Timmerman!

Stel je voor, hamers en zagen die zelfstandig architectonische meesterwerken creëren, waarin wij mensen ook nog eens zeer aangenaam kunnen verpozen? U kunt zich er niet veel meer bij voorstellen dan een toegevoegde episode aan de Walt Disney film "the beauty and the beast"? Dan begrijpt u vast mijn verbazing dat ik vorige week op een (para-) medisch congres was, waar enkele zorgprofessionals serieus uitspraken te geloven dat AI systemen zoals IBM's "lerende" computer (Watson) artsen minstens ten dele overbodig zullen maken.

Sinds mensenheugenis hebben onze voorouders gereedschappen gehad. En inderdaad, een hamer is sterker dan een mensenvuist. Meer algemeen, door het gebruik van een "arm" (natuurkundig: de momentstelling) hebben we hefbomen in zeer uiteenlopende vormen (van klassieke hefbomen tot katrollen, van wielen tot krukassen) die, al dan niet met die andere grote uitvinding - de controle over het vuur - tot reusáchtige versterking van onze menselijke krachten en snelheid hebben geleid. Taal (waaronder logica, wiskunde en data) is zelfs een nog krachtiger gereedschap dan de controle over het vuur en de hefboom. Maar een machine die uit een grote hoeveelheid "beschikbare" gegevens de meest gewenste patronen kan selecteren  en daar predicties vanuit kan genereren, is net zo min een dokter, of een fysiotherapeut, als dat een hamer een timmerman is.

Bij machineleren zijn mensen - bijvoorbeeld artsen en fysiotherapeuten - verantwoordelijk voor de beschikbare data, en voor het definiëren van de gewenste uitkomsten. Voordat we hierover beschikken is er veel denkwerk, experimenteren, kennis en inzicht noodzakelijk. En kennis en inzicht blijft voortdurend afhankelijk van doorontwikkelingen, dus van vakmensen. Om machines nieuwe patronen te laten vinden, of zelfs goede predicties in een specifieke context te kunnen laten doen en te "interpreteren" en kunnen beslissen wat in deze specifieke context hiermee te doen, is juist een vakvrouw of man nodig. De kwaliteit van ons werk kan door toepassing van gereedschappen toenemen, maar door dom en blind vertrouwen kan het ook tot vreselijke excessen leiden. Bij innovatie is er altijd een terechte angst voor de gevolgen, zeker omdat die op voorhand niet te overzien zijn. Maar met het verbeteren van de gereedschappen in de bouw, bijvoorbeeld, is de totale omzet van de bouwproductie alleen maar enorm toegenomen de afgelopen paar duizend jaar. Het bezit van een hamer en zaag maakt iemand  niet tot een goede timmerman. Juist als AI meer een onderdeel van het medische vak wordt, worden de eisen aan de dokters nog hoger. Kortom, artsen en fysiotherapeuten zullen met de inzet van machine leren niet overbodig worden, maar hooguit nog betere professionals, met een nog groter aandeel in de gezondheidszorg.

Machineleren en Facebook.

Terugkomend op de blog van 14 dagen geleden, gaan we hier verder in op machineleren. Gedragingen van mensen op de sociale media, kunnen gemeten worden en in verband gebracht worden met resultaten van (psychologische) testen. Eén van de meest beroemde voorbeelden vormt het onderzoek van Youyou et al. (2015) waarin zij het geven van een like op een item in verband brachten met de 5 kenmerken van persoonlijkheid die het Big5 persoonlijkheidsmodel onderscheidt: extraversie, vriendelijkheid, openheid, zorgvuldigheid en emotionele stabiliteit. Wat is er nodig om een machine te kunnen laten "leren" welke items indien ze geliked worden bijdragen aan welk aspect van persoonlijkheid?

Ten eerste moeten items minimaal 25 likes hebben, het liefst aanzienlijk meer. Ten tweede moeten we van heel veel gebruikers zowel alle likes hebben, als de uitslagen van een Big5 persoonlijkheidstest. De persoonlijkheidstest vormt het uitgangspunt, want de machine (het algoritme) wordt vanuit deze data gesuperviseerd. Mensen die extravert zijn, bijvoorbeeld "liken" items met spetterende actie wel, en meer statische beelden niet (of iets willekeurig anders). Het algoritme stelt een op zichzelf eenvoudige vergelijking op: 

Vriendelijkheid = a(item-x) + b(item-y) ... zn(item-n) 

