Digitale geletterdheid heeft als doel om leerlingen op eigen kracht te leren functioneren in een samenleving waarin digitale technologie en media een belangrijke plaats hebben. Het is belangrijk, dat leerlingen kennis en vaardigheden verwerven en dat zij leren nadenken over de waarde van digitale technologie en media, voor zichzelf en de samenleving. Leerlingen leren digitale technologie gebruiken om uiting te geven aan hun eigen persoonlijkheid en creativiteit. Ook leren zij creatief gebruik te maken van digitale technologie, bijvoorbeeld bij het oplossen van problemen.
Digitale technologie speelt een steeds grotere rol in het leven en werken van mensen. Leerlingen leven met digitale technologie en media en beschouwen het als vanzelfsprekend dat zij hier dagelijks mee omringd zijn. Toch blijkt dat zij lang niet alle mogelijkheden ervan benutten en dat zij zich vaak onvoldoende bewust zijn van wat zij doen en delen. Daarom is digitale geletterdheid van belang. Bij digitale geletterdheid is begrip van de concepten van digitale technologie essentieel. Concepten zijn minder veranderlijk dan de toepassingen daarvan. Of je nu Facebook, Instagram of Snapchat gebruikt, ze werken alle op basis van hetzelfde concept en volgens dezelfde principes. Met kennis van deze concepten kunnen leerlingen nieuwe ontwikkelingen begrijpen en daar ook zelf aan bijdragen. Aangezien lang niet alle leerlingen deze kennis, vaardigheden en inzichten van huis uit meekrijgen, is de rol van de school hierin onmisbaar.
Digitalisering transformeert wereldwijd economieën en maatschappijen in een razendsnel tempo. Nederland heeft een goede uitgangspositie om de economische en maatschappelijke kansen van digitalisering te verzilveren. De digitale infrastructuur is van wereldklasse, de beroepsbevolking is goed opgeleid en we hebben een traditie van samenwerking, bijvoorbeeld tussen bedrijfsleven, kennisinstellingen en overheid. Tegelijkertijd roept digitalisering ook nieuwe, fundamentele vragen op. Bijvoorbeeld over de bescherming van onze privacy en de toekomst van onze banen.
Om de kansen van digitalisering te benutten en antwoorden te geven op deze vragen moet Nederland voorop lopen met digitalisering. Met onderzoek, met experimenten en met het toepassen van nieuwe technologie. Op die manier versterken we het Nederlands verdienvermogen, kunnen we beter richting geven aan technologische ontwikkelingen en zetten we vol in op de economische en maatschappelijke kansen van digitalisering.
Om voorop te kunnen lopen moeten we ook het vertrouwen van burgers en bedrijven vergroten. Daarom versterken we het fundament – o.a. privacybescherming, cybersecurity, digitale vaardigheden en eerlijke concurrentie - voor digitalisering. De uitdaging bij deze transformatie is om iedereen binnen boord te krijgen én te houden. Op de arbeidsmarkt, maar ook in de samenleving als geheel.
Overzicht van speerpunten, ambities en activiteiten die de komende jaren richting geven aan digitalisering in het onderwijs.
Nog geen honderd jaar geleden hadden maar weinig mensen directe toegang tot informatie. De klas van toen was ingericht op een efciënte verspreiding van informatie: één persoon voor een groep, het niveau ingericht op de leefijd van de leerlingen. Tegenwoordig is in diezelfde klas een hele wereld aan informatie binnen handbereik. Met één muisklik, swipe of stemcommando krijgen kinderen van nu antwoorden waar vroeger hele zoektochten voor nodig waren. Digitalisering heef de toegang tot informatie radicaal getransformeerd.
Medische expertsystemen kunnen zich volgens sommige bedrijven ontwikkelen tot ‘digitale dokters’. In de praktijk roept de komst van deze toepassingen van kunstmatige intelligentie ethische vragen op.
