Scriptiebank overzicht

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

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

De opkomst van generatieve artificiële intelligentie (GenAI) en machinevertaling (MT) verandert het beroep van vertaler drastisch, wat leidt tot toenemende onzekerheid over de toekomst van het beroep. Tegelijkertijd staan derdejaarsstudenten Toegepaste Taalkunde aan Vlaamse universiteiten voor belangrijke studie- en carrièrekeuzes, waaronder de keuze om vertaler te worden. Deze masterproef onderzoekt hoe zij het beroep van vertaler percipiëren in tijden van GenAI en MT en in hoeverre deze percepties hun keuze om vertaler te worden beïnvloeden.

Traditionele geotechnische ontwerpmethoden in België zijn in hoofdzaak gebaseerd op deterministische of semi-probabilistische benaderingen. Deze leiden vaak tot conservatieve schattingen die de inherente variabiliteit van het bodemgedrag slechts beperkt weerspiegelen. In deze thesis wordt de praktische toepassing van volledig probabilistische geotechnische berekeningen onderzocht, met specifieke aandacht voor het voorspellen van dijkzettingen.

Het onderzoek richt zich op het project voor dijkversterking te Groot Schoor (Bornem), dat deel uitmaakt van het bredere Vlaamse Sigmaplan voor waterveiligheid. Hierbij wordt uitgebreide veld- en laboratoriumdata geïntegreerd met geavanceerde probabilistische methoden.

Een omvattende methodologie wordt ontwikkeld, waarin PLAXIS 2D eindige-elementenmodellering wordt gecombineerd met Python-gebaseerde automatisering en probabilistische berekeningen. Via een sensitiviteitsanalyse worden de belangrijkste bodemparameters geïdentificeerd en gemodelleerd als stochastische variabelen, gebaseerd op kansverdelingen afgeleid uit CPT(u)-gegevens en laboratoriumproeven. Latin hypercube sampling wordt toegepast om representatieve inputsets te genereren, terwijl een response-surface model, getraind op een beperkt aantal PLAXIS-simulaties, een grootschalige probabilistische analyse mogelijk maakt. Bayesian updating, geïmplementeerd via de Markov Chain Monte Carlo-methode, verfijnt de probabilistische voorspellingen door de integratie van werkelijke zettingsmetingen uit de monitorcampagne.

De resultaten tonen aan dat probabilistische methoden niet alleen de variabiliteit en onzekerheid van zettingsgedrag accurater weergeven dan deterministische benaderingen, maar tevens waardevolle inzichten verschaffen in parametersensitiviteit en modelrobuustheid. Deze studie bevestigt de haalbaarheid en de voordelen van het structureel integreren van probabilistische technieken in geotechnisch ontwerp, wat de weg opent naar betrouwbaardere en kostenefficiëntere infrastructuurontwikkeling, evenals data-gestuurde besluitvorming.

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

Sinds de opkomst van krachtige AI- en deep learning-modellen is data uitgegroeid tot een essentiële en vaak beperkende factor in het ontwikkelingsproces. Waar eenvoudige modellen vaak kunnen volstaan met beperkte en eenvoudige datasets, vereisen complexere modellen – zoals die voor objectdetectie – steeds grotere en rijkere hoeveelheden gelabelde data. Dit vormt een belangrijk probleem in domeinen zoals sonarbeeldvorming, waar dergelijke datasets niet beschikbaar zijn als kant-en-klare bronnen en handmatige annotatie buitengewoon tijdsintensief en kostbaar is. Dit onderzoek richt zich daarom op de centrale vraag: hoe kunnen semi-supervised en self-supervised leermethoden het labelproces bij objectdetectie in sonardata versnellen, zonder significant verlies aan nauwkeurigheid?

