenemende vraag naar begeleiding in het gebruik van AI binnen de stageschool waar deze proef werd uitgevoerd. Het benadrukt dat leerkrachten, mits de juiste ondersteuning, in staat zijn om AI op een pedagogisch verantwoorde manier in te durven zetten.

In een tijdperk waarin informatie gemakkelijk toegankelijk is, maar ook vaak vertekend of misleidend
gepresenteerd wordt, is het essentieel om jongeren voorzien van de nodige vaardigheden en kennis
om kritisch te denken, in staat te stellen betrouwbare informatie te identificeren en aldus actief deel
te nemen aan het democratische proces. Dit is de kern van mijn onderzoek: het verkennen van
manieren waarop we jongeren kunnen helpen om zich te wapenen tegen de impact van fake news
en tegelijkertijd hun politieke bewustzijn te vergroten over hun rol als burger in onze samenleving.

In mijn bachelorproef onderzoek ik niet alleen de huidige stand van zaken met betrekking tot fake
news en het politieke bewustzijn van jongeren, maar ik schuif ook concrete aanbevelingen naar
voren inclusief educatieve interventies om hun bewustzijn te verbeteren. Dit werk zou niet mogelijk
zijn geweest zonder de steun en begeleiding van mijn docenten, medestudenten, de experts en de
politici die ik heb mogen interviewen tijdens mijn onderzoek. Ik bedank in het bijzonder ook mijn
bachelorproef begeleiders Mevrouw T. Buyck & Meneer H. Scheyving voor de goede en zorgvuldige
begeleiding.

Ik hoop van harte dat dit werk niet alleen bijdraagt aan een beter begrip van de uitdagingen waar
we voor staan, maar ook inspireert tot actie. Laten we samen werken aan een toekomst waarin
jongeren vol vertrouwen en bewust hun stem laten horen, gewapend met kennis, kritisch denken
en een diepgeworteld gevoel van burgerzin.

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.

Borstkanker is de meest voorkomende kanker met de hoogste mortaliteit bij vrouwen wereldwijd. Vroegtijdige detectie via mammografische borstkankerscreening verbetert de prognose. Artificiële intelligentie (AI) belooft op haar beurt de efficiëntie van de mammografische screening te verbeteren. Dit literatuuronderzoek richt zich op de potentiële waarde van AI bij mammografische borstkankerscreening.

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

Dengue, een door muggen overgedragen virus, vormt een belangrijke wereldwijde bedreiging voor de gezondheid, vooral in tropische en subtropische gebieden. Met een toenemende incidentie en geografische verspreiding zijn effectieve vaccinatiestrategieën cruciaal voor het beperken van de gevolgen. Dit proefschrift onderzoekt het gebruik van
multi-objectieve multi-armed bandit (MOMAB) algoritmen om optimale vaccintoewijzing te identificeren voor de onderdrukking van dengue-epidemieën, waarbij medische werkzaamheid en monetaire kosten tegen elkaar worden afgewogen.

Het onderzoek gaat na of MOMAB-algoritmen efficiënt een subset van optimale vaccinatiestrategieën kunnen identificeren op basis van stochastische simulaties. Door het dengue-model van Recker et al. uit 2009 uit te breiden met ondersteuning voor vaccinatiestrategieën en leeftijdsheterogeniteit, simuleerden we de effecten van 53 verschillende strategieën.

We pasten verschillende MOMAB-algoritmen aan voor Pareto Front Identification (PFI) en stellen ook een volledig nieuw Top-two Pareto Front Thompson Sampling (TTPFTS) algoritme voor de PFI setting. Om de kwaliteit van de aanbevelingen van de beschouwde algoritmen te evalueren, hebben we drie metrieken ontwikkeld: de Bernoulli metriek, de Jaccard similarity metriek en de Hypervolume metriek.

Uit tests over 100 experimentele herhalingen met een beperkt budget van 30.000
simulaties bleek dat de algoritmen Pareto UCB1, TTPFTS en Pareto Thompson Sampling
consistent uitstekend presteerden in termen van efficiëntie en stabiliteit, en drastisch beter presteerden dan de momenteel gebruikte Uniform Sampling-methode.