Medische expertsystemen kunnen artsen ondersteunen bij bijvoorbeeld het opstellen van een diagnose, prognose of behandelplan. In theorie kan dat leiden tot betere zorg, maar in de praktijk hebben de systemen de beloftes nog niet waargemaakt. Artsen kunnen het raadplegen van de systemen als een inefficiënte onderbreking van hun werk beschouwen of ten onrechte vertrouwen op een foute uitkomst. De komst van expertsystemen roept bovendien ethische vragen op. Hoe is bijvoorbeeld vast te stellen of een systeem het best mogelijke advies geeft voor een individuele patiënt als de werking van het systeem niet transparant is? Voor een verantwoorde verdere ontwikkeling doen ontwikkelaars, artsen, patiënten en beleidsmakers er goed aan stil te staan bij deze kwesties en daarbij de lessen uit de praktijk mee te nemen.
Dit rapport gaat over de toepassing in de praktijk, van de richtlijnen voor het gebruik van algoritmen door overheden, in het bijzonder bij casussen van de politie en van UWV.
Het rapport richt zich op mogelijke onvoorziene effecten van de inzet van (zelflerende) algoritmen door bedrijven en consumenten.
(Zelflerende) algoritmen worden ingezet om meerwaarde te leveren aan bedrijven, consumenten en de samenleving als geheel. Bij de toepassing van (zelflerende) algoritmen kunnen onvoorziene effecten optreden. De impact van deze onvoorziene effecten is, afhankelijk van de context en de aard van de toepassingen, potentieel groot. Dit onderzoek richt zich daarom op de vraag:
Wat zijn mogelijke onvoorziene effecten van de inzet van (zelflerende) algoritmen door bedrijven en consumenten waarvan niet duidelijk is hoe zij tot een besluit komen en hoe kunnen deze effecten geïdentificeerd, gewogen en indien ongewenst gemitigeerd worden?
De Nederlandse Digitaliseringstrategie (NDS) bundelt kabinetsbreed de ambities en doelstellingen voor een succesvolle digitale transitie in Nederland. Ieder jaar bekijkt het kabinet of nieuwe ontwikkelingen een aanpassing van de strategie noodzakelijk maken.
De digitale transitie voltrekt zich in een hoog tempo. Technologische, economische en maatschappelijke ontwikkelingen volgen elkaar snel op en geven samen vorm aan onze digitale toekomst. Het is daarom van groot belang dat overheid en samenleving een zicht krijgen op mogelijke ontwikkelingen, zich op de toekomst voorbereiden en, waar nodig en mogelijk, ontwikkelingen ook bijsturen.
Met het oog hierop heeft het kabinet een toekomstverkenning uit laten voeren naar de belangrijkste trends en ontwikkelingen richting 2030. De Toekomstverkenning Digitalisering 2030 schetst aan de hand van elf trends een beeld onze digitale toekomst. Hiermee beoogt dit onderzoek de grootste kansen en risico’s van digitalisering in kaart te brengen, maar ook kritieke onzekerheden en vragen onder de aandacht te brengen. In de bijlage is het volledige rapport opgenomen, hieronder volgt een beknopte samenvatting van de belangrijkste bevindingen.
De Nederlandse Digitaliseringstrategie (NDS) bundelt kabinetsbreed de ambities en doelstellingen voor een succesvolle digitale transitie in Nederland. Ieder jaar bekijkt het kabinet of nieuwe ontwikkelingen een aanpassing van de strategie noodzakelijk maken.
Strategisch Actieplan voor Artificiële Intelligentie
Dit actieplan beschrijft de voornemens van het kabinet om de ontwikkeling van artificiële intelligentie (AI) in Nederland te versnellen en internationaal te profileren. Het gaat in op de AI-ontwikkelingen in Nederland, op de elementen die nodig zijn om AI-innovatie verder te stimuleren, en op het borgen van de publieke belangen bij AI-ontwikkelingen.
Stel je voor: de natuur op aarde wordt behouden, en zelfs verbeterd. Uitgestorven diersoorten komen weer tot leven. En daar hoeft de mens eigenlijk niets voor te doen. Hij kan het beschermen en creëren van natuurgebieden overlaten aan de technologie.