Dit wordt het least absolute shrinkage and selection operator (Lasso) algoritme genoemd. De coëfficiënten (a, b etc.) in de vergelijking kunnen een positieve of een negatieve waarde hebben. Waardering van plaatje item-x, of gebeurtenis item-y hangt positief, of negatief samen met de eigenschap vriendelijkheid. Juist doordat er heel veel data is, kan met het algoritme vrij precies ingeschat worden welke items positief, of negatief laden op elk van de 5 vermeende persoonskenmerken, en welke eigenschappen er in feite niet toe doen. Van eigenschappen die er niet toe blijken te doen, of slechts een beetje, wordt de coëfficiënt op 0 gezet (shrinkage, krimpen). Van de eigenschappen die er wel toe doen, wordt vervolgens de coëfficiënt systematisch versterkt. Op deze wijze "construeert" het algoritme dus als het ware een reeks items waarvan het wel of niet "liken" geldt als een alternatieve versie van de persoonlijkheidstest. Het aantal componenten in de Lasso vergelijking wordt gelimiteerd: coëfficiënten boven een bepaalde waarde (criterium) worden "versterkt", beneden een bepaalde waarde op 0 gezet en zo uit de vergelijking gehaald. Het criterium kan aan de hand van het maximaal aantal toegestane componenten worden bepaald.

In het onderzoek van Youyou et al kon het algoritme vanaf 70 likes de persoonlijkheid beter voorspellen dan vrienden, bij 150 likes beter dan familieleden en bij 300 likes beter dan de proefpersoon zelf. Uiteraard werkt dit alleen bij items die zeer veel in de sociale netwerken zijn gedeeld en indien er van een grote groep mensen de resultaten van de 5 subschalen van de big5 bekend zijn. Echter, en daar zit het gevaar van dit type onderzoek, de fit wordt nooit beter dan het model dat als supervisor geldt, dus hier de Big5 persoonlijkheidstest. Het gegeven dat de Big 5 ooit ontworpen is door middel van Likertscale vragen die via een 5 factorenanalyse model zijn gerangschikt, draagt bij aan de onderscheidenheid van de 5 sub schalen, maar zegt niets over de werkelijkheid van de persoonlijkheidsstructuur. Juist omdat de big 5 op grond van factoranalyse is ontstaan, is het niet gek dat de 5 items tamelijk onderscheidend samenhangen met andere patronen van menselijk gedrag.

Het zou een denkfout zijn, om in het vinden van correspondentie tussen de 5 persoonlijkheidsfactoren en door patroonherkenners gevonden clusters een rechtvaardiging van het persoonlijkheidsmodel te vinden. We weten bijvoorbeeld niet of de eigenschappen wel echt over bijvoorbeeld introversie of extraversie gaan, of iemand niet beide eigenschappen tegelijk kan bezitten, maar afhankelijk van de context 1 van de 2 eigenschappen kan tonen, of de eigenschappen over de tijd veranderen, of zelfs wat de eigenschappen precies betekenen. Het machineleer algoritme kent de persoon niet beter dan de collega's, de vrienden of de persoon zelf. De machine kan "slechts" na voldoende "supervised learning" trials (iteraties) de correlatie tussen het klikgedrag op Facebook en de gescoorde Big5 factoren beter bepalen dan personen. Predictief vervangt ze hiermee de Big5 vragenlijst. Maar dichter bij de persoonlijkheid van mensen dan met de Big5 vragenlijst komen we hier niet mee. Garbage in stays garbage out. Met andere woórden, uiteindelijk blijft psychologie een vak van het verhaal, van het argument, ook al kan datamining/machineleren enorm helpen!

Gepersonificeerde Informatie bulb? Nee, geglobaliseerde kokervisie!

Afgelopen week las ik het boek de Succes Illusie van Richard Engelfriet, een aanrader. Niet alleen toont hij haarfijn op humoristische wijze aan hoe futurologen feitelijk vooral onzin verkopen, ook spoorde het boek mij aan wat meer in de wetenschappelijke literatuur met betrekking tot zaken als disruptieve start-ups, de long-tail en de vermeende informatiebulb te duiken. Bij deze enkele bevindingen.

De natuurkundige Chris Anderson postuleert in 2004 een theorie dat door het internet veel boeken en artiesten een kans krijgen, waardoor grote hits en bestsellers een relatief kleiner aandeel in het totale artiestensucces krijgen. Hij stelt dat door het internet de productiekosten (maken en distribueren) van bijvoorbeeld een boek of muziekalbum zo laag zijn geworden, dat niet alleen veel meer artiesten en schrijvers hun producten uit zullen brengen, maar er ook succesvolle nichemarkten ontstaan. Hij noemt het de long tail. Als de "verkoopcijfers" (of streaming-cijfers) op de y-as worden uitgezet, en alle "producten" (releases) op de x-as, zal er na de eerste hoge (steile) berg  (de superhits, ofwel blockbusters) een hele lange staart (de long tail) ontstaan, die steeds hoger zal worden, omdat de producten in de staart als "niches" ontdekt zullen worden. Bijvoorbeeld Aslander en Witteveen schrijven in hun boek Nooit af (2015) vele bladzijden over dit fenomeen, dat volgens hun al heeft gezorgd voor "disruptie" (ontregeling) van de bestaande markten.