De bevindingen tonen aan dat PFI MOMAB-algoritmen effectief zijn in het identificeren van optimale vaccinatiestrategieën voor de bestrijding van dengue op een efficiënte manier. Dit onderzoek draagt bij aan de optimalisatie van vaccinatieprogramma's en biedt een robuust besluitvormingskader voor volksgezondheidsfunctionarissen die geconfronteerd worden met de uitdaging van dengue-epidemieën. Het onderzoek onderstreept het potentieel van MOMAB-algoritmen om de strategische inzet van vaccins, ziektebeheer, en ziektebestrijding te verbeteren.

3D Gaussian Splatting (3DGS) is een veelbelovende techniek voor het reconstrueren van 3D-scènes en het bekijken ervan in real-time. Het is sneller dan andere methoden, zoals Neural Radiance Fields, maar vraagt veel opslagruimte.

In deze scriptie worden twee nieuwe methoden voorgesteld om 3DGS efficiënter te maken. De eerste methode verwijdert overbodige onderdelen uit het 3D-model, wat opslag bespaart en de weergavesnelheid verhoogt. De tweede methode reduceert de hoeveelheid gegevens die nodig is voor belichting in de scène. Samen zorgen deze technieken voor sterke compressie zonder de beeldkwaliteit merkbaar te verminderen.

Bijna tien procent van de Belgen lijdt aan gehoorverlies. Gelukkig kunnen gehoorapparaten vaak helpen, maar wat als die niet langer voldoende zijn? In dat geval kunnen gehoorimplantaten, en meer specifiek cochleaire implantaten, personen met ernstig gehoorverlies opnieuw laten horen. Net als de sterkte van je brilglazen moet je zulke gehoorimplantaten nauwkeurig afstellen op de noden van de drager. Deze scriptie onderzoekt hoe je dat automatisch kan doen, zodat echt iedereen met een cochleair implantaat geholpen kan worden.

Deze scriptie bevat een vergelijkend juridisch onderzoek naar klassieke en sociale media. Vanuit het onderzoek naar de democratische rol van beide types media, vergeleek ik de juridische kaders van klassieke en sociale media.

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.

Elk kunstwerk is onderhevig aan degradatie die veroorzaakt kan worden door een verscheidenheid aan factoren. De risico's die werken lopen zijn afhankelijk van de technieken en materialen die gebruikt werden door de kunstenaar. Conservatiemaatregelen proberen de degradatie van kunstwerken als gevolg van ouderdom of omgevingsfactoren te beperken door de opslag- en tentoonstellingsomstandigheden te controleren. Periodieke beeldvorming en fysisch-chemisch onderzoek zijn belangrijke conservatietaken. De meeste erfgoedinstellingen verzamelen en bewaren de vergaarde informatie over hun kunstcollecties digitaal. Deze data in combinatie met machine learning kan dienen als een essentiële bron van informatie en als een niet-invasieve methode voor diepgaande analyses van kunstwerken. De meeste conservatoren hebben echter niet voldoende kennis over machine learning om dit zelf te implementeren, wat betekent dat samenwerking met ingenieurs noodzakelijk is. Zij begrijpen op hun beurt niet altijd de uitdagingen binnen conservatieonderzoek. Deze masterthesis is dan ook bedoeld als een startpunt voor zowel conservatoren als ingenieurs die meer willen weten over de toepassingen van machine learning in kunstconservering. De focus ligt op vier grote thema’s binnen de conservatie van schilderijen: de leesbaarheid van technische beelden verbeteren, pigmentanalyse, detectie van schade, en voorspellen van schade.

Deze scriptie behandelt hoe computersimulaties gebruikt kunnen worden om dieren in de natuur na te bootsen, specifiek springspinnen. Met deze simulaties kan er zowel onderzoek gedaan worden naar het gedrag van de spinnen als naar mogelijke designs voor een springende robot. Om deze simulaties uit te voeren werd er gebruik gemaakt van evolutionaire algoritmen, om zo de ontwikkeling van het dier in echte evolutie na te bootsen.