Stel je voor datje delen van de aarde ‘beter’ zou kunnen maken. Dat je vervuilde gebieden zou kunnen schoonmaken, afgebrande bossen zou kunnen laten teruggroeien en uitgestorven dieren opnieuw te voorschijn zou kunnen toveren. En voor dit alles zou je als mens nog maar nauwelijks iets hoeven doen. De gebieden beschermen zichzelf met behulp van geavanceerde, zelf lerende technologie. Het lijkt te mooi om waar te zijn. Of misschien toch…?
In een artikel in het wetenschappelijke tijdschriftCellvragen B. Cantrell, L. Martin en E. Ellis het zich hardop af. De wetenschappers verkennen in dit artikel,Designing Autonomy, de implicaties van een imaginaire ‘wildness creator’, een vorm van artificiële intelligentie (AI) die zelfstandig autonome natuurgebieden creëert en beschermt. Zou dit werkelijk de toekomst kunnen zijn van de conservatiebiologie en van het natuurbehoud op aarde?
Om deze vraag te beantwoorden moeten we eerst kijken hoe zo’n ‘wildness creator’ er in de ogen van deze auteurs uit zou gaan zien. Ze schrijven dat het gaat om een ‘niet-menselijke intelligentie, die oorspronkelijk wel is ontworpen door mensen, maar die in staat is om zelf nieuw strategisch gedrag te ontwikkelen en relaties aan te gaan met verschillende organismen in het ecosysteem’. Het uiteindelijke doel is om een ‘wild ecosysteem te behouden waar mensen geen invloed op hebben. Algoritmen die het systeem controleren leren uit de context en uit het gedrag van organismen en worden niet geprogrammeerd door mensen.’
Mensen zouden er in zo’n gebied niets van merken dat de gehele infrastructuur wordt gemonitord en gereguleerd door de ‘wildness creator’. Ze zouden in hun beleving ‘pure’, ‘ongerepte’ natuur ervaren. Omgekeerd zou ook ‘de natuur’ geen last hebben van mensen, omdat de ‘wildness creator’ alle sporen van mensen direct zou uitwissen volgens zich steeds verder ontwikkelende, steeds slimmer wordende algoritmen.
Voor alle duidelijkheid: de technologie die de wetenschappers voor zich zien, is er op dit moment (nog) niet. Toch vinden ze het tijd dat we ons afvragen wat de gevolgen van dergelijke verregaandedeep learning-methoden zouden zijn wanneer die zouden worden toegepast in de ecologie. Er is namelijk nu al een duidelijke trend zichtbaar in de richting van steeds verder gaande automatisering.
‘Een van onze doelen was om het idee dat technologie “onnatuurlijk” en “tam” is in plaats van natuurlijk en wild ter discussie te stellen’, licht auteur Laura Martin in een e-mail toe. Tegelijk wijst ze erop dat ze ook ethische vragen wilden uitlokken. Zo worden mensen uitgesloten van het beslissingsproces. Bovendien zou ‘macht worden geconcentreerd bij de makers van de wilderness creators’. Als die zelf gaan leren en beslissingen nemen, wie is er dan voor verantwoordelijk en aansprakelijk? ‘In die zin zijn de ethische kwesties vergelijkbaar met die van zelfrijdende auto’s.’
Het management vannatuurgebieden vergt steeds meer menselijk ingrijpen. Denk aan alle drones en andere vormen van beveiliging die mensen inzetten om de overgebleven neushoorns en andere megafauna in Afrika te beschermen. Paradoxaal genoeg kost het reduceren van de invloed van de mens op ecosystemen dus steeds meer en steeds intensiever menselijk management. Waarbij uiteraard de mens telkens bepaalt hoe de natuur ‘hoort te zijn’. Wat is natuur? Wat is wildernis? Allemaal vragen die wij mensen beantwoorden. Met als gevolg dat we ‘wilde natuur’ zoals die is ontstaan door het ‘rewilding project’ in de Oostvaardersplassen prachtig vinden, maar dan liever wel zonder zielige, stervende paarden in de winter. We willen dolgraag de laatste neushoorns in Afrika beschermen terwijl de ecologische functie van deze iconische dieren in het ecosysteem in feite al lang is uitgespeeld.