Echter, hoe aannemelijk de long-tail gedachte ook klinkt, het is simpelweg niet waar. Sterker nog, het omgekeerde is feitelijk het geval; er is al zeker 10 jaar een beweging zichtbaar waarin steeds minder producten (hits, blockbusters) een steeds groter aandeel hebben in al het succes. Al in 2008 toont onderzoek aan de Harvard universiteit van Elberse aan dat "Although no one disputes the lengthening of the tail (clearly, more obscure products are being made available for purchase every day), the tail is likely to be extremely flat and populated by titles that are mostly a diversion for consumers whose appetite for true blockbusters continues to grow." (p9).

Nu, tien jaar later is deze constatering veelvuldig bevestigd in empirisch onderzoek naar de streaming van producten op het internet. In dit onderzoek, waarbij algoritmes worden ingezet om de streaming van producten te meten, concluderen bijvoorbeeld in 2013 Zhong & Michahelles: "Our results suggest that Google Play is more of a "Superstar" market strongly dominated by popular hit products than a "Long-tail" market where unpopular niche products aggregately contribute to a substantial portion of popularity." (p. 499). Voor YouTube geldt dan al dat 80% van de streaming slechts 10 % van het repertoire betreffen. Blockbusters en superstars (apps, games, muziek, boeken en films) maken een nog steeds toenemend deel van de totale "omzet" uit. Anders gesteld, obscure nicheproducten kunnen makkelijker dan ooit verspreid worden, maar blijven uit zicht totdat ze "toevallig" ontdekt worden en opgepakt worden door de blockbuster kanalen, die nu meer macht hebben dan ooit te voren.

Dit alles heeft consequenties voor hoe we kijken naar de psychologische  beïnvloeding die het internet op individuen heeft. De gedachte dat iedereen door de gebruikte sociale-media-algoritmes zo op zijn/haar wenken wordt bediend dat hij/zij in een informatiebulb zou belanden, gaat waarschijnlijk beperkt op (hooguit alleen met betrekking tot Facebook vrienden). Misschien is er op Facebook, YouTube of Instagram nog voor een ieder iets van een individuele versie van de wereld, waarin we leven onder "gelijken" in denken, doen en laten, maar de superhits (en super memes) en blockbusters zijn ook hier voor iedereen hetzelfde. Daarnaast heeft ook Facebook slimme "nerds" in dienst, die onder meer memes ontwerpen, die met gemak dwars door iedere vriendenkringen heen breken (Nguyen, 2017). Een soort centraal geregisseerde afdeling van de nieuwsredactie, die de lokale krantjes van standaard professionele inhoud voorziet. Betaalde berichten - adverteerders - worden hier weer aan gekoppeld en bereiken zo gegarandeerd een groot publiek (King, 2015). Daarbij worden de grote, invloedrijke bedrijven steeds machtiger.

Er is dus dus geen artistieke disruptie, net zo min als een ondernemende disruptie: kleine en frisse start-ups die de grote bedrijven challangen is een sprookje, 90% van alle start-ups bestaat na 3 jaar niet meer en alleen al in Amerika maakte 50 jaar geleden grote bedrijven 35% van het Bbp, nu is dat ruim verdubbeld (72%). Van alle tijden is dat er soms nieuwkomers op de markt komen die het wel lukt om delen van de markt over te nemen, zoals Ford dat 110 jaar geleden deed van Wagoneer en de Maffia van eerdere syndicaten (om Uber - buiten de wet opereren, mensen uitbuiten - een plekje te geven). Of een nieuwe popster, die eerst een paar jaar in de lange staart zat.

Tot slot nog wat persoonlijk en dus exemplarisch "bewijs" van een gemonopoliseerde mark. Op Spotify krijg ik nog steeds, terwijl ik naar moderne componisten luister, suggesties om naar boze rappende mannen te luisteren, terwijl deze muziek me echt niet blij maakt en Spotify me onmogelijk op luisteren kan hebben "betrapt". Op Netflix krijg ik - terwijl ik graag naar Britse en Scandinavische series kijk - vooral Amerikaanse blockbusters voorgeschoteld, omdat ik naar series als "Sorjonen" en "the Bletchley Circle" keek. Psychologisch worden we wellicht meer dan we beseffen juist allemaal dezelfde richting in gemarcheerd. Daarmee is onze gepersonificeerde informatiestulb een persoonlijk verpakte geglobaliseerde kokervisie!

