De term soft control wordt gebruikt voor een keur aan sturings- en beheersmaatregelen die organisaties helpen op koers te blijven. Ze hebben vooral betrekking op gedrag en cultuur. Uit ons inventariserend onderzoek blijkt dat er geen eenduidigheid over de definitie van soft control is en al helemaal niet over de manier waarop soft control wordt uitgewerkt. Hierdoor zijn veel uitwerkingen en meetinstrumenten voor soft control in omloop. In dit artikel vragen we ons af hoe we de kwaliteit van meetinstrumenten voor soft control kunnen beoordelen. Op basis van een aantal methodologische criteria ontwikkelen we een ordeningskader van deze instrumenten. Hiermee scheppen we helderheid in de fascinerende wereld van sociaalwetenschappelijke meetinstrumenten.
Het aantal banen neemt toe. Jaarlijks ontstaan er volgens CBS (2019) ongeveer 900 duizend vacatures. Deze keer is de verandering op de arbeidsmarkt niet het resultaat van één enkele factor, maar eerder een combinatie van vijf factoren: snelle technologische vooruitgang, diepgaande veranderingen in gezondheid en demografie, een groeiende economie, toenemende globalisering en belangrijke maatschappelijke veranderingen - die samen een groot deel van wat we als vanzelfsprekend beschouwen, fundamenteel transformeren (Gratton, 2011). Digitalisering en automatisering spelen een grote rol bij deze veranderingen. Er zijn optimistische voorspellingen dat nieuwe technologieën de arbeidsmarkt ten goede komen. Technologie verlaagt bijvoorbeeld de werkdruk. We zouden door technologie zelfs naar een kortere werkweek kunnen en nieuwe banen erbij krijgen, zodat niemand ongewild zonder werk komt te zitten (Ford, 2015; Giang, 2015; Mahdawi, 2017; MGI, 2017). Echter, de angst dat automatisering banen over gaat nemen en er een tekort aan werk gaat ontstaan, is ook een veelgehoorde zorg (Alexis, 2017; Ford, 2015; Giang, 2015; MGI, 2017; WRR. 2013).
The hard side in total quality management of measurement and data analysis can only be successful if it is replenished with the soft side, the people side. This conclusion has serious consequences for the education of professionals, especially managers. Managers should be trained in soft skills, trained in managing themselves and their relations with others. The recent research done by Meduprof-S focuses on the question which skills are needed and on the extent to which business schools quality standards consider soft skills to be important in the education of managers .
De innovatiewerkplaats Campus Design (CD) richt zich op de duurzame ontwikkeling (SDG) van de campus door middel van praktijkgerichte oplossingen en onderzoek. Vanuit het lectoraat Facility Management van de Hanze, werkt CD samen met kennis- en onderwijsinstellingen, overheden en het bedrijfsleven, bijvoorbeeld om de kwaliteit, gastvrijheid en inclusiviteit te verbeteren zodat iedereen zich welkom voelt op de campus. CD streeft naar een betere aansluiting tussen de ruimte en organisatie op de campus; ook de vergroening en biodiversiteit rekenen we daartoe. Dit doen we door praktijkvragen van onderwijsinstellingen en het bedrijfsleven te koppelen aan praktijkgericht onderzoek van onze senior-onderzoekers, onderzoekers, docenten en studenten, onder meer in architectuur, facility management, gastvrijheid, kunsten en vastgoed. Onze multidisciplinaire aanpak is zeer actiegericht; we willen de campuspraktijk écht veranderen en laten zien dat het betaalbaar is én werkt. We zorgen er dus voor dat oplossingen niet alleen theoretisch en empirisch uitstekend onderbouwd zijn, maar vooral ook praktisch toepasbaar en bewijsbaar beter. Door de goede samenwerking met onze partners, genereert CD oplossingen die onderwijsinstellingen inspireren en hen helpen de SDG te implementeren.
Automated driving nowadays has become reality with the help of in-vehicle (ADAS) systems. More and more of such systems are being developed by OEMs and service providers. These (partly) automated systems are intended to enhance road and traffic safety (among other benefits) by addressing human limitations such as fatigue, low vigilance/distraction, reaction time, low behavioral adaptation, etc. In other words, (partly) automated driving should relieve the driver from his/her one or more preliminary driving tasks, making the ride enjoyable, safer and more relaxing. The present in-vehicle systems, on the contrary, requires continuous vigilance/alertness and behavioral adaptation from human drivers, and may also subject them to frequent in-and-out-of-the-loop situations and warnings. The tip of the iceberg is the robotic behavior of these in-vehicle systems, contrary to human driving behavior, viz. adaptive according to road, traffic, users, laws, weather, etc. Furthermore, no two human drivers are the same, and thus, do not possess the same driving styles and preferences. So how can one design of robotic behavior of an in-vehicle system be suitable for all human drivers? To emphasize the need for HUBRIS, this project proposes quantifying the behavioral difference between human driver and two in-vehicle systems through naturalistic driving in highway conditions, and subsequently, formulating preliminary design guidelines using the quantified behavioral difference matrix. Partners are V-tron, a service provider and potential developer of in-vehicle systems, Smits Opleidingen, a driving school keen on providing state-of-the-art education and training, Dutch Autonomous Mobility (DAM) B.V., a company active in operations, testing and assessment of self-driving vehicles in the Groningen province, Goudappel Coffeng, consultants in mobility and experts in traffic psychology, and Siemens Industry Software and Services B.V. (Siemens), developers of traffic simulation environments for testing in-vehicle systems.
The value of data in general has become eminent in recent times. Autonomous vehicles and Connected Intelligent Transport Systems (C-ITS), in particular, are rapidly emerging fields that rely a lot on “big data”. Data acquisition has been an important part of automotive research and development for years even before the advent of Internet of Things (IoT). Most datalogging is done using specialized hardware that stores data in proprietary formats on traditional hard drives in PCs or dedicated managed servers. The use of Artificial Intelligence (AI) throughout the world and specifically in the automotive sector is largely reliant on the data for the development of new and reliable technologies. With the advent of IoT technologies, the reliability of data capture could be enhanced and can improve ease of real-time analytics for analysis/development of C-ITS services and Autonomous systems using vehicle data. Data acquisition for C-ITS applications requires putting together several different domains ranging from hardware, software, communication systems, cloud storage/processing, data analytics, legal and privacy aspects. This requires expertise from different domains that small and medium scale businesses usually lack. This project aims at investigating requirements that have to be met in order to collect data from vehicles. Furthermore, this project also aims at laying foundations required for the development of a unified guidelines required to collect data from vehicles. With these guidelines, businesses that intend to use vehicle data for their applications are not only guided on the technical aspects of data collection but also equally understand how data from vehicles could be harvested in a secure, efficient and responsible manner.
