Waarheidsvinding met Artificial Intelligence en Big Data?

Als men over data[1] en beleid spreekt, is dat vaak met voorbeelden van hoe data-analyse inzicht geeft in hoe een organisatie of een andere groep zich realiseert dat zij haar doel effectiever kan bereiken. Of data waarmee een beter inzicht in de samenstelling van een wijk; de groei van het inkomen in stad (bv door beleidsadviseurs) of land (bv door CBS, CPB) e.d. Of data waarmee ‘ik’ beter de inkoop of mijn transport kan plannen (bv OV9292). Er is ook selectief datagebruik waarmee we bewust meningen en gedrag proberen te beïnvloeden. We spreken bijvoorbeeld over een zeer grote instroom van vluchtelingen, terwijl er maar een beperkt aantal Nederland in komt. Hoe het ook zij: data beïnvloeden ons gedrag, bewust en onbewust. Binnenkort kan dat niet meer zo makkelijk… toch?

Framen is selectief datagebruik, specifiek voor doel en doelgroep. De selectie is er op gericht dat er gaandeweg door herhaling en verspreiding een specifiek(e) beeld of mening ontstaat in de groep: ‘Constant repetition reinforces and enhances neural circuits, enhances memorability and encourages acceptance of the frame’[2]. Het effect van framen wordt versterkt doordat leden van een groep de neiging hebben mee te gaan met wat ‘de groep’ vindt (sociale bewijslast). Roken was een tijd lang normaal, lekker en niet ongezond. We deden het (bijna) allemaal. Het kostte tientallen jaren om ‘ons’ – de groep – van het tegendeel te overtuigen. Experts spraken elkaar tegen. Dat doet denken aan de discussie over vervuiling van de wereld… Wat is ‘waar’?
Mijn moeder wist al hoe bruikbaar ‘framen’ was. Ze gebruikte de informatie die haar uitkwam en ze liet weg wat nodig was. Dan kon je zo maar denken dat je een bonus-weekeinde weg kreeg bij een tante, terwijl ze feitelijk niet wilde dat je alleen thuis bleef omdat ze weg ging. Of een kaart laten zien die een bedrieglijk korte route toonde voor een wandeling, terwijl die in de praktijk meer dan het beruchte ‘stief kwartiertje’ bleek te zijn. Ook het beeld dat wij tonen van ons leven op Facebook is onvolledig. We framen allemaal. Dat is betrekkelijk onschuldig.
De fake facts van Trump geven een andere impact aan gekleurd gebruik van data. Er zijn mensen die geloven wat hij tweet en belooft. Of het frame-beeld van Marlboro, de cowboy in de natuurlijke omgeving van de WildWest. Hij overleed aan longkanker. Wie kent de voorbeelden niet uit de praktijk van elke organisatie? Het woord ‘framing’ is voor dat gebruik een goede beeltenis. Je kan er jezelf ook mee verheffen. Tony Blair gebruikte het stelselmatig. Men noemde dat ‘spinning’[3]. Met framen kan je ook beschadigen. Youp van ‘t Hek beschadigde het marktaandeel van het alcoholvrij bier ‘Buckler’ in zijn oudejaarsconference 1989. Framen gebeurt meestal niet zo zichtbaar als in dit voorbeeld.
Ook bij Big Data geldt: garbage in = garbage out’ Naarmate we meer kunnen met meer data uit veel meer bronnen, is het mogelijk om meer feiten te verzamelen en te analyseren. De grote hoeveelheid data veronderstelt dat garbage sneller herkend kan worden; dat de analyseresultaten meer betrouwbaar zijn.