 

Anderson, C. (2004). The long tail. Wired magazine, 12(10), 170-177. 

Aslander, M., Witteveen, E. (2015). Nooit af. Amsterdam: Business Contact 

Elberse, A. (2008). Should you invest in the long tail?. Harvard business review, 86(7/8), 88., p. 9 

Engelfriet, R. (2017). De Succesillusie. Zaltbommel: Haystack. 

King, L. (2015). Innovators in digital news. IB Tauris. 

Nguyen, D. (2017). What Makes Something Go Viral? [Video file]. Retrieved from https://www.ted.com/talks/dao_nguyen_what_makes_something_go_viral  

Zhong, N., & Michahelles, F. (2013, March). Google play is not a long tail market: an empirical analysis of app adoption on the Google play app market. In Proceedings of the 28th Annual ACM Symposium on Applied Computing (pp. 499-504). 

 

Op naar een argument based practice!

In de krant lees ik dat data gedreven een misdaad oplossen in Frankrijk geen betere resultaten oplevert dan klassiek recherche werk. Maar .... heeft justitie dan ooit anders dan data-gedreven gewerkt? Het is niet te hopen. Laten we ons proberen iets voor te stellen bij niet data-gedreven werken. Sprookjes? In de middeleeuwen werden soms vrouwen met rood haar in verband gebracht met tegenspoed (ziekte, mislukte oogsten, etc.) en belandden ze soms als heksen in het gevang (of erger). Maar zelfs dit is op data gebaseerd, de empirische waarneming rood haar. Dus een data gedreven praktijk.... Men is ook weer met heksenvervolging gestopt toen de verwachte resultaten uitbleven. Opnieuw: datagedreven. In het artikeltje wordt duidelijk dat men doelt op de inzet van datamining en machine-leren. Nu blijkt dat in Frankrijk, waar de politie al geruime tijd met datamining algoritmes werkt, het aantal opgeloste misdrijven ten opzichte van ouderwets recherche werk niet is veranderd. Maar dat zegt toch niet dat datamining geen toekomst heeft!

Datamining is per definitie altijd data gedreven, op data gebaseerd. Een slechte database geeft dan ook onduidelijke en daarmee onherkenbare/onwerkbare patronen of resultaten. Met andere woorden, in laatste instantie is het altijd het verhaal, of argument dat bijvoorbeeld een door machine leren ontdekt patroon verbindt met de toename van inzicht. Dat inzicht kan dan leiden tot het oplossen van een probleem, bijvoorbeeld het vangen van een boef. En verhalen/argumenten worden gevoed met data. In datamining spreekt de data als het ware terug, door (sub)patronen manifest te maken, die op het blote oog (lees: met het geschoolde kenmechanisme, binnen het gangbare verhaal) nog niet zichtbaar waren. Deze patronen moeten vervolgens in een bijgestelde versie van het argument weer een plaats krijgen. Ter illustratie een paar voorbeelden.

Uit data van het pingedrag (uur van de dag, ligging van de automaten en kennis van pinnen op andere dagen) kan soms feilloos een dipje in het pinnen bij een drukke automaat in verband worden gebracht met een vertraagde trein, of een regenbui. Of het veranderde zoekgebracht van een jonge vrouw kan in verband gebracht worden met een nog niet ontdekte zwangerschap, of het zoekgedrag op Google met een zich verspreidende griepepidemie.. In een onderzoek van Tandera et al. (2017) bleken de onderzoekers met machine leeralgoritmes op grond van de gebruikersprofielen en data van Facebook in staat met een gemiddelde accuraatheid van 74.17% de persoonlijkheid kunnen voorspellen binnen het big 5 persoonlijkheid model (verhaal/argument). In een volgende blog kom ik op dit onderzoek terug.

In datamining wordt juist zo mooi de beperkte reikwijdte van evidence based practice zichtbaar; het geeft in patronen en subpatronen die het genereert een noodzaak om een argument (verhaal) te maken, waarmee oorzakelijkheid (causatie) en samenhang (correlatie) van elkaar kunnen worden onderscheiden. Een behandeling waar 70% van de patiënten (of leerlingen) beter van wordt (of iets van opsteekt) is evidence based, maar een datamining algoritme zal ook een subgroep ontdekken die geen baat bij de behandeling heeft (bv 20 %) en een sub patroon met een groep die van de behandeling (of didactiek) juist slechter wordt (10%). Door deze gegevens in een (tentatief) argument te plaatsen, zal blijken dat er andere data nodig is, bijvoorbeeld of de ziekte al een keer eerder is behandeld (geen effect), of zelfs vaak (negatief effect).

