De transities naar een regionaal kenniscentrum (RKC) zijn te kenmerken als lokale chaotische processen, die moeilijk te plannen zijn. Hoe kun je hier als bestuur grip op krijgen? Hoe kun je iets structureren wat in essentie veelvormig is (de toekomst voor (v)mbo–studenten), en hoe daarmee om te gaan in de dagelijkse onderwijspraktijk? Dit onderzoek geeft daar handvatten voor.
With the proliferation of misinformation on the web, automatic misinformation detection methods are becoming an increasingly important subject of study. Large language models have produced the best results among content-based methods, which rely on the text of the article rather than the metadata or network features. However, finetuning such a model requires significant training data, which has led to the automatic creation of large-scale misinformation detection datasets. In these datasets, articles are not labelled directly. Rather, each news site is labelled for reliability by an established fact-checking organisation and every article is subsequently assigned the corresponding label based on the reliability score of the news source in question. A recent paper has explored the biases present in one such dataset, NELA-GT-2018, and shown that the models are at least partly learning the stylistic and other features of different news sources rather than the features of unreliable news. We confirm a part of their findings. Apart from studying the characteristics and potential biases of the datasets, we also find it important to examine in what way the model architecture influences the results. We therefore explore which text features or combinations of features are learned by models based on contextual word embeddings as opposed to basic bag-of-words models. To elucidate this, we perform extensive error analysis aided by the SHAP post-hoc explanation technique on a debiased portion of the dataset. We validate the explanation technique on our inherently interpretable baseline model.
De chemische industrie in Nederland heeft in toenemende mate last van internationale concurrentie. Om haar voorloperrol te kunnen behouden en tevens de transitie naar duurzaamheid te bewerkstelligen is een omslag nodig en moet de afhankelijkheid van de petrochemie worden verminderd. Een goede kans om de CO2-belasting van chemische processen te verminderen en nieuwe kansen te benutten is om meer te kijken naar toepassingen en implementatie van elektrochemische synthese, ook voor modificaties van biomassastromen. In dit project wordt door het consortium Hanzehogeschool/Rijksuniversiteit Groningen/KNN cellulose onderzocht of het oxidatiesysteem TEMPO/NaOCl/NaBr, een systeem dat veel gebruikt wordt om selectief primaire alcoholen van bijvoorbeeld polysachariden om te zetten naar de overeenkomstige carboxylaten, kan worden omgezet naar een elektrochemisch proces voor de oxidatie van cellulose en restcellulose . Hierbij wordt de enorme zoutlast van de oxidatie (NaCl uit NaOCl) voorkomen en tevens de isolatie van de eindverbinding een stuk eenvoudiger (er is geen scheiding van product en zouten meer nodig), en daarmee significant duurzamer. Na de reactie wordt de TEMPO-katalysator middels een azeotropische destillatie uit water teruggewonnen en hiermee is het proces vrijwel volledig circulair en worden er vrijwel geen afval/reststromen gevormd. In samenwerking met het KNN Cellulose wordt getracht om cellulose alsmede ruwe cellulose uit o.a. de afvalwaterzuivering om te zetten naar het overeenkomstige β-polyglucuronaat. Dit gemodificeerde polysacharide heeft potentie heeft als alginaatvervanger, gebruik in medische toepassingen (tissue engineering, cel therapie), cosmetica, nano-materialen, ontharder van water en tevens persepctief voor de synthese van fijnchemicaliën zoals D-glucuronic acid, D-glucaric acid, adipinezuur en FDCA.