In de wolken.
Niet iedereen heeft toegang tot alle data om de feiten te checken. En niet iedereen heeft daar zin in. Het is vaak veel werk om bronnen te vinden en te checken. Sterker: er zijn inmiddels zoveel data dat je niet weet waar je moet beginnen om de mogelijk relevante data voor jouw vraag te vinden. Voor mensen zoals ik, is dat eigenlijk ook best we fijn. Het was tot voor kort ondenkbaar dat iemand alles over je kon weten. Niemand zou de moeite nemen om het werk te doen om alle data te vinden en het leven te analyseren van een maatschappelijk onopvallend persoon. Met Big Data is dat echter veranderd. Het kost steeds minder moeite om het leven van een individu tot op het niveau van activiteiten, locatie en zelfs mondbacteriën te volgen; om gegevens op allerlei locaties te vinden en met elkaar in verband te brengen waar dat kan. Veel data zijn ‘ergens’ beschikbaar. Steeds meer zijn we letterlijk ‘in de wolken’, in cijfers, letters en beeld. Verandert dat ons leven? Worden we minder vrij in wat we doen?
Recent zijn er verschillende publicaties geweest die er op wijzen dat het gedrag van jonge mensen veranderd is. Men lijkt zich er steeds meer van bewust te zijn dat wat je nu doet, gevolgd en vastgelegd kan worden, als je niet uitkijkt voor de eeuwigheid. Camera’s zijn alom aanwezig. Even ongezien weg sluipen lukt lang niet altijd meer. Er zijn ook steeds meer sensoren. In Singapore bijvoorbeeld zijn er bijna 7,5 miljoen sensoren en 100.000 camera’s op een bevolking van ca 5,5 miljoen. In New York met ca 8,5 miljoen inwoners, zijn er 2-3 miljoen sensoren. En, het worden er meer.
Het is mogelijk om met data van smart phones het gedrag van mensen te volgen en de route die zij nemen te beïnvloeden door een slim gebruik van ‘tips’ via borden en app. Dat gebeurde bij Sail Amsterdam-2015. In Stratumseind, Eindhoven, gebruikt men kleur en licht om gedrag te beïnvloeden. Zijn dat data? Het gebeurt in ieder geval op basis van data, over de groep, de omgeving en de gedragspatronen. De vraag die zich in toenemende mate opdringt is hoever we mogen gaan met de combinatie van nudges[4], primes[5] en boodschappen om ons gedrag te beïnvloeden; hoe lang het duurt totdat AI in combinatie met Big Data in staat is dergelijke patronen toe te passen om te zorgen voor gewenst gedrag van individu en groep.

Beter met big data?
In de gemeente Amstelveen wordt geëxperimenteerd met Big Data. Binnenkort start een proef waarin wordt nagegaan of onderkend kan worden in welke wijken de meeste mensen wonen die actief willen participeren. En, met welke invloedsfactoren er de grootste kans is om hen te stimuleren actief te worden in vrijwilligerswerk. Dat alles door gebruik te maken van openbare data uit allerlei bestanden in Nederland en zo nodig daarbuiten. Daar is niets geheimzinnigs aan. Behalve dan dat de expertise die wordt gebruikt, samen met specifieke algoritmes en ‘verwerkkracht’, ons nu in staat lijkt te stellen een slag dieper te gaan in de analyse. Niet alleen wat en waar, maar ook voorspellend: ‘als je dat doet, dan …’. Krijgen we daarmee een betere wereld? Ik heb daar geen generiek antwoord op. Bij een goed gebruik is alles mooi. Mijn moeder frame-de uit gemak en liefde. De Trumps van deze wereld stellen het eigen gewin voorop. Ik ken oud collega’s die het deden voor het belang van ‘het land’, de organisatie of afdeling, omdat het hun baan is. Bijvoorbeeld: het gebruik van ‘nudges+primes+boodschappen’ bij afvallocaties in de wijk om te stimuleren dat mensen het afval în de containers doen[7]. Net zo, zijn er mensen die schijnbaar liefdadig werk doen; er zelf echter veel beter van worden. Evenals mensen die inderdaad veel opofferen om anderen te helpen.
Onze wereld heeft, kortom, een veelheid aan kleuren, gedrag, motieven en mogelijkheden. Dat is er ook mooi aan. Die veelheid moet behouden blijven, ook al zitten er kanten aan die ik categorisch afwijs.

