Scriptiebank overzicht

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.

Dit proefschrift richt zich op de dringende behoefte aan robuuste en veilige softwareoplossingen in kritieke infrastructuursystemen, waar plotselinge storingen ernstige gevolgen kunnen hebben. Het onderstreept het belang van tijdige software-updates, vooral in industrieën als de auto-industrie, gezondheidszorg en transport. Het benadrukt de noodzaak van naadloze rollback-mechanismen in geval van storingen.

Het onderzoek introduceert WebAssembly en WebAssembly System Interface als veelbelovende technologieën voor dergelijke toepassingen, maar identificeert een kritiek gat in hun ondersteuning voor het veelgebruikte I2C-protocol in IoT-apparaten.

Het primaire doel van dit onderzoek is om deze kloof te overbruggen door I2C-connectiviteit mogelijk te maken voor WebAssembly-applicaties, met inachtneming van strenge beveiligings-, betrouwbaarheids- en overheadbeperkingen. Daarnaast heeft het proefschrift als doel om deze aanpak te standaardiseren, waardoor de wijdverspreide toepassing in de industrie wordt bevorderd en de duurzaamheid op lange termijn van kritieke infrastructuursystemen wordt gegarandeerd.

Om dit te vergemakkelijken worden de wasi-i2c interfaces voorgesteld. Deze interfaces volgen het capability-based security design principe dat centraal staat binnen WebAssembly System Interface. Om de deugdelijkheid van wasi-i2c vast te stellen worden implementaties geleverd. Deze implementaties variëren van verschillende runtimes, platformen en architecturen. Daarna wordt een evaluatie van de gemiddelde uitvoeringstijd en het geheugengebruik uitgevoerd.

In deze studie wordt met behulp van convolutionele neurale netwerken (CNN’s) een geautomatiseerd scoresysteem ontwikkeld dat radiologen ondersteunt in het opsporen en opvolgen van erosieve artrose.

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.

Deze masterproef onderzoekt de invloed van virtual reality (VR) en augmented reality (AR) op de customer journey (CJ). De probleemstelling richt zich op hoe deze technologieën de interacties en ervaringen van klanten met bedrijven kunnen transformeren. De centrale onderzoeksvraag is: "Hoe kunnen Virtual Reality en/of Augmented Reality de customer journey beïnvloeden?"

Het onderzoek is gestart met een uitgebreide literatuurstudie om een theoretisch kader te bieden. Daarnaast is een kwalitatieve benadering gebruikt, waarbij semigestructureerde interviews zijn gehouden met zes experts in de sector. Tot slot is de data-analyse uitgevoerd met behulp van thematische analyse om patronen en inzichten te identificeren.

Uit het onderzoek blijkt dat VR en AR aanzienlijke voordelen bieden in alle fasen van de
customer journey, van bewustwording tot loyaliteit. VR biedt diepgaande immersieve
ervaringen, terwijl AR praktische en verbeterde interacties in de fysieke wereld mogelijk
maakt. Deze technologieën verbeteren de klantbeleving, verhogen de betrokkenheid en
kunnen leiden tot hogere conversiepercentages.

De conclusie van deze studie is dat VR en AR de potentie hebben om de gehele customer journey te transformeren door innovatieve en boeiende klantervaringen te bieden. De conclusie is daarom dat bedrijven die deze technologieën effectief implementeren, een concurrentievoordeel kunnen behalen en klanttevredenheid kunnen verhogen.

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.

Spatial transcriptomics was deemed Nature’s method of the year in 2020. Because of these novel technologies, it is now possible to analyze subcellular RNA localization in a systematic and large scale manner. This will allow us to answer interesting fundamental biological questions in a variety of biological domains, in health and disease. However, computational methods to characterize subcellular RNA localization are still in their infancy. We therefore aim to tackle the following questions as part of this master thesis study:
How does one automatically classify whether a gene shows a subcellular localized expression pattern or not?
● Using supervised classification
○ Which classification algorithm is best suited? And how do we train it optimally
○ What is the performance of the optimal model?
○ Can we aggregate model classifications of a gene over every cell, and can we create a reliable statistical test to discern the probability that a gene localizes non-randomly?
○ If we can classify patterns from non-patterns, can we classify which specific pattern it is?
● Can we infer subcellular localization directly from the latent space embedding of an in-house developed neural network model, without training a classifier first?
● Do these results on simulated data generalize to real biological/experimental data?