Om deze vraag te beantwoorden is een experimenteel kader opgezet waarin drie benaderingen zijn onderzocht: een volledig supervised baseline gebaseerd op Faster R-CNN, een semi-supervised model met FixMatch, en een self-supervised strategie waarbij een BYOL-model wordt gepretraind en vervolgens gebruikt als backbone binnen een Faster R-CNN-architectuur. De experimenten zijn uitgevoerd op een publieke sonardataset bestaande uit 7600 gelabelde sonarbeelden. Voor de supervised baseline is het model getraind op verschillende hoeveelheden gelabelde data: 1%, 5%, 10%, 50% en 100%. De bijbehorende mAP-scores tonen een sterke daling in nauwkeurigheid naarmate de hoeveelheid gelabelde data afneemt, met resultaten variërend van 0.7717 (100%) tot slechts 0.2799 bij gebruik van 1% van de data.

In het semi-supervised scenario is FixMatch toegepast met 5% en 10% gelabelde data, terwijl de resterende data werd gebruikt als ongelabelde input. Deze aanpak resulteerde in mAP-scores van respectievelijk 0.6649 en 0.6828, wat duidelijk betere prestaties zijn dan het supervised model op dezelfde labelniveaus. Voor het self-supervised model werd BYOL gepretraind op de volledige dataset zonder labels. De representaties die dit opleverde zijn vervolgens geïntegreerd in Faster R-CNN, waarbij opnieuw 5% en 10% van de data gelabeld werd gebruikt voor training. Deze benadering leverde de hoogste nauwkeurigheid binnen de lage-labelscenario's, met mAP-scores van respectievelijk 0.6452 en 0.7230.

De resultaten van dit onderzoek tonen aan dat zowel semi-supervised als self-supervised technieken effectief zijn in het verminderen van de afhankelijkheid van handmatig gelabelde data, terwijl de modelprestaties grotendeels behouden blijven. Met name self-supervised pretraining via BYOL blijkt zeer waardevol in situaties met beperkte gelabelde data. Deze bevindingen bieden praktische aanknopingspunten voor het ontwikkelen van efficiëntere workflows in sonarbeeldanalyse, en zijn relevant voor bredere toepassingen in domeinen waar gelabelde data schaars of moeilijk te verkrijgen is. Hoewel de resultaten veelbelovend zijn, is vervolgonderzoek nodig om de generaliseerbaarheid naar andere types sonardata of real-time toepassingen te evalueren.

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

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

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

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

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

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

Deze studie onderzoekt het gebruik van serious games in het bevorderen van kennisverwerving over Phytophthora cinnamomi (Pc), een invasieve bodemaandoening die het Mediterrane eikecosysteem in Spanje bedreigt. Gebaseerd op de cognitieve taxonomie van Bloom heeft het onderzoek als doel te evalueren welke specifieke spelelementen (trivia, quiz, spelbeheer en spelsituaties) de vijf cognitieve denkprocessen ondersteunen, en of serious games kunnen dienen als effectieve hulpmiddelen om via de Cognitive Sustainability Compass reflectie over duurzaamheid te stimuleren.

Silent Spread, een digitaal bordspel, werd ontwikkeld en gespeeld door 35 studenten op universitair niveau. De PLS-SEM-analyse toont aan dat Silent Spread middelhoge tot hogere denkvaardigheden bevordert, waarbij analyseren de sterkste rol speelt in het aanleren van verspreidingsmechanismen.

De sessies met de Cognitive Sustainability Compass tonen aan dat vooral de sociale pijler van duurzaamheid werd benadrukt, met thema’s als samenwerkend leren en een sterkere verbondenheid met rurale realiteiten. De studie onderstreept dat serious games vooral het toepassen van kennis stimuleren in plaats van enkel het onthouden van feiten. Daarom moet toekomstig onderzoek nagaan hoe deze spellen het leren binnen én buiten de virtuele omgeving kunnen versterken. Daarnaast stelt de studie het hiërarchisch model van Bloom in vraag en benadrukt ze dat de 21e eeuw nood heeft aan vaardigheden zoals samenwerking, probleemoplossend denken en systeemdenken, die spelers met succes hebben aangetoond.