We kunnen onze menselijke neiging om in te kleuren wat wij onder ‘goede, pure, wilde natuur’ verstaan niet gemakkelijk onderdrukken waardoor we waarschijnlijk niet altijd de beste keuzes maken. In dit licht wordt het idee van een niet-menselijke intelligentie die de rol van beschermer van ecosystemen op zich neemt iets begrijpelijker. Zo’n vorm van intelligentie komt wellicht op ideeën waar mensen simpelweg nooit op zouden komen, gehandicapt als we zijn door onze antropocentrische blik.
Bron: Bloemink S. 2017. Wildernis in algoritmen: Kan artificiële intelligentie de natuur redden? De Groene Amsterdammer.
De (on)mogelijkheden van Kunstmatige Intelligentie in het onderwijs
In opdracht van het Ministerie van Onderwijs, Cultuur en Wetenschap onderzocht Dialogic de impact die de inzet van kunstmatige intelligentie kan hebben op het onderwijs in Nederland. De doelstelling van het onderzoek is het verwerven van inzicht in hoe kunstmatige intelligentie momenteel in het onderwijs wordt gebruikt (en hoe het gebruikt zal gaan worden) (Wat kan er?), en welke juridische aspecten er spelen bij dat gebruik (Wat mag er?). Ook moet het onderzoek de vijf grootste risico’s en kansen die verbonden zijn aan dit gebruik bloot leggen (Wat willen we?).
In dit artikel vindt u een uitleg over wat AI precies is. Als eerst waar AI uit bestaat, namelijk algoritmen en data. Daarna worden de verschillende vormen van AI besproken zoals Supervised Machine Learning, Unsupervised Machine Learning, Reinforcement Learning en Deep Learning. Na het artikel vindt u een video die in 20 minuten een introductie geeft over AI. Als laatst vindt u links naar artikelen, een video en een online cursus voor verdere uitleg over AI.
Artificial intelligence (AI) is het vermogen van computers om taken uit te voeren waarvoor mensen hun intelligentie inzetten. Denk aan interacteren met de omgeving, analyseren, redeneren, problemen oplossen en voorspellen. U vindt artificial intelligence in voice assistants op een smartphone of zelfrijdende auto’s. Maar ook in programma’s die zonder tussenkomst van een mens een verantwoording schrijven over de jaarcijfers van een bedrijf.
Artificial intelligence bestaat uit 2 bestanddelen: een algoritme en data. Een algoritme is een reeks van instructies die leidt tot een bepaald resultaat. Dit klinkt heel abstract, maar de aanbevelingen om verder te kijken van een streaming videodienst als Netflix zijn gebaseerd op een algoritme. Aan de hand van ons kijkgedrag leert Netflix wat we interessant vinden en doet op basis daarvan een aantal aanbevelingen. Om die aanbevelingen te kunnen doen, is data nodig. In dit geval ons eigen kijkgedrag én dat van anderen. Data is de grondstof die algoritme laat werken. Door meer data te analyseren kan het algoritme betere aanbevelingen doen.
Een algoritme en data zijn de 2 bestanddelen van artificial intelligence (Kennisnet)
Artificial intelligence heeft onderhoud nodig
Zelf kunnen leren betekent niet dat alles vanzelf gaat. De werking ervan is zo goed of slecht als de kwaliteit van het algoritme dat door mensen is bedacht en de data waarmee het is getraind. Als de trainingsdata niet wordt vernieuwd blijft het algoritme niet leren. Het algoritme neemt beslissingen op basis van wat het heeft geleerd voordat wij het uiteindelijk als programma gebruiken. Je kunt het programma zo doorontwikkelen dat het ook weer nieuwe gegevens verzamelt tijdens het gebruik. Door die gegevens te verwerken, kan er een nieuwe momentopname worden gemaakt. Zo verbeter je de artificial intelligence.
Vormen van artificial intelligence
Artificial intelligence kent verschillende verschijningsvormen:
Supervised machine learning
Bij supervised machine learning helpen we de artificial intelligence bij het leren. Van tevoren is bekend wat de juiste uitkomst is en wat de relaties zijn tussen gegevens. De gebruikte gegevens zijn allemaal door mensen gelabeld. Denk aan een spreadsheet waar boven elke kolom staat aangeven wat daarin staat. Het algoritme hoeft niet zelf uit te zoeken wat de gegevens betekenen en welke bij elkaar horen. Door het algoritme met steeds meer gegevens te voeden, worden de resultaten steeds nauwkeuriger. Denk aan het bepalen van de verkoopprijs van een huis. Door een algoritme veel historische gegevens te geven van verkochte huizen met de uiteindelijke verkoopprijs, perceeloppervlakte, locatie en andere kenmerken leert het de relaties daartussen steeds beter kennen. Daardoor kan het nauwkeuriger een verkoopprijs bepalen.
