Zoekresultaten

MIMU PDR with bias estimation using an optimization-based approach.

Traditional IMU based PDR systems suffer from rapidly growing drift effects due to the inherent bias of the inertial sensor. Many existing solutions to mitigate this problem use aiding sensors or information as heuristics or map data. We propose a new optimization framework to solve the PDR estimation problem where the sensors biases are explicitly included as state variables and therefore be used to correct for bias effects in the PDR. By using a smoothing approach and exploiting the rigid structure of a MIMU array one can solve for the slowly varying sensor biases. This paper presents the method and gives an exemplary result of a walking trial. Good agreements in the position and orientation with an optical reference system were found. Moreover, accelerometer and gyroscope biases could be estimated accordingly. Further research includes the performance of more experiments under various conditions such that a more quantitative evaluation can be obtained. In addition, an exploration of a (pseudo) realtime filter version would be valuable such that the system can be applied online.

Als de machine kiest

In het werving- en selectieproces proberen organisaties in eerste instantie zoveel mogelijk geschikte kandidaten te laten solliciteren (een marketing/ branding probleem) om daaruit dan de meest geschikte kandidaat te kiezen (een selectieprobleem).Het is wettelijk verboden om bij het selecteren van kandidaten te discrimineren op kenmerken die niet relevant zijn voor de selectie (zoals huidskleur, geloof of leeftijd). Maar een eerlijk en rechtvaardig proces moet verder gaan dan de wet. Een ethische aanpak zorgt ervoor dat gelijk gesitueerde mensen gelijk behandeld worden, dat vooroordelen geen kans hebben, dat kandidaten met menswaardigheid en respect behandeld worden, dat de procedures en uitkomsten voor iedereen helder zijn, dat de kandidaat zinnige feedback krijg na het proces, en dat de voorspellingen over het toekomstige werksucces van een kandidaat daadwerkelijk kloppen.Voor elk van de fasen van werving- en selectie zijn er kunstmatige intelligentiesystemen op de markt die organisaties kunnen helpen bij het proces. Die technologieën hebben gevolgen voor wie er wel of niet worden geselecteerd en kunnen dus een impact hebben op de diversiteit van een organisatie.De diversiteit binnen een organisatie kan op drie manieren worden vergroot. Je kunt de bestaande bias uit het proces proberen te halen, je kunt barrières die ervoor zorgen dat alleen specifieke groepen kunnen of willen solliciteren wegnemen, en je kunt actief op zoek gaan naar kandidaten met een divers profiel.Technologie zou op drie manieren kunnen helpen bij het verminderen van bias binnen het proces. Irrelevante persoonskenmerken kunnen automatisch buiten beschouwing worden gelaten en je kunt een stuk makkelijker dan bij een menselijke recruiter meten op wat voor manier het systeem biased is. Ook zou technologie kunnen helpen bij het vindenvan nieuwe groepen kandidaten die eerder nog niet in beeld waren.De voordelen van het gebruik van kunstmatige intelligentie hebben daarnaast vooral te maken met efficiëntie. Delen van het proces kunnen worden geautomatiseerd, en de werkwijze kan meer uniform gemaakt. Het zijn daarom vooral organisaties die grote aantal kandidaten werven die op dit moment gebruik maken van kunstmatige intelligentie.Er kleven ook grote risico’s aan het gebruik van kunstmatige intelligentie binnen werving- en selectieprocessen. Omdat veel van de technologie uitgaat van de huidige (succesvolle) werknemers is er de kans dat je de (weinige diverse) status quo juist handhaaft. Het is nooit uit te sluiten dat er hele specifieke vormen van bias met betrekking tot bepaalde groepen in het systeem blijven zitten, en dit soort systemen kunnen sowieso slecht omgaan met individuen die op een of andere manier afwijken van de norm. Die bias die – ook na een zorgvuldige implementatie – overblijft is dan wel meteen systematisch en schaalt mee met de inzet van de technologie. Verder blijft het moeilijk om te valideren of de kunstmatige intelligentie die je inzet wel goed werkt. Tot slot hebben dit soort systemen veel data nodig. Dit kan op het gebied van privacy en de vereiste dataminimalisatie problemen opleveren.Je hoort vaak dat we ons geen zorgen hoeven te maken over de inzet van kunstmatige intelligentie binnen werving- en selectie. Het is immers voorlopig nog steeds de mens die de uiteindelijke beslissing neemt. Dit klopt (vooralsnog) misschien nog wel voor het aannemen van de kandidaat, maar is allang niet meer het geval voor de kandidaten die worden afgewezen. Daar is het vaak al de machine die kiest, zonder enige menselijke tussenkomst.Als je er toch voor kiest om kunstmatige intelligentiesystemen binnen werving- en selectieprocessen te implementeren, dan moet je dat op een heel intentionele manier doen. En met een scherpe blik op de achterliggende waarden. Dit onderzoek heeft gereedschap opgeleverd dat daarbij kan helpen. Met de AI in Recruitment (AIR) Discussietool kun je aan de hand van de volgende vijf vragen (en de bijbehorende deelvragen) komen tot een zo verantwoord mogelijke implementatie:1. Wat is voor jouw organisatie eerlijke en rechtvaardige werving en selectie?2. Hoe zit het met de benodigde data?3. Blijft de mens de baas over het proces?4. Is jouw organisatie en is de technologie onbevooroordeeld?5. Weet je zeker dat de technologie werkt en dat het blijft werken?

Augmenting outpatient alcohol treatment as usual with online approach bias modification training

Previous research shows that automatic tendency to approach alcohol plays a causal role in problematic alcohol use and can be retrained by Approach Bias Modification (ApBM). ApBM has been shown to be effective for patients diagnosed with alcohol use disorder (AUD) in inpatient treatment. This study aimed to investigate the effectiveness of adding an online ApBM to treatment as usual (TAU) in an outpatient setting compared to receiving TAU with an online placebo training. 139 AUD patients receiving face-to-face or online treatment as usual (TAU) participated in the study. The patients were randomized to an active or placebo version of 8 sessions of online ApBM over a 5-week period. The weekly consumed standard units of alcohol (primary outcome) was measured at pre-and post-training, 3 and 6 months follow-up. Approach tendency was measured pre-and-post ApBM training. No additional effect of ApBM was found on alcohol intake, nor other outcomes such as craving, depression, anxiety, or stress. A significant reduction of the alcohol approach bias was found. This research showed that approach bias retraining in AUD patients in an outpatient treatment setting reduces the tendency to approach alcohol, but this training effect does not translate into a significant difference in alcohol reduction between groups. Explanations for the lack of effects of ApBM on alcohol consumption are treatment goal and severity of AUD. Future ApBM research should target outpatients with an abstinence goal and offer alternative, more user-friendly modes of delivering ApBM training.

Diversity scale

Exploring Bias in Data and Models for Misinformation Detection from Text

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.

HiPerGreen: Accurate UAS Flight inside a Greenhouse

This paper describes the concept of a new algorithm to control an Unmanned Aerial System (UAS) for accurate autonomous indoor flight. Inside a greenhouse, Global Positioning System (GPS) signals are not reliable and not accurate enough. As an alternative, Ultra Wide Band (UWB) is used for localization. The noise is compensated by combining the UWB with the delta position signal from a novel optical flow algorithm through a Kalman Filter (KF). The end result is an accurate and stable position signal with low noise and low drift.