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.

Het praktijkonderzoek richtte zich op de gevolgen van het gebruik van XR op de leerprestaties van leerlingen tijdens geschiedenislessen, met de focus op de informatieverwerking en de motivatie van de leerlingen.
Het onderzoek werd uitgevoerd in vijf klassen van het vierde middelbaar van de doorstroomrichting. De klassen kregen twee lessen over Lodewijk XIV en diens vorstelijk absolutisme. De eerste les was voor alle leerlingen identiek qua inhoud, doelstellingen en werkvormen. In de tweede les was er een verschil in de werkvormen: drie klassen gebruikten XR-tools, terwijl twee klassen dat niet deden. De lessen werden afgesloten met bevragingen en een toets.
Aan de hand van de resultaten van de bevragingen en de toets werd er een conclusie getrokken.
Dit resulteerde in een lesmap voor geschiedenisleerkrachten, om te gebruiken in hun lessen. De map licht twee XR-tools toe: VR 360° video's & de app/website Google Arts & Culture.

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.

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.

Schrijven is een cognitieve vaardigheid die niet alleen een diepgaand begrip van taal en grammatica vraagt maar ook het vermogen om ideeën helder over te brengen. Binnen de cognitieve en ontwikkelingspsychologie bestuderen wetenschappers al decennialang schrijfmodellen om dat proces te schetsen (Flower & Hayes 1980; Bereiter & Scardamalia 1987; Engeström 1987; Zimmerman & Risemberg 1997). Technologische innovaties veranderen de aard van het schrijfproces echter en zorgen voor conceptuele verschuivingen (Cummings 2023). Binnen de academische gemeenschap neemt schrijfvaardigheid een essentiële plaats in aangezien veel kennis schriftelijk geëvalueerd en gepresenteerd wordt. Er is bijgevolg ook een specifiek academisch register met eigen stijlkenmerken (Van Kalsbeek & Kuiken 2014). Ondanks het belang van deze vaardigheid, signaleren onderzoeken dat die daalt bij studenten (Berckmoes & Rombout 2009; De Bakker et al 2015). Het is daarom essentieel om te onderzoeken welke digitale ondersteuningsmechanismen beschikbaar zijn voor studenten (Allen et al. 2016; Strobl 2019) en welke rol generatieve artificiële intelligentie (GenAI) daarin kan spelen sinds november 2022 (Su et al. 2023). De onderzoeksvragen luiden dan ook “In welke mate en voor welke doeleinden schakelen (on)ervaren academische schrijvers GenAI in voor academische schrijfopdrachten?” en “Wat is de houding van (on)ervaren academische schrijvers ten opzichte van GenAI?”

Om een antwoord te bieden op die onderzoeksvragen, heeft deze masterproef kwantitatief en kwalitatief onderzoek gecombineerd. Een online enquête met stellingen in matrixtabellen (studie A) wordt verdiept aan de hand van schrijfopdrachten waarbij 11 studenten ChatGPT gebruiken en in real time geobserveerd worden met think aloud protocols (studie B). De enquête, afgenomen bij 258 studenten sociale wetenschappen of letteren aan de KU Leuven, toont dat de grote meerderheid vooral bekend is met ChatGPT en ongeveer 60% het inzet voor academische schrijfopdrachten. Ze geven aan het vooral te gebruiken tijdens de pre-writing en writing-fasen om concepten uit te leggen, te brainstormen en teksten te verrijken. Ze vinden het een handig hulpmiddel maar zijn ook sceptisch over de betrouwbaarheid en academische integriteit van de gegenereerde inhoud. Ervaren schrijvers (n = 188) rapporteren een frequenter gebruik dan onervaren schrijvers (n = 60) voor alle doeleinden behalve het zoeken van bronnen en staan positiever ingesteld tenzij over het leerverlies en de duidelijkheid van de richtlijnen. Studie B laat zien dat studenten ook synoniemen opzoeken en hele teksten door GenAI laten genereren om die vervolgens te reviseren, waarbij gedrag sterk varieert per individu en geen link met de academische ervaring lijkt te vertonen. Ze gebruiken GenAI als aanvulling in een arsenaal van hulpmiddelen en de resultaten tonen aan dat de gangbare theoretische schrijfmodellen herzien moeten worden. Ook valt op dat sterke schrijfvaardigheden essentieel blijven bij het beoordelen van de output en sommige deelnemers hier voldoening uithalen en verkiezen alles zelf te schrijven. Uit studie B blijkt dat het formuleren van prompts een vaardigheid op zich is die tekortkomingen vertoont. Het hoger onderwijs moet zich zeker ook richten op het aanleren van prompt engineering en een betere kadering bieden van toegestaan gebruik van GenAI in schrijfopdrachten