Geloof in data op zich (dus zonder argument)  is van dezelfde orde als het geloof in de koppeling tussen haarkleur en tegenspoed, of tussen zwarte katten en ongeluk. Wellicht is het dan zelfs verontrustend dat met "bijgeloof" even veel misdaden worden opgelost in Frankrijk als met traditioneel recherchewerk. Maar laten we aannemen dat bij de Franse politie de experts op het gebied van datamining bekwaam zijn en daarom de datamining op argumentatiegestuurde wijze hebben uitgevoerd. In de discussies rond de mogelijkheden van machine leren en datamining wordt vaák de beïnvloeding met data registratiesystemen (camera's met gezichtsherkenning, bijvoorbeeld) verward met de (zuivere) data-analyse. De meting als interventie kan zeer effectief zijn. Op die gedachte zijn natuurlijk ook sociale puntensystemen (Facebook likes, beoordelingen, etc) gebaseerd. Het betreft gedragsbeinvloeding.

Iedere oplossing, of het nu een behandeling, een didactiek of een misdadiger voor het gerecht krijgen betreft, is altijd gebaseerd twee zaken: 1. data en 2. een "verhaal", dat als kader of argument dient. Binnen de context van zo'n verhaal kan data worden getransformeerd tot informatie, informatie tot kennis (het telkens bijgestelde verhaal: theorie) en kennis, tenslotte, tot wijsheid, een overstijgende "algemeenheid of waarheid" (paradigma). Zonder kader geen data en zonder data geen verhaal (zelfs een sprookje moet om mee geleefd te kunnen worden aansluiten bij talloze "feitelijkheden"). Het is wellicht tijd dat we beseffen dat alleen kijken naar de feiten onmogelijk is, we doen dat altijd vanuit een verhaal dat data transformeert tot "feiten". Bij evidence based practice is het verhaal - de kennis - (tijdelijk) door de feiten bewezen. Het accent ligt op de feiten. Het is hierom, dat we meer aandacht mogen hebben voor het verhaal en gaan van een zuiver (dus onmogelijk) practice based practice naar een argument based practice!

Als-Dan-Anders

Mensen hebben een cognitief ingebouwd mechanisme om succes of falen te verklaren vanuit (een keten van) als-dan-anders regels (conditionele algoritmes). Als een bepaald liedje een hit wordt, dan zal het wel "beter" (origineler, spannender, muzikaler, etc) zijn dan bijna alle andere liedjes (anders was het geen hit). Vul voor "liedje" iets willekeurig anders in, bijvoorbeeld film. Of als een kind het goed doet op school, zal het wel slimmer zijn dan de minder goed presterende kinderen. Zonder dat we het door hebben, baseren we meningen en zelfs sociaal wetenschappelijke "feiten" vaak op dergelijke causale constructies. We gaan bijvoorbeeld op zoek naar de geheime ingrediënten van een hit, of van succes. Maar kan onze sociale werkelijkheid wel logisch worden geadstrueerd? Is Madonna de beste popster van onze tijd en zijn mensen die niet in de westerse vooruitgang geloven nog niet verlicht?

Nee! Of iemand met bijvoorbeeld een liedje succes heeft, of niet, is van zeer veel op zich tamelijke arbitraire factoren en omstandigheden afhankelijk. Een aantal hiervan kan door een productiemaatschappij worden bedacht. Men meent deze dan ook te kunnen controleren (aansluiten bij een collectief gevoel na een bepaalde gebeurtenis, jaargetij, etc), maar de meeste factoren zijn "toeval". De overgang van bijvoorbeeld popmuzikant naar popster, betreft een discontinuïteit, een faseovergang. Hetzelfde geldt voor de overgang van schoolkind naar probleemkind (of naar kind met erkenning voor een vermeend talent). Ook hier bestaan erkende determinanten (school, gezin, hulpverlening). Het je gelijk halen lijkt achteraf verzekerd: het is een hit geworden, dus het was het beste liedje op dat moment. En daarmee wordt het succes onderdeel van de soundtrack van onze collectieve levens, en zitten we er voor de rest van onze levens aan vast. Dat kan mooi zijn, maar oók uiterst vervelend.

