Scriptiebank overzicht

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

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.

Dit onderzoek richt zich op een intergenerationeel kamp dat werd uitgevoerd in woonzorgcentrum Verbert-Verrijdt, waarbij ouderen en kinderen samen diverse activiteiten uitvoerden. Het doel van het onderzoek was om te bekijken hoe de ergotherapeut het kamp zodanig kan organiseren dat de verbinding tussen deze generaties wordt versterkt. Er werden vier verschillende activiteiten geëvalueerd bij 17 ouderen en 6 kinderen. Uit de resultaten blijkt dat activiteiten met één-op-één interactie en activiteiten waarbij één kind samenwerkt met twee ouderen het contact het sterkst bevorderen.

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

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

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

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

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

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

Een internationaal programma waarin technische onderwerpen aan bod komen, vereist zorgvuldige aandacht. Het is belangrijk om studenten te betrekken bij verschillende onderwerpen op het gebied van technologie. Daarnaast is een grondige voorbereiding noodzakelijk om ervoor te zorgen dat studenten volledig voorbereid zijn op het programma.

Tijdens de voorbereidingsfase moet het technische doel van het programma, dat een week duurt, duidelijk worden gecommuniceerd. Het technische doel van dit programma is het verbeteren van de Overall Equipment Effectiveness (OEE) van een stoommachine. Het proces begint met het verzenden van gegevens via een Programmable Logic Controller (PLC) via MQTT-communicatie naar een broker. Met behulp van NodeRED kunnen deze gegevens worden gevisualiseerd en met een Python-script kunnen ze worden vastgelegd in een dataset. Met deze dataset kan een AI-model worden geselecteerd en getraind. Het model moet vervolgens de trend van de gekozen output zo nauwkeurig mogelijk voorspellen. Het programma duurt een week, waarin alle stappen worden uitgevoerd om het AI-model te optimaliseren en de OEE te maximaliseren.

Schouderblessures komen vaak voor bij racketsporters door repetitieve, intense bewegingen zoals smashes en services. De Athletic Shoulder Test (ASH-test) biedt een betrouwbare methode om schouderkracht te meten in verschillende posities die specifiek zijn voor racketsporters. Uit onderzoek blijkt dat de test zeer betrouwbaar is, zowel binnen dezelfde onderzoeker als tussen verschillende therapeuten. De ASH-test helpt therapeuten om nauwkeurig inzicht te krijgen in de schouderkracht en biedt waardevolle ondersteuning bij het herstel van blessures. Toekomstig onderzoek moet de voorspellende waarde van de test verder onderzoeken en de toepasbaarheid in staande positie beoordelen.

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.

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

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

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

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

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

De fotosynthetische capaciteit van verschillende boomsoorten en lianen werd voor de allereerste keer vergeleken tussen twee sites in het Amazonewoud enerzijds en één site in het Centraal-Afrikaanse regenwoud anderzijds. De fotosynthese was opvallend hoger in het Afrikaanse bos. We zouden dus best verschillende parameters gebruiken voor beide regenwouden in vegetatiemodellen. Zo kunnen we klimaatverandering en de impact ervan beter voorspellen. Dit onderzoek kan helpen om meer aandacht te vestigen op het vaak vergeten Afrikaanse regenwoud.

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

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.

This dissertation explores how video games, gaming culture, and gamification
strategies are employed by (violent) extremist and terrorist individuals and organisations to disseminate propaganda. The literature review commences by providing the current state of knowledge on the topic, including the correlation between video games and violence, and why extremist and terrorist content in the gaming community demands our undivided
attention.

Thereafter, the study delves into the historical context of online extremism, tracing
its evolution from the digital pioneers of the 1980s to the modern challenges faced today. It further investigates the strategies employed by (violent) extremist and terrorist organisations in video games, including the modification of existing games to disseminate violent extremist messages, and the use of in-game communication for recruitment and radicalisation.

This dissertation also examines online gaming and gaming adjacent platforms like
Steam, Twitch, Discord, etc. and their potential role in this context. Furthermore, it will
investigate the extent to which they are utilised and whether their usage is restricted to
specific ideologies.

Finally, it examines gaming culture references, both visual and linguistic, in the
communication strategies employed by (violent) extremist and terrorist people and
organisations.

This dissertation will conclude that (violent) extremist and terrorist individuals and
organisations fully exploit video games and modifications to spread their ideology, gaming (adjacent) platforms for community building and communication and gamification strategies to recruit and radicalise individuals. It is not confined to far-right and Jihadist ideology but encompasses a broad range of ideologies. Gamification techniques are commonly used to disseminate their respective ideologies, build communities, and recruit and radicalise individuals.