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 studie werd de prestatie van zes grote taalmodellen (GPT-3.5, GPT-4.0, Copilot, Gemini, Gemini Advanced en Perplexity) geëvalueerd op hun vermogen om nauwkeurige zelfzorgadviezen te geven over medicatie en supplementen. De taalmodellen werden getest met een reeks zelfzorgvragen in verschillende contexten en hun antwoorden werden systematisch verzameld en beoordeeld. De evaluatiecriteria omvatten de nauwkeurigheid van de antwoorden en hun potentieel om de patiënt te helpen.
De resultaten geven aan dat taalmodellen zeer goed in staat zijn om zelfzorgvragen nauwkeurig te beantwoorden en beschikken over de nodige kennis om relevante gezondheidsinformatie te verstrekken. GPT-4.0 kwam naar voren als het meest betrouwbare model en leverde nauwkeurige en uitgebreide antwoorden.
Een belangrijke bevinding van de studie is de aanzienlijke variabiliteit in de antwoorden tussen de modellen, beïnvloed door factoren zoals taal, vraagstructuur en gebruikerscontext. De meeste modellen presteerden beter bij vragen in het Engels dan in het Nederlands, wat wijst op een sterkere trainingsbasis in het Engels. De formulering van de vragen had ook een aanzienlijke invloed, waarbij modellen vaak hun antwoorden aanpasten op basis van de waargenomen voorkeuren van de gebruiker. Dit ondersteunt bevestigingsbias. Deze variabiliteit benadrukt de noodzaak van zorgvuldige overweging bij het integreren van AI-taalmodellen in de gezondheidszorg, aangezien inconsistente antwoorden kunnen leiden tot misinformatie en mogelijks schadelijke beslissingen.
De studie benadrukt dat taalmodellen een cruciaal onderdeel van patiëntenzorg zullen worden. Wanneer ze correct worden gebruikt, kunnen deze modellen de uitkomsten voor patiënten aanzienlijk verbeteren door toegankelijke en nauwkeurige gezondheidsinformatie te verstrekken. Het vermogen van grote taalmodellen om de last voor zorgverleners te verlichten, het begrip van patiënten over medische aandoeningen te verbeteren en 24/7 assistentie te bieden, maakt hen een waardevol hulpmiddel in de moderne gezondheidszorg. Hun inzet moet echter voorzichtig worden benaderd, met zorgvuldige validatie en het aanpakken van mogelijke risico's om hun voordelen te maximaliseren en schade te minimaliseren.

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.

De toenemende adoptie van elektrische voertuigen brengt nieuwe uitdagingen met zich mee op het gebied van fraudepreventie en -detectie. Dit onderzoek richt zich op het ontwikkelen van AI- ondersteunde datavisualisatietechnieken binnen een webapplicatie, om frauduleuze activiteiten, zoals 'vehicle-to-grid'-detectie, 'charge pass fraud', en abnormaal gebruik, te identificeren en te analyseren binnen de groeiende markt van elektrische voertuigen en oplaadinfrastructuur.
De methodologie omvat een literatuurstudie naar machinelearningalgoritmen en frameworks voor zowel de frontend als de backend van de webapplicatie. Relaties in de database werden opgezet met foreign keys en kolommen werden geïndexeerd om prestaties te verbeteren. Er werd een visuele data-analyse uitgevoerd, een isolation forest-algoritme werd ontwikkeld om anomalieën te detecteren, en een API werd gecreëerd voor toegang tot data en resultaten. Tot slot werd een webapplicatie ontwikkeld voor de visualisatie van anomalieën.
De resultaten van dit onderzoek omvatten de ontwikkeling van een operationele webapplicatie met behulp van het Vue.js framework en een REST API gemaakt met FastAPI. Deze webapplicatie is in staat om frauduleuze activiteiten te detecteren en te visualiseren met behulp van het isolation forest AI-algoritme. Deze resultaten dragen bij aan een betere detectie van frauduleuze activiteiten binnen het EV-oplaadecosysteem, wat essentieel is voor het behoud van de integriteit van de oplaadinfrastructuur en het vertrouwen van gebruikers.