Want niet alleen (toevallig) succes creëert zichzelf, ook pech en ongeluk worden door ons als-dan-anders denken gemakkelijk in stand gehouden. Dit kan een reden zijn om mee te gaan in een niet bewezen praktijk waarin niettemin veel mensen geloven. Het geloof in succes als gevolg van de aanpak in combinatie met het feit dat niemand continu pech heeft, zal leiden in een gunstigere interpretatie van nieuwe gebeurtenissen. Dit mechanisme werkt volop in de ggz. Als iemand zich zo down voelt, dat hulp gezocht wordt, kan het waarschijnlijk makkelijker (iets) beter, dan nog slechter worden. De therapie, waar de dokter en de omgeving in geloven, krijgt de credits, onafhankelijk van de inhoud. Iets doen waarin geloofd wordt werkt, vooral omdat vanuit ongelukkig toeval het gemiddeld genomen makkelijker beter zal worden. Het maakt niet uit of de aanpak bestaat uit gesprekken met een sjamaan, homeopathie (druppels die zo verdund zijn dat ze onmogelijk nog sporen kunnen nalaten), gebedsgenezing, of gedragstherapie. Het verschil met placebo is het collectieve geloof in het werkingsmechanisme, waardoor framing helpt nieuwe gebeurtenissen te interpreteren als stappen in de verbetering, de weg naar (meer) succes, of geluk. Gebedsgenezing en homeopathie zullen niet door veel hedendaagse academisch geschoolde artsen en psychologen worden "geloofd" en dus beleden, vandaar dat "wetenschappelijk bewijs" hiervoor niet geleverd wordt.

Waar het mij om gaat, is om stil te staan bij ons menselijk onvermogen om succes en falen los te zien van degene die het betreft en onze eigen controle (in het vervolg van mijn blog over de creërende werking in de psychologie van het gebruik van meerkeuze en Likert-schalen). Wij zijn net als de vogels die een nest in een boom langs een weg hebben, en iedere af en toe passerende auto wegjagen. Ze hebben 100% succes, nog nooit heeft een auto het nest "gegrepen". Zolang er niet teveel auto's rijden, zullen de diertjes het geloof in hun acties houden en deze praktijk volhouden. Ook onze controle is veel meer illusoir dan we doorhebben. Zo beschouwen we het vaak al te gemakkelijk als onze verdienste dat we leven in een wereld waarin we het over het algemeen makkelijk hebben en toegang hebben tot fantastisch onderwijs, voedsel en andere levensbronnen. Als dat al iemands verdienste is, is het vooral die van de mensen die vroeger leefden, en het in veel opzichten veel minder makkelijk hadden. En ons geluk vereist een onevenredige belasting van de planeet en levert voor andere culturen soms regelrecht ongeluk op. Het is hierom van belang dit eenvoudige psychologische mechanisme - het eeuwige gelijk van ons ingebakken als-dan-anders denken - te proberen te begrijpen!

Default-mechanisme

In het autismeonderzoek zijn de afgelopen decennia drie theoretische modellen ontstaan: de Theory of mind (ToM), de weak central coherence theory (WCC) en de extreme male Brain theory (EMBT). De eerst theorie - ToM - is vooral door internationaal autisme expert prof. Simon Baron-Cohen bekend gewonden. Kinderen krijgen een reeks plaatjes te zien: een jongen verstopt een speeltje in een kastje en gaat buiten spelen. Zijn moeder pakt het speeltje en doet het in een ander kastje. De vraag is waar gaat de jongen na het spelen kijken, (1) op de plek waar hij het verstopt heeft, of (2) op de plek waar het nu ligt. Autistische kinderen zouden geen of minder theory of mind hebben en dus kiezen voor 2. Er werd gesproken van een gestoord inlevingsvermogen.

De tweede theorie, WCC, stelt onder meer dat autisten een slechtere common sense hebben, vooral op details gericht zijn en niet of slecht in staat zijn om tussen de regels te lezen. Echter, juist Baron-Cohen merkte in de loop van zijn carrière op dat mensen met autisme ook erg goed konden worden in bepaalde zaken, waaronder analyseren en out of the box denken, en begon autisme meer en meer te zien als een "andersheid", een variant, in plaats van een stoornis. Daarmee bekritiseerde hij niet alleen de WCC (sommige autisten kunnen juist heel goed het grote geheel leren zien), maar ook zijn eigen ToM: autisten doen er wellicht langer over om zich in te leven in standpunten van anderen, maar kunnen het soms juist extreem goed (formeel) leren toepassen. Hij kwam met een nieuwe theorie: de extreme male Brain theory.

