A primary teacher needs mathematical problem solving ability. That is why Dutch student teachers have to show this ability in a nationwide mathematics test that contains many non-routine problems. Most student teachers prepare for this test by working on their own solving test-like problems. To what extent does these individual problem solving activities really contribute to their mathematical problem solving ability? Developing mathematical problem solving ability requires reflective mathematical behaviour. Student teachers need to mathematize and generalize problems and problem approaches, and evaluate heuristics and problem solving processes. This demands self-confidence, motivation, cognition and metacognition. To what extent do student teachers show reflective behaviour during mathematical self-study and how can we explain their study behaviour? In this study 97 student teachers from seven different teacher education institutes worked on ten non-routine problems. They were motivated because the test-like problems gave them an impression of the test and enabled them to investigate whether they were already prepared well enough. This study also shows that student teachers preparing for the test were not focused on developing their mathematical problem solving ability. They did not know that this was the goal to strive for and how to aim for it. They lacked self-confidence and knowledge to mathematize problems and problem approaches, and to evaluate the problem solving process. These results indicate that student teachers do hardly develop their mathematical problem solving ability in self-study situations. This leaves a question for future research: What do student teachers need to improve their mathematical self-study behaviour? EAPRIL Proceedings, November 29 – December 1, 2017, Hämeenlinna, Finland
The present study aims at understanding and addressing certain challenges of automation of composite repairs. This research is part of a larger, SIA-RAAK funded project FIXAR, running in three Universities of Applied Sciences in the Netherlands and a cluster of knowledge institutions and industry partners.The approach followed in the current study, consists of three steps. First, the identification of the feasibility and most promising procedures for automated composite repair by analysis of current state-of-the-art methods as prescribed by OEMs and standards. Processes which are tedious or even contain health risks may qualify for automation. Second, a comparison of curing alternatives for composite repairs is made, by means of the creation and testing of specimen using different curing strategies. Lastly, a benchmark test of human made composite repairs is used in order to set a reference baseline for automation quality. This benchmark can be then applied to define a lower limit and prevent over-optimization. The employed methodology includes data collection, analysis, modelling and experiments.
Production processes can be made ‘smarter’ by exploiting the data streams that are generated by the machines that are used in production. In particular these data streams can be mined to build a model of the production process as it was really executed – as opposed to how it was envisioned. This model can subsequently be analyzed and stress-tested to explore possible causes of production prob-lems and to analyze what-if scenarios, without disrupting the production process itself. It has been shown that such models can successfully be used to diagnose possible causes of production problems, including scrap products and machine defects. Ideally, they can even be used to model and analyze production processes that have not been implemented yet, based on data from existing production pro-cesses and techniques from artificial intelligence that can predict how the new process is likely to be-have in practice in terms of data that its machines generate. This is especially important in mass cus-tomization processes, where the process to create each product may be unique, and can only feasibly be tested using model- and data-driven techniques like the one proposed in this project. Against this background, the goal of this project is to develop a method and toolkit for mining, mod-elling and analyzing production processes, using the time series data that is generated by machines, to: (i) analyze the performance of an existing production process; (ii) diagnose causes of production prob-lems; and (iii) certify that a new – not yet implemented – production process leads to high-quality products. The method is developed by researching and combining techniques from the area of Artificial Intelli-gence with techniques from Operations Research. In particular, it uses: process mining to relate time series data to production processes; queueing networks to determine likely paths through the produc-tion processes and detect anomalies that may be the cause of production problems; and generative adversarial networks to generate likely future production scenarios and sample scenarios of production problems for diagnostic purposes. The techniques will be evaluated and adapted in implementations at the partners from industry, using a design science approach. In particular, implementations of the method are made for: explaining production problems; explaining machine defects; and certifying the correct operation of new production processes.