Deze scriptie beschrijft de ontwikkeling van een innovatieve softwaretool voor de analyse en het ontwerp van balken in bouwkundige constructies. De tool is speciaal ontworpen voor studenten bouwkunde om hen te helpen bij het begrijpen en toepassen van complexe berekeningen die nodig zijn voor het ontwerpen van veilige en efficiënte structuren. Naast het bieden van gedetailleerde stapsgewijze uitleg over de berekeningen, bevat de software functies zoals automatische optimalisatie van wapening, wat uniek is in vergelijking met bestaande professionele tools. De tool is eenvoudig in gebruik, voldoet aan de Belgische en Europese normen, en is bedoeld om zowel het leerproces van studenten te ondersteunen als een nuttig hulpmiddel te bieden voor professionals in de bouwsector.

In de huidige bedrijfswereld wordt de integratie van milieuverantwoordelijkheid met bedrijfsresultaten steeds belangrijker. Een van de grootste uitdagingen hierbij is het gebrek
aan transparantie en kwaliteit van broeikasgasdata (BKG) in Environmental, Social, and
Governance (ESG) rapporten. Dit probleem belemmert een nauwkeurige beoordeling van
de milieu-impact van bedrijven en vermindert het vertrouwen van stakeholders. In deze
studie wordt een procesgerichte benadering voorgesteld om de kwaliteit en transparantie
van BKG-data in ESG-rapporten te verbeteren. We ontwikkelen een methode die gebruik
maakt van Business Process Model and Notation (BPMN) en proces mining technieken om
BKG-data op een gedetailleerd en gestandaardiseerd niveau te integreren en te visualiseren. Deze aanpak maakt gebruik van een BPMN-extensie om nauwkeurige en verifieerbare data te verkrijgen en te rapporteren. De bevindingen laten zien dat de integratie van
BPMN en proces mining gedetailleerde inzichten kan bieden in de emissiehotspots binnen
bedrijfsprocessen. Dit kan bedrijven in staat stellen om gerichte emissiereductie KPI’s
vast te leggen en de algehele datakwaliteit en transparantie van hun ESG-rapportering te
verbeteren. Deze studie is een fundamentele stap richting een verbeterde standaard voor
ESG-rapportering die kan leiden tot betere vergelijkbaarheid en verhoogd vertrouwen
onder belanghebbenden.

Het is me een genoegen dat ik mijn bachelorproef aan u presenteer. Als een toekomstig leerkracht,
heb ik altijd een interesse gehad in de manier waarop leerlingen het beste worden ondersteund bij
hun leerproces. Tijdens mijn studie hoorde ik heel wat over de noodzaak van innovatieve
leerstrategieën in het lager onderwijs in combinatie met digitale tools.
Mijn ervaringen in Nederland, waar ik drie maanden verbleef en waar de digitalisering al een stap
verder is, hebben mij geïnspireerd om dit onderwerp verder te onderzoeken. Het is interessant om te
zien hoe leerlingen hier reageren en of deze digitale manier van leren effectiever is. Ik werkte aan een
project in België om deze methode te testen en te evalueren. Dit project is een belangrijke stap in de
ontwikkeling van een effectieve leerstrategie in het lager onderwijs.
Ik wil mijn begeleiders, H. Verkest, L. Van Eecke en A. Debo, bedanken voor hun steun en inzichten
tijdens de voorbereiding en het onderzoek. Ik wil ook mijn mentoren, P. Dekruijter en N. Delestrez,
bedanken voor hun ervaring en inzichten in het lager onderwijs, ze gaven mij ook de kansen om het
project op te stellen.
Ik hoop dat mijn onderzoek een bijdrage levert aan de ontwikkeling van effectieve leerstrategieën via
digitalisering in het lager onderwijs en dat het een inspiratie is voor andere leerkrachten om
innovatieve manieren te vinden om hun leerlingen te ondersteunen.
– K.Francis, Ieper, 10 juni

Deze scriptie onderzoekt het gebruik van Virtual Reality (VR) in het secundair onderwijs en de effecten hiervan op de motivatie en kennisretentie van leerlingen. Het doel is dan ook om te bepalen of de toepassing van VR in de klas moet worden voortgezet of heroverwogen.