Autisten zouden vooral goed zijn in eigenschappen die vaak met een cognitief mannelijke oriëntatie op de wereld worden geassocieerd: analyse, formeel denken, in objectrelaties ipv in sociale relaties denken (hiërarchisch in plaats van relationeel). Een onderzoek uitgevoerd door de Vu en de NVA laat zien dat van de zwaarst getroffen groep autisten - de 19% die zonder werk of enige andere structurele daginvulling de hele dag op een bank zit - maar liefst 43% een boven gemiddeld IQ heeft (115 of hoger); bijna 20% scoort hoogbegaafd (130 of hoger). Dit lijkt de theorie van Baron-Cohen te ondersteunen, een extreem gespecialiseerd brein, dat in "dagelijks gebruik" niet zonder meer bruikbaar is en dus tot handicap kan leiden. High tech bedrijven hebben de superspecialisten ontdekt, en hebben bijvoorbeeld top-autisten in dienst die ze faciliteren door alles waar behoefte aan is of waar lacunes liggen over te nemen (huishouden, boodschappen, etc). De experts kunnen doen waar ze goed in zijn, zoals slimme algoritmes programmeren, nieuwe oplossingen bedenken, fouten in code opsporen, hacken, etc. Er zijn zelfs scholen die hoogbegaafde autisten opleiden tot programmeurs, en deze zijn momenteel erg succesvol!

Toch is niet iedereen die een diagnose autisme spectrum stoornis krijgt een nog niet ontdekt genie, of minstens een super expert in de dop (een vermomde Formule 1 auto). ToM is, zoals gesteld, niet voor niets sterk genuanceerd, terwijl sommige autistiforme experts juist ingehuurd worden voor hun strong central coherence (bijvoorbeeld bij Google, Microsoft en andere tech giganten als systeemontwerpers). Wel wordt er vreselijk veel onderzoek gedaan naar autisme, en zijn er zeer veel omstandigheden "ontdekt" die autisme in potentie kunnen "oproepen": luchtvervuiling, een keizersnee, etc.

Hiermee wordt het tijd voor een nieuw kader. Kennelijk is autistiform reageren (hyper focus, afsluiten, repetitief en stereotype handelen, fascinaties die door de buitenwereld niet direct herkend worden) een soort "default" stand, waarin ons denken en handelen (brein en lichaam) terecht kan komen onder specifieke omstandigheden. Latent is het default-mechanisme - vergelijk met een soort energie sparende stand op je telefoon -  bij iedereen aanwezig, maar bij sommige mensen is het makkelijker te bereiken dan bij anderen. Bij een ernstige hoofdpijn, bijvoorbeeld, waarbij je toch moet blijven functioneren, zullen veel mensen autistiforme kenmerken vertonen, maar dan van tijdelijke aard. Omstandigheden kunnen meer en minder tijdelijk zijn (een kind dat door bijvoorbeeld ruzies thuis op school achterop raakt en meer en meer overvraagd wordt). Het default-mechanisme is dan bedoeld om met minder energie (belasting) te kunnen overleven. Sommige mensen zullen wellicht eerder in de "default-stand" komen dan anderen. Een beetje zoals kwik al bij kamertemperatuur vloeibaar is, terwijl ijzer tot een paar duizend graden moet worden verhit om dezelfde vloeistof dynamische eigenschappen te tonen.

In het "default-mechanisme" idee, kunnen tal van factoren de switch bewerkstelligen. Zo kan luchtvervuiling, darmflora, genetica of een keizersnee er toe leiden dat er in de ontwikkeling makkelijker naar het default-mechanisme wordt geswitcht. Een gevoeligheid voor autisme, of minimaal autistiforme episodes. Want wie zegt dat het autistiforme gedrag niet een tijdelijk antwoord kan zijn van het organisme op (te hoge) vereisten (zoals bij migraine)? Hoewel het de ontwikkelingsuitkomsten vaak zal beperken, kan autisme onder gunstige omstandigheden een enorme impuls geven aan de ontwikkeling, althans minstens op bepaalde gebieden. Er is dus sprake van differentiële gevoeligheid! Wat we zeker weten, is dat autistiforme kinderen en volwassenen anders leren dan neurotypische mensen, en dus succes of falen veel meer van hulp/steun vanuit de omgeving (thuis, school) afhankelijk zijn. Hier ligt een grote uitdaging voor de opvoedings- en opleidingspraktijk!

Dagdromen zijn geel, over de creërende kracht van psychologisch onderzoek...