This thesis evaluates the credibility of a multi-constituent microstructurally-informed finite element model of arterial tissue. Understanding the link between arterial microstructure and mechanical function is essential for defining cardiovascular diseases like atherosclerosis and aneurysms. Representative volume element (RVE) models are increasingly used to explore this link by efficiently connecting microstructure to mechanics. However, many existing RVEs lack experimental calibration using tissue with selectively modified constituents, systematic validation across loading conditions, and biofidelic microstructural networks. Furthermore, there is limited understanding of how uncertainties in input parameters affect model predictions. Therefore, this study aims to assess and improve the credibility of an RVE model by addressing these gaps through detailed characterisation. The model is evaluated against experimental data from both native and enzymatically-treated tissue, and parameter sensitivity analyses are conducted.

To achieve this, uniaxial tensile tests were performed on native porcine aortic samples. Crucially, to isolate the mechanical roles of key constituents, samples were treated with the enzymes collagenase or elastase to deplete collagen or elastin, respectively. The resulting data calibrated and validated the RVE model, focusing on the collagen and elastin networks and the model’s anisotropic predictive capacity. Subsequently, a surrogate model based on an artificial neural network emulated the RVE’s mechanical response, enabling efficient Sobol' sensitivity analysis of six key microstructural, mechanical, and model parameters.

Enzymatic depletion confirmed distinct constituent roles: collagen-deficient tissue exhibited a linearised response with slight stiffening at high strains, whereas elastase-digested samples demonstrated increased compliance but lost structural integrity. RVE model validation emphasised the importance of accurately representing the anisotropic architecture. Furthermore, the sensitivity analysis revealed that uncertainties in six key input parameters substantially influence RVE output variance, with elastin properties predominantly governing low-strain behaviour and collagen-related parameters dictating high-strain responses.

The calibrated and validated microstructurally-informed RVE model can reliably predict aortic mechanics if tissue anisotropy is adequately accounted for. The sensitivity analysis provided crucial insights into which parameters most significantly impact model output variance. This will guide future efforts in model refinement and highlight parameters that require precise experimental characterisation to reduce predictive uncertainty. Furthermore, it will strengthen the RVE's potential as a credible tool in arterial biomechanics research by establishing a more robust, uncertainty-aware modelling framework.

Ongeveer één op de vier personen met een beroerte krijgt te maken met afasie, een taalstoornis waarbij het begrijpen en/of produceren van taal moeilijk kan verlopen. In deze masterproef zoeken we een link tussen de taalfouten die personen met afasie maken en de exacte locatie van hun hersenletsel. Dit deden we aan de hand van de innovatieve techniek 'voxel-wise lesion-symptom mapping'. Wat ons onderzoek bijzonder maakt, is dat we bij de taaltesten gebruikmaken van natuurlijke spraak. Zo krijgen we een accurater beeld van het dagelijks taalgebruik van de personen met afasie. Deze studie opent nieuwe wegen om te voorspellen welke hersenschade welke taalproblemen veroorzaakt en hoe personen met afasie zullen herstellen.

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

Deze bachelorproef betreft een rechtsdogmatisch onderzoek in de lacunes die opduiken in het bestaande Belgische auteursrecht wanneer gepoogd wordt om deze toe te passen op generatieve artificiële intelligentie (GenAI).

Generatieve AI is een relatief nieuw fenomeen en het is vaak niet duidelijk hoe juristen het auteursrecht moeten interpreteren in functie hiervan. Twee cruciale aspecten m.b.t. GenAI belicht dit onderzoek dan ook. Enerzijds onderzoekt deze studie of het bestaande juridische kader een antwoord kan bieden op auteursrechtelijke vraagstukken die opduiken bij input-zijde van het AI-model. Anderzijds wordt ook de auteursrechtelijke status van de gegenereerde output geanalyseerd. Telkens vertrekt het onderzoek van de Belgische en Europese wetgeving inzake het auteursrecht, daarna de bestaande internationale rechtspraak, en tenslotte de rechtsleer.

Deze bachelorproef toont aan dat er nog heel wat onduidelijkheid is m.b.t. beide aspecten van GenAI.

