Niet-epistemische waarden spelen een onvermijdelijke rol bij alle fases van wetenschappelijk onderzoek. Hoe kunnen we legitieme waarde-invloeden onderscheiden van illegitieme? Ik stel een integratie voor van twee reeds bestaande strategieën in de literatuur: de axiologische strategie van David Resnik en Kevin Elliott (2023), en de systemische strategie van Wendy Wagner (2022). Beide strategieën kunnen elkaar in belangrijke mate aanvullen door elkaars individuele tekortkomingen wederzijds op te vangen en weg te werken. Zo zorgt Wagner er institutioneel voor dat de verschillende belangengroepen fysiek rond de discussietafel geraken, maar Resnik en Elliott helpen vervolgens om de “agenda” op te stellen van wat daar inhoudelijk
besproken moet worden indien we de onvermijdelijke waarde-invloeden in wetenschappelijk onderzoek kritisch voor het voetlicht willen brengen.

Alle leerlingen hebben recht op kwaliteitsvol en inclusief onderwijs, ook zij met een verstandelijke beperking. Toch blijft de realisatie van inclusie complex. In Vlaanderen wordt ingezet op leerondersteuners die zowel leerlingen als leraren ondersteunen. Deze kwalitatieve studie onderzocht, op basis van 18 interviews met negen duo’s, hoe leraren en leerondersteuners samenwerken en welke invloed dit heeft op de attitude en het zelfvertrouwen (zelfeffectiviteit) van leraren. De resultaten tonen dat samenwerking die wordt gekenmerkt door afstemming, gedeelde kennis, wederzijds vertrouwen en een gezamenlijke identiteit leidt tot intensere vormen van samenwerking, met een positieve invloed op zowel de realisatie van een inclusief onderwijsaanbod als het geloof van leraren in hun eigen kunnen.

Aan de slag gaan met executieve functies binnen een school voor buitengewoon onderwijs.

Deze studie onderzoekt hoe vrouwen hun wegbanen door het diagnosticeringsproces van endometriose in Vlaanderen. Via diepte-interviews wordt duidelijk hoe zij omgaan met medische onzekerheid, erkenning proberen te krijgen en soms zelf de regie over hun zorgtraject nemen.

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.

Hoewel gelijkheid en non-discriminatie tot de hoekstenen van onze samenleving behoren, worden LGBTQ+-personen wereldwijd nog steeds geconfronteerd met discriminatie en juridische uitsluiting van bescherming. Om dit spanningsveld tussen theorie en praktijk te onderzoeken en te contrasteren, analyseert deze thesis hoe twee invloedrijke rechtsstelsels — het Europese en het Amerikaanse — omgaan met discriminatie op grond van seksuele geaardheid.

Om de waarborgen van non-discriminatie op grond van seksuele geaardheid in de praktijk te kunnen begrijpen, wordt aan de hand van een rechtsvergelijkende analyse van de jurisprudentie van het Hof van Justitie van de Europese Unie en het Amerikaanse Hooggerechtshof nagegaan welk systeem vandaag de meest doeltreffende bescherming biedt, en of beide rechtssystemen iets van elkaar kunnen leren.

De bevindingen tonen aan dat het Hof van Justitie een coherent, consistent en stabiel beschermingskader biedt, in overeenstemming met de fundamentele waarden waarop de Unie is gebouwd, en met een sterke nadruk op de effectiviteit van het recht. In de Verenigde Staten daarentegen blijft de bescherming wisselvallig en kwetsbaar. Hoewel het Europese systeem institutionele en bevoegdheidsbeperkingen kent, waarborgt het een meer gestructureerde en voorspelbare bescherming.

Toch mag niet worden genegeerd dat bepaalde uitspraken van het Amerikaanse Hooggerechtshof in sommige gevallen verder gaan in hun bescherming. Die vaststelling moet echter worden genuanceerd in het licht van het huidige politieke klimaat en de samenstelling van het Hof, die weinig garanties bieden op verdere vooruitgang.

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.