Bij supervised machine learning is de juiste uitkomst van tevoren bekend en leren we het algoritme wat de relaties zijn tussen gegevens (Kennisnet)
Unsupervised machine learning
Bij unsupervised machine learning programmeren we niet wat de juiste uitkomst is en welke gegevens precies relevant zijn. We vragen het algoritme om dat zelf te doen door gegevens te clusteren en zo patronen te vinden in een dataset. Unsupervised machine learning wordt gebruikt als gegevens niet geclassificeerd zijn of om juist nieuwe verbanden en clusters te ontdekken. Denk bijvoorbeeld weer aan de aanbevelingen die YouTube of Vimeo doet. Hiervoor zijn niet van tevoren allerlei categorieën bepaald, het systeem doet dat zelf, blijft ze herkennen en houdt ze actueel.
Bij unsupervised machine learning vragen we een algoritme zelf gegevens te clusteren door patronen te vinden in een dataset (Kennisnet)
Reinforcement learning
Bij reinforcement learning leert het algoritme een taak uit te voeren door het krijgen van beloningen voor acties die een juiste uitkomst opleveren. Dit soort algoritmes kunnen we gebruiken als er weinig data beschikbaar is. Vergelijk het met het trainen van een hond: als hij iets goed doet, geven we een beloning en anders niet. Zo leert het algoritme wat gewenste acties zijn die bijdragen aan het behalen van een bepaald doel.
Dit soort algoritmes wordt bijvoorbeeld bij zelfrijdende auto’s gebruikt. Ergens tegenaan botsen is geen goede uitkomst. Op tijd stil staan voor een boom wel. Zo leert de auto steeds beter beslissingen nemen. Hetzelfde geldt voor robots die leren lopen. Vallen is geen goede uitkomst. Een volgende stap kunnen zetten is dat wel. Zo leert een robot letterlijk met vallen en opstaan hoe groot de juiste stap moet zijn.
Bij reinforcement learning leert het algoritme een taak uit te voeren door het krijgen van beloningen voor acties die een juiste uitkomst opleveren (Kennisnet)
Deep learning
Deep learning gebruiken we bij data zoals afbeeldingen, video’s of geluidsopnamen. In vergelijking met de andere vormen van artificial intelligence heeft deep learning veel meer data nodig om verbanden te leggen en patronen te zien, maar het levert dan mogelijk nog accuratere resultaten op. Deep learning algoritmes bestaan uit verschillende lagen. Elke laag leert steeds nieuwe en complexere eigenschappen van de gegevens.
Zo kunnen we bijvoorbeeld een artificial intelligence-systeem maken dat aan de hand van een aantal lagen vogelsoorten leert herkennen:
Door het systeem te voorzien van veel voorbeelden van verschillende vogels te geven, leert het welke kenmerken bij vogels horen.
Een laag van het algoritme analyseert bijvoorbeeld de vorm van het object. Door het herkennen van vleugels en een snavel weet het dat het hier om een vogel gaat.
Een andere laag analyseert de kleur van de vogel en herkent dat het om een gele vogel gaat.
Een volgende laag zou op basis van de combinatie van deze kenmerken ook de specifieke soort vogel kunnen herkennen, bijvoorbeeld een parkiet.
Als we het algoritme dan een nieuwe vogel laten zien, die niet in de trainingsset zat, kan het de vogel alsnog herkennen aan de hand van de kenmerken.