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

Het gaat over welk mate er een associatie bestaat tussen overmatige schermtijd, meer activiteiten op korte afstand (lezen, studeren) en beperkte tijd buitenspelen en het ontstaan van bijziendheid in een populatie van schoolgaandekinderen.

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?

Op basis van bestaande gegevens over de omvang en de dikte van ijskappen op Scandinavië en de Britse eilanden, berekende ik in welke mate deze ijsmassa's de ondergrond in het Noordzeegebied vervormd hebben doorheen de Laatste IJstijd (vanaf circa 120 000 tot 10 000 jaar geleden). Aan de hand van deze berekeningen kon ik voorspellen hoe inzakking en opheffing van het aardoppervlak de loop van rivieren en het ontstaan van meren kon beïnvloeden. Dit had een aanzienlijke impact op de evolutie van het Noordzee-landschap.

Lianen zijn structurele parasieten die bomen beklimmen om toegang te krijgen tot de bovenste bladerdaklaag. Hun abundantie en biomassa nemen toe in de Neotropen, wat waarschijnlijk de werking van deze tropische gebieden beïnvloedt. Lianen hebben minder structureel weefsel en beperken de groei van bomen, waar door de aangetaste bossen minder koolstof vastleggen. Hun bladreflectie is gemiddeld hoger dan die van bomen, wat de spectrale signatuur van de tropische bossen verandert.
Deze studie onderzoekt de structurele en biochemische bladkenmerken van lianen en bomen in een secundair tropisch regenwoud in Panama. De onderzochte kenmerken omvatten bladdikte, equivalente waterdikte (C), bladmassadichtheid (LMA) en koolstof- en stikstofgehalte, evenals hun stabiele isotopen δ13C en δ15N. Daarnaast wordt de bladreflectie tussen 350 en 2500 nm onderzocht, met de focus op verschillen tussen de twee groeivormen en hoe deze kenmerken variëren met seizoensveranderingen. Door een combinatie van bladkenmerkmetingen en hyperspectrale reflectiegegevens, werden statistische testen en lineaire gemengde effectenmodellen gebruikt om de gegevens te analyseren.
De resultaten onthullen significant lagere LMA, C en δ13C-gehalte voor lianen dan voor bomen. Seizoensgebondenheid heeft geen significant effect op de bladkenmerken. De reflectie van lianenbladeren is significant hoger dan die van bomen in twee van de vier waterbanden in het kortgolvig infraroodgebied en het groene gebied. Daarnaast beïnvloeden seizoensvariaties de reflectie-eigenschappen van bomen. Ze blijken significant verschillende reflecties te hebben tussen seizoenen in de twee overgebleven waterbanden en het nabij-infraroodgebied. Lianen daarentegen worden niet significant beïnvloed door seizoensgebondenheid in de vooraf bepaalde banden. De Kullback-Leiber divergentie van de reflectiespectra tussen seizoenen is meer dan 4 keer groter voor bomen dan voor lianen. Deze bevindingen suggereren dat onderzoek naar de reflectie van boombladeren seizoensgebondenheid in aanmerking moet nemen. Voor lianen daarentegen lijkt de reflectie weinig beïnvloed door seizoensgebondenheid. Zowel de bladkenmerken als de reflectie van lianen lijken stabiel te zijn gedurende het natte en droge seizoen.
Onze bevindingen suggereren dat de onderscheidende structurele en biochemische kenmerken van lianen en bomen een cruciale rol spelen in hun ecologische strategieën en interacties binnen het bosecosysteem. Verder benadrukt de studie het potentieel van hyperspectrale reflectie als een proxy voor het monitoren van blad v kenmerken. Deze inzichten dragen bij aan een beter begrip van de ecologische rollen van lianen en bomen en hun reacties op milieuveranderingen, wat essentieel is voor het voorspellen van de gevolgen van klimaatverandering voor tropische bosecosystemen

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.

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.