Toch zijn er al een aantal duidelijke conclusieste trekken uit de internationale rechtspraak en rechtsleer.

De rechtspraak en rechtsleer werd bijgehouden tot 26 mei 2025

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

De toenemende beschikbaarheid van generatieve artificiële intelligentie (genAI) biedt taalonderwijzers nieuwe mogelijkheden om leesmateriaal op maat van hun leerlingen te ontwikkelen. Deze masterpraktijkproef onderzoekt of vrij toegankelijke gen-AI-platformen (met name ChatGPT en Google Gemini) in staat zijn om Engelstalige leesteksten te genereren die aansluiten bij het ERK niveau A2. Via een vergelijkende corpusanalyse werden AI-gegenereerde teksten geëvalueerd tegenover teksten uit twee gevestigde bronnen: Vlaamse handboeken en het Key A2 English-examen van Cambridge. De lexicale profilering gebeurde met behulp van AntWordProfiler om de woorddekkingsgraad van elke tekst te analyseren. Uit de resultaten van dit beperkte corpus blijkt dat de AI-gegenereerde teksten een hogere lexicale dekking bereikten dan de handboek- en examenteksten. De AI-teksten benaderden de drempel van 95% dekking die volgens het Coverage Comprehension Model noodzakelijk wordt geacht voor tekstbegrip. De teksten gegenereerd door Google Gemini bleken lexicaal sterker en beter afgestemd op pedagogische richtlijnen dan die van ChatGPT. De bevindingen suggereren dat genAI, mits aangestuurd door zorgvuldig geformuleerde prompts, inderdaad niveau-adequate teksten kan produceren. Dit kan mogelijk de werklast van leerkrachten verlichten en hen in staat stellen om leesteksten af te stemmen op specifieke onderwerpen of onderwijsnoden. Deze studie formuleert praktische richtlijnen voor promptontwikkeling en benadrukt de nood aan verder praktijkgericht onderzoek naar het begrip en de ervaring van AI-gegenereerde teksten door leerlingen.

Sinds 2016 delen miljarden gebruikers op TikTok korte video’s waarin ze aspecten van hun dagelijks leven tonen. De applicatie zorgde echter niet alleen voor een expansie aan creativiteit maar ook voor een enorme verzameling van persoonsgegevens. Zo verzamelt het Chinese moederbedrijf, ByteDance, onder andere locatiegegevens, apparaatgegevens en surfgedrag om de beste video’s aan te bieden.1 Er rees al snel de vraag of de gegevens van gebruikers op het EU- grondgebied wel voldoende beschermd worden wanneer ze naar China worden doorgegeven. Daarnaast overwoog de Verenigde Staten een verbod op TikTok vanwege mogelijke bedreigingen voor de nationale veiligheid.2 Binnen Europa groeit de bezorgdheid dat data die naar China wordt geëxporteerd, kan worden ingezet voor de training van kunstmatige intelligentie, mogelijk met steun van de Chinese overheid. Deze masterscriptie onderzoekt de overdracht van persoonsgegevens van de EU naar China, met TikTok als praktijkvoorbeeld. Wanneer data de EU verlaat, is het cruciaal te bepalen of de rechten van EU-inwoners gewaarborgd blijven onder het wetgevingskader en de praktijk van het derde land. Het EU-recht, zoals vastgelegd in de AVG en ondersteund door de arresten Schrems I en Schrems II, vereist namelijk dat deze rechten worden beschermd. Aangezien China niet geniet van een adequaatheidsbesluit, ligt de focus op standaardcontractbepalingen en het beschermingsniveau onder het Chinese wetgevingskader, waaronder de PIPL. Daarnaast wordt onderzocht hoe TikTok meent een gelijkwaardig beschermingsniveau te bieden, onder meer via hun privacybeleid en standaardcontractbepalingen. Ook wordt nagegaan of de gegevens voldoende beschermd zijn tegen bijvoorbeeld overheidsinmenging. De scriptie toont aan dat juridische en praktische problemen bij gegevensdoorgiften blijven bestaan, mede door gebreken in de Chinese wetgeving en TikTok’s beperkte transparantie en onvoldoende waarborgen in hun standaardcontractbepalingen.