Deep learning algoritmes bestaan uit verschillende lagen. Elke laag leert steeds nieuwe en complexere eigenschappen van de gegevens (Kennisnet)
Kunstmatige Intelligentie, of AI, is de toekomst van de technologie en het is al realiteit geworden aangezien bedrijven zijn begonnen met het bouwen van intelligentie systemen met behulp van AI. In deze video leer je waar Kunstmatige Intelligentie over gaat en hoe het is ontstaan. Ook leer je over de verschillende toepassingen van AI en kijk je naar het verschil tussen Artificial Intelligence, Machine Learning en Data Science. Ten slotte uitleg over de toepassingen van Machine Learning.
Naar meertaliger praktijken bij het beoordelen van rekenvaardigheden van vluchteling leerlingen
Het onderzoek richt zich op de beoordeling van jonge vluchtelingstudenten en de rol van taal en ouders daarin. Lage prestaties bij tests kunnen het gevolg zijn van een gebrek aan kennis van de inhoud die wordt getest. Het kan echter ook te wijten zijn aan een lage vaardigheid in de testtaal. Bovendien kan slechte communicatie tussen vluchtelingenouders en scholen, veroorzaakt door taal- of culturele verschillen, leiden tot onderschatting van het potentieel van kinderen. We onderzochten, ten eerste, in hoeverre de taalfactor van invloed is op de prestaties van jonge Syrische vluchtelingstudenten in Nederland op het gebied van wiskunde en, ten tweede, de validiteit van het oordeel van ouders over de rekenvaardigheid van hun kinderen. Het onderzoek bevestigt de waarde van taalkundig passende beoordelingen en ouderlijke beoordelingen bij het opvangen van vluchtelingstudenten.
Zahraa Attar, Elma Blom & Emmanuelle Le Pichon(2020)Towards more multilingual practices in the mathematics assessment of young refugee students: effects of testing language and validity of parental assessment,International Journal of Bilingual Education and Bilingualism,DOI:10.1080/13670050.2020.1779648
Er is steeds meer bewijs ontstaat voor een dramatisch verlies van insectenrijkdom in ons landschap gedurende de laatste 20-30 jaar. Samen met andere gegevens die een negatieve trend laten zien leidt dit tot grote zorg over de toekomstige kwaliteit en leefbaarheid van het platteland van Nederland. Opgaven voor de toekomst van het platteland komen bij elkaar: natuurinclusieve landbouw, ecologisch en economisch duurzame landbouw, zorgen over handhaving van kwaliteit van het nationaal netwerk van natuurgebieden, veranderende wensen van consumenten, producenten en keten. Daarnaast heeft de Nederlandse landbouw op dit moment te maken met veranderingen in het Gemeenschappelijk Landbouwbeleid van de EU. De steun aan boeren verschuift naar een inkomensondersteuning gericht op een groenere, effectievere, en milieuvriendelijker manier van produceren. Nederlandse biodiversiteitswetenschappers constateren dat aanpak van de problematiek urgent is en dat samenwerking tussen wetenschap, landbouw, voedingsindustrie, banken en natuurorganisaties zeer gewenst is.
Programma Hoogfrequent Spoorvervoer Amsterdam Centraal
In juni 2014 beslist Staatssecretaris Mansveld (I&M) over een voorkeursalternatief voor Amsterdam Centraal in het kader van het Programma Hoogfrequent Spoorvervoer (PHS). ProRail heeft de hiervoor uitgevoerde onderzoeken in de voorliggende rapportage integraal in beeld gebracht, dat wil zeggen zowel de invoering van hoogfrequent spoorvervoer als de uitvoering van noodzakelijke werkzaamheden aan de infrastructuur en transferfaciliteiten van het stationseiland. De rapportage omvat een beschrijving van de knelpunten en alternatieven en de toetsing van de alternatieven op een aantal beoordelingsaspecten, opgenomen in een afweegkader. Een beoordeling van de milieueffecten (vormvrije m.e.r.-beoordeling) en een kosten-batenanalyse maken deel uit van deze beoordeling.
De bereikbaarheid van de Randstad, en daarmee ook de Noordvleugel, is een essentiële voorwaarde voor economische ontwikkeling. Voor een grootstedelijke omgeving als de Noordvleugel is een goede bereikbaarheid met openbaar vervoer noodzakelijk. In de corridor tussen Schiphol en Lelystad worden in de toekomst knelpunten verwacht voor het openbaar vervoer. Deze worden onderzocht in de Planstudie Openbaar Vervoer Schiphol-Amsterdam-Almere-Lelystad (OV SAAL).In deze rapportage zijn de bevindingen van fase 1 van de planstudie opgenomen.