Een vergelijkende studie van de actieve en receptieve
deelname aan de podiumkunsten, de motivaties en de
drempels van dove, slechthorende en horende
personen in Vlaanderen.

De laatste jaren stromen steeds meer leerlingen vanuit het buitengewoon lager onderwijs in het regulier onderwijs in. Volgens de huidige regelgeving in Vlaanderen moeten leerlingen met een Individueel Aangepast Curriculum (IAC) of een OV4-verslag die starten in het gewoon secundair onderwijs, standaard ingeschreven worden onder ontbindende voorwaarde. Ik ging op zoek naar hoe een school een onderbouwde eindbeslissing kan nemen over een inschrijving onder ontbindende voorwaarde in het regulier onderwijs, met aandacht voor de betrokken leerling en diens ouders.

Observatievaardigheden zijn van belang voor zorgverleners, zowel voor accurate diagnoses als voor empathische patiëntondersteuning.
De huidige evaluatie van deze vaardigheden in gesimuleerde omgevingen steunt vaak op subjectieve methoden zoals zelfrapportage en directe observatie door docenten.
Hoewel de Tobii eyetracking-brillen in het Zorglab van HOGENT objectieve blikdata leveren,
ontbreekt er tot op heden geschikte software om automatisch te analyseren welke objecten studenten waarnemen en voor hoe lang.
Deze bachelorproef beantwoordt hoe computervisiemodellen geïntegreerd kunnen worden met eyetrackingdata van Tobii Glasses om de observatieprestaties van studenten automatisch te analyseren.
De analyses dienen de feedback door docenten in het Zorglab te versterken.

Deze doelstelling werd uitgewerkt door middel van van een proof-of-concept (PoC) softwareapplicatie.
Dit proces startte met een literatuurstudie naar eyetracking-analyse en relevante computervisiemodellen (o.a. YOLO, SAM, DINOv2).
Vervolgens werd een prototype applicatie ontworpen en geïmplementeerd (Python, FastAPI, HTMX), inclusief een semi-automatische labeling-tool die gebruik maakt van SAM2 voor objectsegmentatie en -tracking.
Om de PoC te valideren, werd een gecontroleerd experiment uitgevoerd in het Zorglab.
Hier genereerden studenten aan de hand van Tobii Pro Glasses 3, eyetrackingopnames tijdens gesimuleerde observatietaken.
Deze opnames, samen met twee specifieke kalibratieopnames, werden gelabeld met de ontwikkelde tool om een grondwaarheidsdataset te creëren.
Een analysepijplijn werd ontworpen en geëvalueerd. In deze analyse werd de trackingfunctionaliteit van FastSAM gecombineerd met blikgestuurde filtering en classificatie van objectsegmenten, middels een getraind YOLOv11-objectdetectiemodel.
De prestaties werden geëvalueerd aan de hand van precisie, recall en F1-score, na optimalisatie via een grid search van hyperparameters.

Uit de resultaten bleek dat de combinatie van FastSAM-tracking met een YOLOv11-objectdetector (getraind op 1000 samples per klasse) de beste prestaties opleverde, met een F1-score van 0.80, een precisie van 0.94 en een recall van 0.70.
De hoge precisie toont aan dat het systeem met grote zekerheid de correcte objecten identificeert, hoewel een significant deel van de fout-positieven in de werkelijkheid correct gedetecteerde objecten bleken te zijn, die niet in de grondwaarheid waren opgenomen.
De lagere recall wijst erop dat niet alle bekeken objecten consistent werden gedetecteerd, voornamelijk door problemen met kleine, transparante objecten en door inconsistenties tussen de FastSAM-segmentaties en de grondwaarheid.
De FastSAM-tracking bleek de meest beperkende factor in de pijplijn.

Deze bachelorproef levert een werkend PoC en een methodologie op die de haalbaarheid van geautomatiseerde analyse van observatievaardigheden aantoont.
Het biedt een objectieve, datagestuurde basis om de feedback aan studenten te verbeteren en de effectiviteit van simulatietraining in de zorg te verhogen.
Op deze manier legt het een fundament voor verder onderzoek naar robuustere analysemethoden.