Waarschijnlijk de meest gebruikte methode om via psychologisch onderzoek informatie te verkrijgen, is het poneren van een stelling en vervolgens vragen aan de respondent aan te geven in hoeverre men het eens, of oneens is. De respondent krijgt dan bijvoorbeeld 5 opties: (1) helemaal oneens, (2) oneens, (3) niet oneens/niet eens, (4) eens en (5) helemaal eens. Zowel bij individuele diagnostiek, als bij grootschalige enquêtes wordt deze zogenaamde Likert schaal methode veel gebruikt, waarbij het aantal antwoord mogelijkheden (de schaal) varieert tussen 3 "punten" en 7 punten. Bij individuele diagnostiek gaat het dan bijvoorbeeld om vragen als Hoe vaak heeft u gedachten over de dood (bijna continu, regelmatig, af en toe, zelden, nooit) of stellingen als Ik vind het moeilijk om desgevraagd mijn mening te geven in een groep waar ik nog niemand goed ken. Vragen worden vervolgens op onderwerp geclusterd (bv in een cluster suïcidale gedachten, of sociale angst). Als er een aantal vragen is per cluster kan gekeken worden naar de samenhang ofwel interne consistentie. Immers, het is onwaarschijnlijk dat iemand die vaak piekert en aan de dood denkt op een andere vraag aangeeft als het zonnetje in huis gezien te worden.

Bij enquêtes kan de mening van bijvoorbeeld de gemiddelde Nederlander, of de gemiddelde bezoeker van jouw bedrijf (bv een horecaonderneming) worden vastgesteld. Met (gunstige) uitkomsten wordt “geschermd”: de klanttevredenheid is bij 95 % van onze klanten zeer hoog, of we scoren gemiddeld 4,3 op een 5 puntschaal klanttevredenheid: een 8,6. Om meerdere redenen valt hier echter veel op af te dingen.

Zo speelt de sociale wenselijkheid vaak een rol. Als je net hebt uitgecheckt en de vriendelijke receptioniste vraagt je nog even de korte evaluatie in te vullen, ben je geneigd de hotelbeleving anders te evalueren dan wanneer je er rustig later van een afstand nog eens op terugkijkt. Ook zijn er meer wiskundige bezwaren tegen bijvoorbeeld het omzetten van nominale schaalwaarden in cijfers. Is bijvoorbeeld de afstand tussen helemaal mee oneens en oneens wel net zo groot als tussen eens en helemaal eens? Mag je een cijfer tussen de 1 en de 5 wel altijd zomaar transformeren naar een cijfer tussen 0 en 10? Hoewel de sociale wenselijkheid en de meet-technische aspecten serieuze beperkingen kunnen zijn, is er een naar mijn mening veel essentiëler bezwaar: de meting creëert haar eigen werkelijkheid.

Stel je wilt weten wat de gemiddelde Europeaan van twee volstrekt idiote stellingen vindt, bijvoorbeeld “Dagdromen zijn blauw” (of "God is blauw") en “Dagdromen zijn geel” ("God is geel"). We gaan naar een onderzoeksbureau, dat de beschikking heeft over een representatieve groep respondenten en zij poneren beide stellingen met daarna de 5 antwoordmogelijkheden (van helemaal oneens tot helemaal eens). Na het enquêteren hebben we een mening: de meeste mensen vinden God of dagdromen (net iets) meer blauw dan geel (of andersom). Echter, dat vinden mensen niet, hooguit gaan ze dat vinden als het onderzoek goed "gemarketeerd" wordt. Stel je bent geïnteresseerd in individuele verschillen, dan zou het onderzoek een nieuwe dimensie kunnen toevoegen aan persoonlijkheid psychologie: mensen die dagdromen geel vinden zijn vaak ook de mensen die meer in verandering geloven, bijvoorbeeld. Of iets willekeurigs anders...

Nu zult u wellicht zeggen dat dit onschuldige luchtfietserij betreft die het in televisieprogramma’s of reclamefolders van ondernemers goed doet. Maar heeft u zich dan wel eens afgevraagd waarom, bijvoorbeeld, ondanks het investeren van miljoenen onderzoek financiering, er nog steeds geen duidelijkheid is over de definities van veel (psychologische of psychiatrische) beelden zoals Autistisch Spectrum Stoornis of ADHD? Zou het kunnen dat, althans gedeeltelijk, de beelden bestaan uit psychologische door Likert schalen (onbewust) gecreëerde werkelijkheden? Want vaak worden ook hier vragen met Likert-schalen gebruikt om deze psychische syndromen te diagnosticeren. Daarom is het belangrijk om te bepalen in welke mate de "etiketten" hun eigen "dragers" creëren (wordt vervolgd).