In fase 1 van de planstudie zijn drie tijdsperioden onderscheiden: de korte, middellange en lange termijn. Op de korte termijn worden met name knelpunten verwacht op het spoor mede als gevolg van de opening van de Hanzelijn in 2013. Ook op de middellange termijn (2020) worden knelpunten verwacht op het spoor als gevolg van de voortgaande reizigersgroei. Op de lange termijn (2030) bestaat een opgave voor het totale OV netwerk in de corridor (naast het spoor ook regionaal OV) om mede de bereikbaarheid van toekomstige gebiedsontwikkelingen te kunnen garanderen.
Uitgegeven door: Ministerie van Verkeer en Waterstaat Datum: Maart 2008
Het project Openbaar Vervoer Schiphol-Amsterdam-Almere-Lelystad (OV SAAL) is onderdeel van het Programma Hoogfrequent Spoorvervoer. Eén van de doelen van het programma is te komen tot hoogfrequent spoorvervoer op de drukste trajecten in de brede Randstad, zo ook in de SAAL-corridor. Een goede bereikbaarheid zowel via de weg als per openbaar vervoer is van groot belang voor de economische ontwikkeling van de Metropoolregio Amsterdam. Zo zijn er plannen voor extra woningbouw in Almere, voor de ontwikkeling van de Zuidas in Amsterdam tot werklocatie van internationale betekenis en voor de ontwikkeling van Schiphol en Lelystad Airport. De ontwikkelingen rondom Almere zijn vastgelegd in de Rijksstructuurvisie Amsterdam Almere Markermeer
Uitgave van het Ministerie van Infrastructuur en Milieu Augustus 2013
De deelstudie 'Spoor' beschrijft de marktontwikkeling tot 2030 en 2040 van het reizigers- en goederenvervoer per spoor. Het bespreekt daarbij eventuele vervoersknelpunten op grond van de voorziene marktontwikkeling en de capaciteit voor goederen en reizigers. Tot slot beschrijft het rapport de resultaten van een globale toets op de transfercapaciteit ('passen de reizigers in de stations en op de perrons') en een toets op de capaciteit van fietsenstallingen bij stations.
ProRail, Eigenaar Vervoer en Dienstregeling – CV POV Datum 19 april 2017
We are living in a digital society, in which every aspect of our lives is profoundly being affected by the digitalisation of data: how we communicate and socialise; how we work, learn, stay healthy and participate in politics and the economy. This special e-zine is published at the same day that the Dutch universities hold the first Digital Society Conference (27 November 2018). It is still early days as DiSa (DIgitale SAmenleving – Digital Society in Dutch) only started in the spring of 2018, and new researchers are just beginning to take up their posts. DiSa is a joint venture of the fourteen Dutch universities, each of which is investing in one or more of the seven programme lines. It is also an experiment as the VSNU has never before stimulated the universities to work together on a collaborative research agenda.
Dutch universities benefit from an excellent digital infrastructure supporting education and research. The Netherlands has a long-standing culture of openness and collaboration, and is an active promoter of Open Science. Taken together, this means that researchers in the Netherlands are ideally positioned to take on a leadership role in multidisciplinary research for a human-centered digital society.
New digital technologies are being developed very rapidly. Digitalisation and the associated growth of data are affecting all areas of human activity, including politics, work, the economy, and healthcare. Society is changing, sometimes for the better but certainly not always. Digital transformations are characterised by similar narratives of promises and fears, but they share complex questions of, for example, participation, responsibility, security, and surveillance.
No single discipline can address all of the complex socio-technical questions arising from the further development and use of digital technologies and big data. This is why it is important for the universities to work together, across disciplinary boundaries, to develop a shared research agenda that addresses the interests of citizens, politicians, policy makers, and those working in government, civil society and industry. By engaging with a broad range of societal partners we can come up with research that puts societal needs central to further processes of digitalisation and that promotes responsible digitalisation and datafication with people at the centre.