Naarmate robots steeds belangrijker worden in diverse industrieën, krijgt de coördinatie van meerdere autonome robots in gedeelde omgevingen meer aandacht in onderzoek. Multi-Robot Systemen (MRS) beloven verhoogde efficiëntie, robuustheid en nieuwe mogelijkheden, maar brengen ook uitdagingen met zich mee, vooral op het gebied van bewegingsplanning. Dit geldt met name voor de coördinatie van meerdere manipulators, waarbij geavanceerde strategieën nodig zijn door de hoge dimensionale complexiteit van het probleem.

Traditioneel worden gekoppelde en ontkoppelde methoden gebruikt om het probleem van bewegingsplanning voor meerdere robots aan te pakken. Gekoppelde methoden hebben aanzienlijke schaalbaarheidsproblemen, omdat de reken- en geheugencapaciteit exponentieel toeneemt met elke extra vrijheidsgraad (DOF) in het systeem. Ontkoppelde methoden daarentegen zijn beter schaalbaar, maar leveren vaak suboptimale oplossingen en bieden geen garanties dat er een oplossing wordt gevonden, zelfs als die er is.

Dit onderzoek verkent een hybride aanpak tot bewegingsplanning, dat gebruikmaakt van Conflict-Based Search (CBS) als het low-level zoekalgoritme voor Probabilistic Roadmaps (PRM). Deze hybride benadering combineert de voordelen van zowel gekoppelde als ontkoppelde methoden. De effectiviteit van de hybride aanpak is geëvalueerd en vergeleken met beide methoden via Python-gebaseerde simulaties in twee experimentele opstellingen: één met vlakke manipulators in elkaars nabijheid en een andere met Franka Emika Panda-manipulators in PyBullet. De resultaten tonen aan dat CBS-PRM beter schaalt bij toenemende dimensionaliteit vergeleken met gekoppelde methoden, en dat het verbeterde slagingspercentages en efficiëntere paden oplevert ten opzichte van ontkoppelde methoden.

De ontwikkeling van deze hybride methode werd ondersteund door de creatie van een bibliotheek voor multi-robot bewegingsplanning, die de besproken algoritmen implementeert en benchmarking in verschillende scenario's ondersteunt. Hoewel de hybride aanpak aanzienlijke verbeteringen biedt, zijn er nog volop mogelijkheden voor verdere verfijning en optimalisatie.

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.

In deze masterproef is een model ontwikkeld dat toelaat om de functionaliteit van de bestaande laadpaalinfrastructuur te analyseren op basis van gegevens over historisch laadgedrag aan deze laadpaalinfrastructuur. Concreet gaat dit model, voor een dataset over historisch laadgedrag, periodes met mogelijke defecten voor een bepaalde laadpaal gaan identificeren, wat toelaat om enerzijds de beschikbaarheid van de laadpalen na te gaan voor deze periode en anderzijds om de dataset te kuisen. Dit laatste is zeer nuttig voor voorspellingsmodellen die ontwikkeld worden op basis van deze datasets.

Astronauten voorbereiden op ruimtewandelingen op aarde is uitdagend vanwege de aanwezigheid van zwaartekracht. Dit onderzoek, uitgevoerd in informele samenwerking met de Europese Ruimtevaartorganisatie, presenteert een bewijs van concept voor het simuleren van nul-zwaartekrachtomgevingen met behulp van virtual reality (VR). Het ontwikkelde systeem, genaamd ZeroTraining, omvat twee belangrijke subsysteem: ZeroPGT en ZeroArm. ZeroPGT is een VR-toepassing die een Extravehicular Activity (EVA)-omgeving simuleert, terwijl ZeroArm een haptisch feedbacksysteem van het encounter-type is dat een controller fysiek uitlijnt met virtuele objecten, waardoor gebruikers de sensatie van het hanteren van nul-zwaartekrachtobjecten kunnen ervaren. Verschillende fundamentele uitdagingen werden aangepakt, waaronder de ontwikkeling van een aangepaste IK FABRIK-algoritme, het tot stand brengen van naadloze communicatie tussen de VR-headset en de robotarm, het fabriceren van de end-effector en het implementeren van hardwareverbeteringen aan de robotarm. De haalbaarheid van het systeem werd gevalideerd door een gebruikservaringsstudie met 10 deelnemers, die een significant potentieel onthulden ondanks de huidige robotbeperkingen en de noodzaak voor verdere verbeteringen.