De bedrijfsvoering in de landbouw moet zich steeds innoveren om aan te sluiten bij eisen aan producten en effecten op milieu. Kennis en gegevens van bedrijfsvoering zal bij die innovatie gebruikt moeten worden. Op de korte termijn zal een verbeterde overdracht van bestaande generieke kennishierbij een belangrijke rol spelen, omdat veel telers nog niet alle kennis en ervaringen goed gebruiken voor verbetering van kwaliteit, opbrengst en rendement. Op de langere termijn zal ook beter gebruikgemaakt moeten worden van situatiespecifieke gegevens. Hierbij zal aangesloten moeten worden bij ontwikkelingen in de Informatie en Communicatie Technologie (ICT), zoals toegepast in zelflerendesystemen. Dergelijke systemen passen gegevens en kennisregels toe om teeltadvies te genereren. Op basis van de geregistreerde resultaten die met gerealiseerd teelt management bereikt worden, wordendaarna de gegevens en kennisregels aangepast, waarmee in het volgende seizoen een nieuw advies wordt gegenereerd.Dit rapport beschrijft een aantal activiteiten die zijn verricht in het kader van het AgroBiokon project met als oogmerk om:1. te inventariseren wat voor benaderingen er nu al zijn t.a.v. al dan niet geautomatiseerde systemen voor kennisoverdracht (hoofdstukken 4 en 5)2. te inventariseren wat voor teeltregistratie nodig is voor zelflerende systemen (hoofdstuk 6)3. te bekijken welke generieke gegevensbestanden er zijn om te gebruiken als basis voor zelflerendesystemen (hoofdstuk 7)4. een aantal methoden te vergelijken die de basis kunnen vormen voor zelflerende systemen(hoofdstuk 8)5. voorbeelden te geven van toepassing van die methoden in bestaande situaties (hoofdstukken 9en 13)6. inzichten van partners te inventariseren over de mogelijkheden van nieuwe systemen voorteeltinnovatie (hoofdstuk 10)7. een beschrijving te geven van een project om innovatie in de (zetmeel) aardappelproductie testimuleren (hoofdstuk
MULTIFILE
Digitalisering verandert de werkprocessen van accountantskantoren ingrijpend. Softwarepakketten nemen veel handmatige werkzaamheden van accountants en administrateurs over. Er is een explosieve groei van softwareapplicaties, informatiesystemen, rapportage tools, financial auditing tools, process mining tools, machine learning tools, blockchain technologie, online portal systemen, datamanagement en -analyse methoden. Om efficiënt in te blijven spelen op klantbehoeften moeten mkb-accountantskantoren hun weg vinden in onnoemelijk veel nieuwe ICT-technologie. Zij worden IT-gedreven ondernemingen, terwijl zij daar eerder niet op waren gericht. Zij krijgen een nieuwe onbekende taak. De onderzoeksvraag in dit onderzoek luidt: Hoe kan de mkb-accountant digitalisering, ICT en data-analyses inzetten in zijn beroepspraktijk, zodat beter aan de wensen van zijn mkb-klanten wordt voldaan en de eigen bedrijfsvoering en werkprocessen efficiënter worden? Hiervoor ontwikkelen wij een zelfscan en een data-analyse protocol waarmee de accountant de digitalisering en data-analyse in zijn beroepspraktijk kan verbeteren. Met de zelfscan kan de accountant voor zijn accountantspraktijk, gegeven de wensen van zijn mkb-klanten en de wensen met betrekking tot zijn eigen bedrijfsvoering en werkprocessen, bepalen: het gebruik van de beschikbare informatiesystemen en software tools; de koppeling van de verschillende, beschikbare informatiesystemen en gegevensbronnen van klanten; de implementatie van online portals; en geschikte algoritmen voor de samenstellingswerkzaamheden (gebruikmakend van datamining en machine learning methoden). In het data-analyse protocol staan de relevante data-analyse stappen en data-analyse tools, gebruik makend van Artificial Intelligence (AI), voor de advisering van de accountant aan zijn mkb-klanten beschreven. De wensen van zijn mkb-klanten dienen als uitgangspunt voor de service portfolio van de mkb-accountant. Het gebruik van software, gegevensbestanden en data-analyse zal zodanig moeten zijn dat het gewenste service portfolio kan worden gerealiseerd en tevens de bedrijfsvoering en werkprocessen van het accountantskantoor worden verbeterd (qua efficiëntie en kosten).
