ODISSEI SoDa-fellowship

Het ODISSEI SoDa-fellowship is een programma voor startende onderzoekers binnen alle domeinen van de sociale wetenschappen. SoDa-fellows werken 3 tot 5 maanden fulltime aan datagerelateerde projecten.

In die periode maken ze deel uit van het SoDa team op de afdeling Methodologie & Statistiek van de Universiteit Utrecht, en worden ze door een van de senior teamleden begeleid.

Voor meer informatie kun je contact opnemen met onze scientific manager Kasia Karpinska.

Hoe werkt de aanvraagprocedure?

Aanvragers kunnen (samen met een inhoudelijk supervisor) voorstellen indienen voor projecten in de sociale wetenschappen (bijv. psychologie, sociologie, economie, gedragswetenschappen) waarvoor een datagerelateerd vraagstuk moet worden opgelost.

Het fellowship biedt praktische oplossingen, bijvoorbeeld om een betrouwbare data-analysepijplijn te schrijven of causale analyses uit te voeren gebaseerd op gesimuleerde robuustheidscontroles, softwarepakketten ontwikkelen, etc.
Wie kan het fellowship aanvragen?

Startende sociale wetenschappers (PhD-kandidaten, startende postdocs, afgestudeerde PhD-kandidaten) in een willekeurig domein van de sociale wetenschappen. PhD- of postdoc SoDa-fellows kunnen hun huidige aanstelling onderbreken of verlengen voor de duur van het programma en deze na beëindiging van de SoDa-fellowship hervatten.

Deadlines en tijdlijn

Aanvragen voor SoDa-grants kunnen doorlopend worden ingediend en de call staat open gedurende deze financieringsperiode, maar toekenning is afhankelijk van de beschikbaarheid. De deadlines voor nieuwe aanvragen zijn als volgt:

  • 30 september 2024
  • 12 januari 2025

Call for Proposals

Huidige SoDa-fellows

Gabrielle Martins van Jaarsveld (EUR, ESSB): Large Language Model (LLM) Driven Text-Mining to Understand and Support Students SRL Processes. Jaar: 2024

Project LLM richt zich op een beter begrip van de manier waarop studenten op verschillende niveaus van zelfregulerend leren (SRL) gebruikmaken van interventies door een tekstgebaseerde conversational agent (CA), en waarbij gebruik wordt gemaakt van tekstmining met behulp van LLM. In dit project worden de tekstmining-analyses uitgevoerd met ChatGPT-modellen van OpenAI. Het eindresultaat van dit fellowship is een wetenschappelijk artikel en een professionele gids met richtlijnen voor de manier waarop en wanneer een LLM kan worden gefinetuned en effectief dienst kan doen als tekstclassificatie.

Kristina Thompson (WUR): Using text analysis to build a Dutch historical disease database based on newspaper sources. Jaar: 2024

Een belangrijke indicator voor infectieziekten is het tijdstip van blootstelling aan de ziekte. Een indicator van de omgeving waarin de ziekte zich voordoet en van de specificieke tijdstippen en locaties is van groot belang voor dit onderzoek. Voor het Nederland in de negentiende en begin twintigste eeuw ontbreekt een dergelijke indicator. Een dataset met ziektevermeldingen samengesteld uit gegevens op basis van historische kranten kan helpen hiaten op te vullen. Dit project is daarom gericht op de ontwikkeling van een dergelijke dataset en beoogt daarnaast de methodologische uitdagingen te tackelen die inherent zijn aan het werken met soortgelijke databronnen (bijv. representatieve indicator).

Joris Broere (SCP): Predicting the impact of policy on ‘brede welvaart’ outcomes. Jaar: 2023

Dit fellowship richt zich op de implementatie van ‘brede welvaart’ als nieuwe standaard om overheidsbeleid te evalueren. Brede welvaart is een reeks van 14 indicatoren die een breed domein van beleidsterreinen omvatten zoals gezondheid, milieu, welzijn en sociale cohesie; indicatoren die moeilijker te evalueren zijn dan traditionele monetaire indicatoren. De focus van het fellowship ligt op de ontwikkeling van een geschikt model voor het voorspellen van beleidsalternatieven op een van de genoemde indicatoren en de causaliteit ervan te bepalen.

Nadya Ali (Tilburg University): Poverty, prenatal maternal health and child health in the Netherlands. Jaar: 2023

Bijna 20% van de wereldbevolking leeft in armoede. De helft van dat percentage bestaat uit kinderen. Kinderen die in armoede worden geboren lopen een groter risico om ook als volwassene in armoede te leven. Dit project zet netwerkanalyse in om armoedegerelateerde omgevingsfactoren te identificeren die van invloed zijn op de gezondheid van moeders en kinderen. Het eindresultaat van deze stage is een wetenschappelijk artikel, een nieuw netwerkmodel in de strijd tegen armoede en de effecten daarvan op de gezondheid van moeder en kind, een dashboard dat armoedegerelateerde omgevingsfactoren die relevant zijn voor de gezondheid van moeder en kind (zoals voeding, middelen, stress, woonsituatie) in beeld brengt met een overzichtskaart van Nederland.