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.

Dyslexie komt steeds vaker ter sprake in het onderwijs. Het is een leerstoornis die moeilijkheden met zich meebrengt op vlak van lees- en spellingsvaardigheden. Een leerling wordt hiermee geboren, maar dit definieert hem/haar niet. Dyslexie hangt dan ook niet vast aan het niveau van intelligentie. Door gepaste ondersteuning en begeleiding kan elke leerling, met of zonder dyslexie, zich ontplooien in het onderwijs. Zowel de leerling als leerkracht spelen hier een actieve rol in.

Kreeften worden in culinaire contexten nog steeds vaak levend gekookt. Ze ondergaan lange,
stressvolle transporten, worden op zeer lage temperaturen gehouden, uitgehongerd, en blijven één
van de weinige consumptiedieren die levend verkocht en bereid worden. Deze praktijken krijgen
steeds meer kritiek naarmate het wetenschappelijk bewijs voor bewustzijn en lijdensvermogen van
schaaldieren groeit. Toch zijn kreeften in veel landen nog steeds uitgesloten van
dierenwelzijnswetgeving. Deze studie behandelt de wetenschappelijke en ethische urgentie rond de
behandeling van kreeften via een drieledig onderzoek: een literatuurstudie, een bevraging van de
publieke perceptie en een gedragsmatige trainingsproef.
We onderzochten hoe het publiek kijkt naar het welzijn van kreeften en in hoeverre dit overeenkomt
met de huidige praktijken. Daarnaast testten we of Europese kreeften (Homarus gammarus) kunnen
leren via operante conditionering, associaties kunnen vormen tussen prikkels en voedselbeloningen,
en hoe consistent ze aangeleerde gedragingen uitvoeren.
De literatuurstudie bespreekt biologie, cognitie, natuurlijk gedrag, leefomgeving, pijnperceptie en
ethische implicaties van het gebruik van kreeften in voedselsystemen. De bevindingen dagen
bestaande aannames over ongewervelden uit en roepen vragen op over de huidige omgangsvormen.
De publieksenquête (n = 334) bracht aan het licht dat, hoewel de meeste respondenten kreeft ooit
hadden geproefd, regelmatige consumptie zeldzaam was. Prijs, ethische bezwaren en gebrek aan
gelegenheid werden vaak genoemd, terwijl er sterke steun was voor betere bescherming en
humanere slachtmethoden.
Tot slot werd een gedragsmatige trainingsproef uitgevoerd met één Europese kreeft, Orion. Met
geurprikkels en een targetobject (een Kong-speeltje) vertoonde hij gedragingen die consistent zijn
met operante conditionering, zoals objectmanipulatie, probleemoplossend gedrag en doelgericht
zoeken, wat wijst op cognitieve flexibiliteit en leervermogen.
Deze bevindingen tonen een kloof tussen publieke houding, wetenschappelijk bewijs en
commerciële praktijken. Hoog-stressvolle dodingsmethoden, zoals levend koken, lijken steeds
moeilijker te rechtvaardigen. Deze studie benadrukt de nood aan wetgevende hervormingen, grotere
publieke bewustwording en verder onderzoek naar diervriendelijkere omgang met schaaldieren.

This master’s thesis explores how artificial intelligence (AI) can help address economic
and operational barriers to radiotherapy in low and middle income countries (LMICs),
where access is limited despite a rising cancer burden. A major obstacle in these regions is the shortage of trained professionals and the high cost of treatment planning
and delivery.
The study evaluates whether the Radiotherapy Planning Assistant (RPA), an AI based
tool, can improve efficiency and reduce costs in LMIC radiotherapy departments. Data
from four centres in the ARCHERY study,covering cervical, head and neck, and prostate
cancers, were analysed using the ESTRO HERO Time Driven Activity Based Costing
(TDABC) model. Simulations modelled planning time reductions of 70 percent, 80 percent, and 90 percent for eligible tumour types.
Baseline results showed equipment as the dominant cost driver, limiting overall cost
reductions. However, time savings from AI integration improved treatment planning
system availability and reduced staff workload. These gains suggest enhanced efficiency and capacity, especially in high volume settings. While AI may not yield large
financial savings alone, it alleviates key bottlenecks and supports workforce optimisation, provided infrastructure and system capacity are strengthened.