Ontwikkelen van een tool om trends en scenario’s in kaart te brengen waarmee beter richting gegeven kan worden aan voor de praktijk relevante onderwijsprogramma’s en onderzoeksprojecten. In eerste instantie doen wij dat voor het domein commerciële economie (marketing & customer experience). Doel Dit project heeft twee doelen: 1: Ontwikkeling praktijk relevante opleidingsprogramma’s en onderzoeks programma’s. Dit doen wij door trends na te gaan middels literatuurstudie, interviews met toonaangevende mensen in het vakgebied en een conferentie waarin wij scenarios bouwen met experts 2: Train the trainer programma zodat wij ons de skills om dit zelf te kunnen binnen de HU eigen maken Resultaten Het project levert een aantal scenario’s op waarop wij ons kunnen voorbereiden en waarvan we de ontwikkeling in de toekomst kunnen monitoren. Hierdoor blijven onze onderwijs en onderzoeksprogramma’s bij de tijd. Looptijd 01 september 2020 - 01 december 2020 Aanpak Dit programma wordt ontwikkeld samen met De Ruijter strategie die in Nederland toonaangevend is op dit gebied en het Nederlands Instituut voor Marketing. Interne HU partners zijn het Institute for Marketing & Commerce en het Lectoraat Marketing en Customer Experience. Fase 1 is literatuuronderzoek. Hiervoor wordt o.a. ook via webscraping en Natural Language Processing informatie gehaald uit job ads van toonaangevende bedrijven. Fase 2 zijn interviews met toonaangevende mensen in de praktijk en wetenschap. Fase 3 een werkconferentie met 25 experts om scenario’s te ontwikkelen waarna een eindrapport wordt gemaakt. Hierna vinden de train the trainer sessies plaats, worden de scenario’s voorbereid en wordt de organisatie ingericht om e.e.a. in de tijd te monitoren. Relevantie van het project Het in kaart brengen van trends is een specialisme. Dat geldt ook voor scenario denken. Wij willen ons dat eigen maken zodat wij steeds relevanter worden voor de praktijk. Dit is goed voor studenten, docenten, werkgevers en de maatschappij
Ontwikkelen van een tool om trends en scenario’s in kaart te brengen waarmee beter richting gegeven kan worden aan voor de praktijk relevante onderwijsprogramma’s en onderzoeksprojecten. In eerste instantie doen wij dat voor het domein commerciële economie (marketing & customer experience). Doel Dit project heeft twee doelen: 1: Ontwikkeling praktijk relevante opleidingsprogramma’s en onderzoeks programma’s. Dit doen wij door trends na te gaan middels literatuurstudie, interviews met toonaangevende mensen in het vakgebied en een conferentie waarin wij scenarios bouwen met experts 2: Train the trainer programma zodat wij ons de skills om dit zelf te kunnen binnen de HU eigen maken Resultaten Het project levert een aantal scenario’s op waarop wij ons kunnen voorbereiden en waarvan we de ontwikkeling in de toekomst kunnen monitoren. Hierdoor blijven onze onderwijs en onderzoeksprogramma’s bij de tijd. Looptijd 01 september 2020 - 01 december 2020 Aanpak Dit programma wordt ontwikkeld samen met De Ruijter strategie die in Nederland toonaangevend is op dit gebied en het Nederlands Instituut voor Marketing. Interne HU partners zijn het Institute for Marketing & Commerce en het Lectoraat Marketing en Customer Experience. Fase 1 is literatuuronderzoek. Hiervoor wordt o.a. ook via webscraping en Natural Language Processing informatie gehaald uit job ads van toonaangevende bedrijven. Fase 2 zijn interviews met toonaangevende mensen in de praktijk en wetenschap. Fase 3 een werkconferentie met 25 experts om scenario’s te ontwikkelen waarna een eindrapport wordt gemaakt. Hierna vinden de train the trainer sessies plaats, worden de scenario’s voorbereid en wordt de organisatie ingericht om e.e.a. in de tijd te monitoren. Relevantie van het project Het in kaart brengen van trends is een specialisme. Dat geldt ook voor scenario denken. Wij willen ons dat eigen maken zodat wij steeds relevanter worden voor de praktijk. Dit is goed voor studenten, docenten, werkgevers en de maatschappij
