This review evaluates the methodological quality of current front-of-pack labeling research and discusses future research challenges. Peer-reviewed articles were identified using a computerized search of the databases PubMed andWeb of Science (ISI) from1990 to February 2011; reference lists fromkey published articleswere used as well. The quality of the 31 included studies was assessed. The results showed that the methodological quality of published front-of-pack labeling research is generally low to mediocre; objective observational data-based consumer studies were of higher quality than consumer studies relying on self-reports. Experimental studies that included a control group were lacking. The review further revealed a lack of a validated methodology to measure the use of front-of-pack labels and the effects of these labels in real-life settings. In conclusion, few methodologically sound front-of-pack labeling studies are presently available. The highest methodological quality and the greatest public health relevance are achieved by measuring the health effects of front-of-pack labels using biomarkers in a longitudinal, randomized, controlled design in a real-life setting.
LINK
Abstract: Existing frailty models have enhanced research and practice; however, none of the models accounts for the perspective of older adults upon defining and operationalizing frailty. We aim to propose a mixed conceptual model that builds on the integral model while accounting for older adults’ perceptions and lived experiences of frailty. We conducted a traditional literature review to address frailty attributes, risk factors, consequences, perceptions, and lived experiences of older adults with frailty. Frailty attributes are vulnerability/susceptibility, aging, dynamic, complex, physical, psychological, and social. Frailty perceptions and lived experience themes/subthemes are refusing frailty labeling, being labeled “by others” as compared to “self-labeling”, from the perception of being frail towards acting as being frail, positive self-image, skepticism about frailty screening, communicating the term “frail”, and negative and positive impacts and experiences of frailty. Frailty risk factors are classified into socio-demographic, biological, physical, psychological/cognitive, behavioral, and situational/environmental factors. The consequences of frailty affect the individual, the caregiver/family, the healthcare sector, and society. The mixed conceptual model of frailty consists of interacting risk factors, interacting attributes surrounded by the older adult’s perception and lived experience, and interacting consequences at multiple levels. The mixed conceptual model provides a lens to qualify frailty in addition to quantifying it.
Artificiële Intelligentie (AI) speelt een steeds belangrijkere rol in mediaorganisaties bij de automatische creatie, personalisatie, distributie en archivering van mediacontent. Dit gaat gepaard met vragen en bezorgdheid in de maatschappij en de mediasector zelf over verantwoord gebruik van AI. Zo zijn er zorgen over discriminatie van bepaalde groepen door bias in algoritmes, over toenemende polarisatie door de verspreiding van radicale content en desinformatie door algoritmes en over schending van privacy bij een niet transparante omgang met data. Veel mediaorganisaties worstelen met de vraag hoe ze verantwoord met AI-toepassingen om moeten gaan. Mediaorganisaties geven aan dat bestaande ethische instrumenten voor verantwoorde AI, zoals de EU “Ethics Guidelines for trustworthy AI” (European Commission, 2019) en de “AI Impact Assessment” (ECP, 2018) onvoldoende houvast bieden voor het ontwerp en de inzet van verantwoorde AI, omdat deze instrumenten niet specifiek zijn toegespitst op het mediadomein. Hierdoor worden deze ethische instrumenten nog nauwelijks toegepast in de mediasector, terwijl mediaorganisaties aangeven dat daar wel behoefte aan is. Het doel van dit project is om mediaorganisaties te ondersteunen en begeleiden bij het inbedden van verantwoorde AI in hun organisaties en bij het ontwerpen, ontwikkelen en inzetten van verantwoorde AI-toepassingen, door domeinspecifieke ethische instrumenten te ontwikkelen. Dit gebeurt aan de hand van drie praktijkcasussen die zijn aangedragen door mediaorganisaties: pluriforme aanbevelingssystemen, inclusieve spraakherkenningssystemen voor de Nederlandse taal en collaboratieve productie-ondersteuningssystemen. De ontwikkeling van de ethische instrumenten wordt uitgevoerd met een Research-through-Design aanpak met meerdere iteraties van informatie verzamelen, analyseren prototypen en testen. De beoogde resultaten van dit praktijkgerichte onderzoek zijn: 1) nieuwe kennis over het ontwerpen van verantwoorde AI in mediatoepassingen, 2) op media toegespitste ethische instrumenten, en 3) verandering in de deelnemende mediaorganisaties ten aanzien van verantwoorde AI door nauwe samenwerking met praktijkpartners in het onderzoek.
Computer Vision (CV) is een tak binnen de Artificiële Intelligentie (AI) die zich bezig houdt met visuele herkenning van patronen in afbeeldingen of videos. Daarbij wordt gebruik gemaakt van diepe representatiemodellen, die gebaseerd zijn op Euclidische geometrie. Dit betekent dat deze modellen getraind zijn op basis van een vlakke geometrische representatie. In veel gevallen sluit deze representatie niet goed aan bij de echte wereld. Visuele illusies, zoals Sheppard’s “Terror Subterra”, geven aanwijzingen waar de discrepanties zitten. Bij een verplaatsing van het monster op de horizontale en verticale as in een vlakke representatie lijkt het alsof het monster van grootte veranderd, terwijl dit in werkelijkheid niet zo is: beide monsters zijn exact even groot. Een verplaatsing van een object in de echte wereld heeft zo vaak invloed op de schaal dat onze hersenen erdoor misleid kunnen worden. Recente vorderingen in CV laten de potentie zien van de toepassing van niet-Euclidische geometrie voor het leren van visuele eigenschappen. Het verschil tussen de twee is met name dat de representatieve kracht van niet-Euclidische geometrie groter is. In een niet-Euclidische representatie kan de schaal van Shepard’s monster bij verplaatsing in de ruimte op een natuurlijke manier gepresenteerd worden, waardoor het beeld consistent blijft met onze visuele perceptie ervan. In dit onderzoek willen we de impact evalueren van niet-Euclidische visuele representatiemodellen op het verzamelen, ordenen en annoteren van de data die nodig is voor het trainen van deze nieuwe diepe representatiemodellen. Dit willen we doen we aan de hand van drie CV-problemen die praktische toepassingen dienen buiten de context van de academische wetenschap: beeldmerkherkenning in reclamevideo’s (bij Alpha.one), winkelpanddetectie in gelijkhoekige (visoogobjectief) video’s (bij The Big Data Company) en visuele inspectie van de binnenkant van cilindervormige opslagtanks (bij ScanTank).