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

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

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

Lithium-ion batterijen spelen een belangrijke rol in de wereldwijde verschuiving weg van traditionele fossiele brandstoftechnologieën naar meer duurzame oplossingen voor energieproductie en -opslag. Echter, met de toenemende vraag naar Li-ion batterijen neemt ook de afhankelijkheid van kritieke grondstoffen, waaronder kobalt, toe. Een mogelijke oplossing ligt in de ontwikkeling van kobaltvrije elektroden, wat de afhankelijkheid van schaarse hulpbronnen zou kunnen verminderen. Deze masterthesis richt zich op het bestuderen van de volgende generatie LiNi0.5Mn1.5O4 (LNMO) spinel positieve elektroden. Om het optimale ontwerp van Li-ion batterijen met deze LNMO positieve elektrode te modelleren, is het belangrijk om betrouwbare en kwantitatieve waarden te verkrijgen voor onder andere de lithium-ion diffusiecoëfficiënt. Het hoofddoel van deze thesis is daarom het ontwikkelen van een robuust begrip van de evolutie van de lithiumdiffusiecoëfficiënt in dunne film LNMO-elektroden door middel van diverse experimentele benaderingen. Doordat de elektrode een dunne film is in plaats van een composiet, kan een systeem worden gemodelleerd waarin andere componenten zoals bindmiddelen en geleidende toevoegingen worden vermeden. De technieken die worden gebruikt om de diffusiecoëfficiënt te bepalen zijn GITT, PITT en ICI. Met deze technieken kan de evolutie van de diffusiecoëfficiënt als functie van de spanning worden bepaald. De drie technieken resulteren in diffusiviteiten die qua grootteorde verschillen, maar dezelfde trends laten zien. Voor respectievelijk ICI, PITT en GITT worden diffusiecoëfficiënten gevonden die variëren van 10−9 tot 10−13 cm²/s, 10−11 tot 10−13 cm²/s en 10−13 tot 10−15 cm²/s. Door de verschillende technieken te vergelijken, wordt geconcludeerd dat PITT het meest betrouwbaar is om de diffusiecoëfficiënt te bepalen voor dunne film LNMO-elektroden, vooral in het hoge spanningsgebied. Bovendien wordt ook de impact van de dikte van de dunne filmelektrode onderzocht. Dit toonde een gedragsverandering vanaf een dikte van 200 nm.

Alle leerlingen in het secundair onderwijs in Vlaanderen moeten doelstellingen historisch bewustzijn behalen. De meesten doen dit in het vak geschiedenis. Veel leerlingen ervaren het vak als moeilijk, niet interessant en saai. Deze studie onderzoekt de mogelijkheden van game-based learning om leerlingen te motiveren voor het vak geschiedenis en om hen te helpen bij het ontwikkelen van historisch redeneren. Hiervoor werd het bestaande gebruik van game-based learning in het geschiedenisonderwijs in kaart gebracht en werd een instructiemodel ontwikkeld om game-based learning in te zetten om historisch redeneren te stimuleren.

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

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

Deze scriptie omvat het onderzoek, in samenwerking met basisschool De Bladwijzer, naar de manier waarop groepsmomenten, begeleid door de leerkracht, kunnen worden ingezet om de EF's: plannen, organiseren en gedragsevaluatie te stimuleren bij leerling in het zesde leerjaar. Dit is van toegevoegde waarde gezien de expliciete wens van basisschool De Bladwijzer. Centraal staan groepsmomenten aangezien vooronderzoek aantoont dat leeftijdsgenoten een steeds centralere rol spelen op deze leeftijd. Vanuit de literatuur ontwikkelt de onderzoekster een praktische methode dat het object van het onderzoek vormt. Tot slot ondervraagt de onderzoekster de leerkracht van het zesde leerjaar over de bruikbaarheid van de toepassing met als doel: inzicht krijgen in de werkzame aspecten en eventuele groeipunten.

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.

Deze masterproef heeft als doel om verklaringen te vinden voor de impact van Russische
inmenging op de terugtrekking van Franse militaire interventies in de Sahel. Daarbij wordt
gefocust op interventies van de afgelopen tien jaar met als vertrekpunt de toegenomen
militarisering in de regio. Dit zal namelijk een proces in gang zetten dat leidde tot de Franse terugtrekking waarbij onderzocht wordt wanneer en in welke mate Rusland via o.a. huurlingen (PMSC’s) invloed uitoefende. Voor het onderzoek naar de geselecteerde cases Mali, Burkina Faso en Niger wordt gebruikt gemaakt van de methode theory-testing process-tracing. Concreet wordt aan de hand van bevindingen uit de literatuur en voorgaand onderzoek een model opgesteld dat de verhouding tussen de militarisering van de Sahel, de Franse terugtrekking en de Russische inmenging theoretiseert. Hieruit worden hypotheses afgeleid en getest aan de hand van observaties. Een eerste vaststelling is dat er aanwijzingen zijn dat Rusland invloed uitoefende bij de gemilitariseerde lokale bevolking wiens onvrede leidde tot een staatsgreep, vooral door het bestaande anti-regeringssentiment te exploiteren. Vervolgens werden observaties gevonden dat Rusland via PMSC’s en lokale pro-Russische organisaties uit de civil society een anti-Frans narratief verspreidde bij de junta. Ten slotte werd met de uiteindelijke ontplooiing van Russische PMSC’s bevestigd dat de nieuwe machtshebbers voluit voor het aanbod van Moskou hebben gekozen. De impact van Russische inmenging op de Franse militaire terugtrekkingen van Opération Barkhane, Opération Sabre en Les éléments français au Niger werd dus in redelijke mate bevestigd, waarbij Rusland vooral een bestaand ongenoegen succesvol capteerde.