Democratisch gestelde grenzen?
Big Data, samen met AI (Artificial Intelligence, red) en robotica, kunnen leiden tot een wereld waarin gepredestineerd opereren normaal wordt, bijna zonder dat je het weet. Nu al wordt veel van ons gedrag onbewust beïnvloedt door reclame en andere beïnvloedingstechnieken (onder andere arvey, 2016). Hoe moet dat als we straks in staat zijn om analyses van gedragspatronen uit te voeren met één of enkele nano-chips? Nudging, priming, etcetera, is dan kinderspel.
Vrijheid van bewegen is een groot goed. De alomtegenwoordige camera’s lijken die nu al te beperken. De straks alom tegenwoordige sensoren kunnen dat ook doen. Tenzij we er voor zorgen dat dit maatschappelijk niet kan en we er democratisch handhaafbare regels voor stellen. Bijvoorbeeld een regel dat de voor trafficmanagement nodige data synthetisch moet zijn en dus niet herleidbaar naar individu, locatie of specifiek object. Terwijl de software die de data synthetiseert ‘embedded’ moet zijn in de hardware van de sensor zodat een mens daar niet eenvoudig tussen kan komen. Dat si echter ook een kostbare eis. Wie gaat dat betalen, en: wie gaat en hoe wordt het gehandhaafd?
Amsterdam en Eindhoven maakten begin dit jaar een begin met regels door een viertal hoofdprincipes vast te stellen voor ‘IoT en datagebruik’ in de openbare ruimte van de stad[8]. De wethouder EZ van Amsterdam gaf recent opdracht om een openbaar register voor IoT-technologie in de openbare ruimte te realiseren. Dan kunnen bewoners en ondernemers zien waar welke IoT-technologie (o.a. sensoren, camera’s) in de openbare ruimte aanwezig is en wat het doet, voor wie[9]. Het is wenselijk te zorgen voor transparantie, zodat we kunnen weten wat er gebeurt en door wie, en te zorgen voor houvast voor individu en organisatie waarmee zij hun basisrecht op vrijheid van bewegen, handelen, mening en meningsvorming zo nodig rechtstatelijk kunnen bevechten.
Verbeteren Big Data de wereld? Neen, ik denk het niet. Daar is meer voor nodig. Helpt het de wereld te verbeteren? Ja, dat denk ik wel. Meer inzicht, meer transparantie en een verstandig gebruik van data helpt ons allemaal om ons handelen zo goed mogelijk vorm en inhoud te geven conform de wensen en de mogelijkheden die wij daarbij hebben. Waarheidsvinding is moeilijk; framen gemakkelijk. Het is winst als Big Data (en AI) het individu en de kleine organisatie kan helpen bij het eenvoudig ontmaskeren van misbruik van data voor de doelbewuste beïnvloeding van meningsvorming en gedrag voor ‘eigen gewin’. Het recht op onder meer vrijheid van meningsvorming en beweging zonder gevolgd te worden moet vastgelegd worden als digitaal mensenrecht.

Footnotes

• [1] Voor dit artikel nemen we data breed: getallen, tekst en beeld. We maken geen onderscheid tussen data, informatie en kennis.
• [2] Soules, M.; (2015: 15); ‘Media, persuasion and propaganda’; Edinburgh University
• [3] O.a. https://www.theguardian.com/media/2007/jun/13/politicsandthemedia.pressandpublishing
• [4] nudging =zintuigprikkeling door het tonen van een optie, waardoor mensen makkelijker het gewenste gedrag vertonen; een duwtje in de rug. Bijvoorbeeld: lijnen of pijlen op straat, wijzend naar de plekken om afval kwijt te raken; beverfde vlakken naar de container met beelden die plaatsing van afval afremt. Geen verbodsborden gebruiken, positieve signalen werken beter.
• [5] primes =subtiele zintuigelijke prikkels die onbewust bepaalde kennis activeren. Bijvoorbeeld: citroengeur en glanzende voorwerpen activeren om schoon te houden.
• [6] Garvey, James; (2016); ‘The Persuaders: The Hidden Industry That Wants To Change Your Mind’; Icon Books
• [7] O.a. Dijksterhuis, Van Baaren (B&D); (2015); ‘Inspiratielijst voorkomen zwerfafval openbare ruimte. Nudges, primes en boodschappen’; Nijmegen
• [8] Financieel Dagblad; (10 april 2017); ‘Amsterdam en Eindhoven willen greep op de digitale stad’
• [9] Parool; (10 april 2017); ‘Gemeente gaat dataregistratie in stad inzichtelijk maken’; Amsterdam