De afvoer van smeltwater uit de gletsjers van het Tien Shan-gebergte in Kirgizië is van cruciaal belang voor de samenleving en economie in de stroomafwaarts gelegen vlaktes. In het droge Centraal-Azië is de landbouw sterk afhankelijk van irrigatie met dit water. De gletsjers functioneren als watertorens: ze herverdelen de schaarse neerslag over de seizoenen, wat grootschalige landbouw mogelijk maakt. Door klimaatverandering trekken de gletsjers zich echter snel terug, waardoor de inwoners van de vlaktes hun belangrijkste inkomensbron dreigen te verliezen.

Het doel van deze thesis is het evalueren van het Instructed Glacier Model (IGM). Dit
model gebruikt een neuraal netwerk als emulator om ijsstroming te beschrijven, wat computationele voordelen oplevert en het mogelijk maakt het model zowel invers (interpoleren van ijsdiktemetingen) als voorwaarts (voorspellen van gletsjerevolutie onder klimaatscenario’s) te gebruiken. De prestaties worden vergeleken met klassieke ruimtelijke interpolatiemethoden, zoals de vloeispanningsmethode, en met een hoger-ordemodel dat de gletsjerevolutie simuleert.

De evaluatie vindt plaats op de Batysh-Sook-gletsjer in de Tien Shan. De resultaten tonen dat het ge¨ınverteerde IGM consistente, nauwkeurige en gladde ijsdiktevelden genereert. Vooral in schaars bemonsterde zones presteert het model beter dan de
conventionele vloeispanningsmethode. Voor de gletsjerevolutie laten zowel IGM als het hoger-ordemodel zien dat de Batysh-Sook-gletsjer gevoeliger is voor opwarming dan veel omliggende gletsjers, waarschijnlijk door haar kleine huidige omvang. IGM volgt de trends van het hoger-ordemodel goed, al simuleert het in de historische periode iets minder smelt, waardoor het gletsjervolume groter blijft.

Deze bevindingen tonen aan dat IGM een veelbelovend instrument is voor zowel ijsdikteinterpolatie als projectie, vooral in gebieden met beperkte veldmetingen. Betere modellering van gletsjers zoals de Batysh-Sook kan leiden tot nauwkeurigere voorspellingen van toekomstige waterbeschikbaarheid, wat van groot belang is voor wetenschappelijk onderzoek en voor duurzaam waterbeheer in Centraal-Azië.

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.

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.

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.

This thesis explores how machine learning can be used to detect sound sources in historical photographs, with the aim of developing a model that can be used for historical soundscape reconstruction. While machine learning, and more specifically object detection, is increasingly being used in heritage studies, its application on historical photographs is largely unexplored.
The research is divided into four stages. First, three object detection models, YOLOv8, Faster R-CNN, and RetinaNet, were benchmarked on both modern and historical datasets to assess their baseline performance, without any training. Although all models performed significantly worse on historical photographs, YOLOv8 showed the smallest drop in accuracy. In the second and third parts, YOLOv8 was fine-tuned on two classes of sound-producing objects: an existing COCO class, “train”, and a newly added class, “carriage”. In total, over 1600 photographs were annotated for the various datasets. While the modest dataset size and limited computational resources influenced the performance of the custom models, the research nevertheless offers some interesting insights into the potential and limitations of applying object detection to historical photographs. In the last stage, a custom CycleGAN model was trained to transform modern images into a historical style and vice versa, helping to generate training data and reduce the need for manual annotation. The thesis demonstrates the feasibility of using object detection on historical photographs for historical soundscape research and highlights promising directions for future work on machine learning and heritage studies.

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.