Binnen het project Leesevolutie zet werkpakket 1c AI-methoden in om grootschalige onderwijsonderzoeksdata, zoals PIRLS, te analyseren. Met behulp van causal discovery en causal bandits onderzoekt het project welke onderliggende factoren het begrijpend lezen beïnvloeden en welke interventies effectief zijn.
Lees verder
Door statistische modellen te combineren met causale inferentie levert dit werk evidence-based adviezen op om de leesvaardigheid van diverse groepen leerlingen in Nederland te verbeteren.
Team
Mehdi Dastani is informaticus en hoogleraar Kunstmatige Intelligentie. Hij is voorzitter van de vakgroep Intelligent Systems en hoofd van de divisie Artificial Intelligence and Data Science van de afdeling Information and Computing Sciences van de Universiteit Utrecht.
Lees verder
Daarnaast is hij EurAI Fellow en voorzitter van de interfacultaire focusgroep Human-centered AI van de Universiteit Utrecht. Zijn onderzoek richt zich op formele en computationele modellen binnen kunstmatige intelligentie. Geïnspireerd door kennis en inzichten uit andere wetenschappelijke disciplines, zoals filosofie, psychologie, economie en recht, ontwikkelt Dastani computermodellen voor autonome agenten waarvan het gedrag wordt bepaald door redeneren over sociale en cognitieve concepten, zoals kennis, verlangens, normen, verantwoordelijkheid en emoties. Zijn huidige onderzoek richt zich op theorieën en toepassingen van multi-agent systemen, met name op de vraag hoe logica en machine learning gecombineerd kunnen worden bij het ontwikkelen van autonome agenten en multi-agent systemen.
Ad Feelders is universitair hoofddocent bij de Algorithmic Data Analysis Group van de afdeling Information and Computing Sciences van de Universiteit Utrecht. Zijn onderzoek richt zich op machine learning en data mining, met speciale aandacht voor leren met monotoniebeperkingen en exceptional model mining.
Rumana Lakdawala is postdoc bij de afdeling Artificial Intelligence and Data Science van de vakgroep Information and Computing Sciences van de Universiteit Utrecht. Ze heeft een achtergrond in informatica en het statistisch modelleren van temporele netwerken.
Lees verder
Haar huidige onderzoek bevindt zich op het snijvlak van causaliteit, kunstmatige intelligentie en statistische methoden. Ze werkt aan causal bandits om optimale interventies te identificeren en te selecteren, en aan causal discovery om onderliggende causale structuren uit data te achterhalen.
Roxana Rădulescu is universitair docent in de groep Intelligent Systems van de afdeling Information and Computing Sciences van de Universiteit Utrecht.
Lees verder
Haar onderzoek richt zich op de ontwikkeling van multi-agent besluitvormingssystemen, waarbij elke agent wordt gedreven door verschillende doelstellingen en belangen, binnen het kader van multi-objective multi-agent reinforcement learning. Een langetermijndoel is om dit kader toe te passen in hybride mens-agentcollectieven, waarin agenten met elkaar interacteren en van én over elkaar leren.