Het analyseren van grote gegevensbestanden om de kwaliteit van het onderwijs te verbeteren is een hot item. De toepassing van learning analytics kan het onderwijs verbeteren. Wij doen onderzoek naar learning analytics en de vaardigheden die gebruikers daarbij nodig hebben.Doel Wij onderzoeken wat de gevolgen zijn van databewerking op de uitkomsten van learning analytics. En welke vaardigheden hebben gebruikers nodig om deze systemen zinvol te gebruiken? Learning analytics Learning analytics is het meten, verzamelen, analyseren en rapporteren van data van studenten en hun omgeving om het leren en de leeromgeving te begrijpen en te verbeteren. Het gebruik van learning analyticssystemen Het realiseren van grote delen van de onderwijsvisie van Hogeschool Utrecht is sterk verbonden met de succesvolle uitvoering van analyses op studentniveau. Het gebruik van learning analyticssystemen is niet vanzelfsprekend. De ontwerpers en ontwikkelaars van deze systemen moeten helder zijn over hun ontwerpkeuzes (zoals manieren van databewerking en de werking van algoritmes). Anderzijds moeten studenten en docenten beschikken over datavaardigheden om deze systemen op een zinvolle manier te gebruiken. Resultaten Dit onderzoek loopt. Na afloop vind je hier een samenvatting van de resultaten. In juli 2019 verscheen het volgende artikel van de onderzoekers: Automated Feedback for Workplace Learning in Higher Education. Looptijd 01 september 2017 - 31 december 2020 Aanpak We hebben eerst verkennend onderzoek gedaan door een case study waarin onderzocht is wat de effecten zijn van verschillende keuzes in de data cleaning op de uitkomsten van de data-analyse. Vanaf september 2019 gaan we onderzoeken welke datavaardigheden studenten nodig hebben om learning analytics-systemen effectief te gebruiken.
Het analyseren van grote gegevensbestanden om de kwaliteit van het onderwijs te verbeteren is een hot item. De toepassing van learning analytics kan het onderwijs verbeteren. Wij doen onderzoek naar learning analytics en de vaardigheden die gebruikers daarbij nodig hebben.Doel Wij onderzoeken wat de gevolgen zijn van databewerking op de uitkomsten van learning analytics. En welke vaardigheden hebben gebruikers nodig om deze systemen zinvol te gebruiken? Learning analytics Learning analytics is het meten, verzamelen, analyseren en rapporteren van data van studenten en hun omgeving om het leren en de leeromgeving te begrijpen en te verbeteren. Het gebruik van learning analyticssystemen Het realiseren van grote delen van de onderwijsvisie van Hogeschool Utrecht is sterk verbonden met de succesvolle uitvoering van analyses op studentniveau. Het gebruik van learning analyticssystemen is niet vanzelfsprekend. De ontwerpers en ontwikkelaars van deze systemen moeten helder zijn over hun ontwerpkeuzes (zoals manieren van databewerking en de werking van algoritmes). Anderzijds moeten studenten en docenten beschikken over datavaardigheden om deze systemen op een zinvolle manier te gebruiken. Resultaten Dit onderzoek loopt. Na afloop vind je hier een samenvatting van de resultaten. In juli 2019 verscheen het volgende artikel van de onderzoekers: Automated Feedback for Workplace Learning in Higher Education. Looptijd 01 september 2017 - 31 december 2020 Aanpak We hebben eerst verkennend onderzoek gedaan door een case study waarin onderzocht is wat de effecten zijn van verschillende keuzes in de data cleaning op de uitkomsten van de data-analyse. Vanaf september 2019 gaan we onderzoeken welke datavaardigheden studenten nodig hebben om learning analytics-systemen effectief te gebruiken.