Mijn scriptie onderzoekt hoe individuele leerpaden met open onderwijsmaterialen kunnen worden aangeboden in het basisonderwijs in kansarme contexten, zoals Gambia. Het KUBO-platform, dat gebruik maakt van de Kolibri-software, biedt offline toegang tot educatieve content via betaalbare technologie zoals de Raspberry Pi. Gebruikerstesten toonden aan dat het platform effectief is, maar verbeteringen nodig heeft voor betere toegankelijkheid. De implementatie begint met training voor leerkrachten en pilotprojecten in Gambia, met plannen voor uitbreiding naar Uganda en Kenia. Het onderzoek concludeert dat technologie een cruciale rol kan spelen in het verbeteren van onderwijskansen in ontwikkelingslanden.

Een ontwerp van een e-voting blockchain die gebruik maakt van Signature Dilution: een nieuw concept dat anonimiteit in openbare communicatie kan creeren. Het protocol wordt beschreven, de veiligheid wordt uitvoerig geanalyseerd en met een implementatie worden simulaties van online verkiezingen uitgevoerd om de performantie te meten.

Nucleaire fusie kan de toekomst van schone energie zijn, maar er zijn problemen met iets genaamd ELMs. Dit zijn plotselinge uitbarstingen van energie die de reactorwand kunnen beschadigen, vergelijkbaar met stoom die vrijkomt uit een snelkookpan. Deze thesis gebruikt AI om ELMs te vinden, wat onderzoek naar fusie-energie gemakellijker maakt.

Mijn scriptie gaat over de toepassing van augmented reality (AR) op de campus. Ik heb een AR-app ontwikkeld genaamd CampusXplore Alive, die studenten en docenten een nieuwe manier biedt om de campus te ervaren. De app biedt een verscheidenheid aan functies, waaronder:

Spellen en activiteiten: Studenten kunnen deelnemen aan een verscheidenheid aan spellen en activiteiten, zoals een virtuele speurtocht, een escape room en een 3D-tour door de campus.
Informatie: Studenten kunnen informatie over de campus vinden, zoals de geschiedenis, de gebouwen en de evenementen.
Sociale connectie: Studenten kunnen met elkaar communiceren en samenwerken via de app.
Ik heb de app getest met studenten en docenten van de Erasmushogeschool Brussel. De reacties waren zeer positief. Studenten en docenten vonden de app leuk, interactief en informatief.

In mijn scriptie bespreek ik de volgende onderwerpen:

De basisprincipes van augmented reality
De toepassing van augmented reality op de campus
De ontwikkeling van CampusXplore Alive
De resultaten van de gebruikerstest
Ik concludeer dat augmented reality een veelbelovende technologie is voor de campus. AR kan worden gebruikt om de campuservaring te verbeteren door studenten en docenten een nieuwe manier te bieden om te leren, te spelen en te connecten.

Data analytics has been a major part in American football to allow for evaluation of both player and team performances, with a significant amount of data being readily available. Here, a more in-depth analysis in the area of pass rushing and pass blocking will be done by using K-Nearest Neighbor (KNN) machine learning models to find a more precise metric of determining pressure created by the pass rush. Additionally, KNN would be used to predict the motion of a pass rusher, which would then be used to predict pressure created in that new location, allowing for the creation of an entirely new metric, by comparing the true pressure with the predicted one. An extensive analysis with these new metrics would then be conducted, giving American football players and coaches new insights into player and team performances, which can be used to improve the quality of the game, by the means of performance, while at the same time creating new ways of focusing on the safety of the Quarterback. Finally, a dashboard was build on an HTML-based webpage, visualizing the new metrics for a better understanding of its concepts.