Goedemorgen! Vandaag ga ik aan een artikel werken wat al een paar maanden praktisch af op de plank ligt. Extra leuk: ik schrijf dit stuk met mijn vader, biomedisch ingenieur en sinds kort ook werkzaam als UHD bij nefrologie @UMCUtrecht! We zijn dus collega's! Maar hoe kan dat?
Onze vakgebieden zijn heel erg verschillend toch? Ja, dat klopt! Het gaat om een artikel waarin we mijn methodologie voor het doen van een 'fuzzy' literatuurstudie operationaliseren voor alle disciplines: alfa, beta, gamma.
Eerst even iets over die methodologie. Toen ik begon met mijn promotieonderzoek was er nog geen definitie van algorithmic accountability. Knap onhandig als je er onderzoek naar wil doen. De term was te nieuw, maar komt natuurlijk niet uit het luchtledige vallen.
Er was dus een hoop materiaal wat ermee te maken had of het besprak zonder die term te gebruiken. Maar hoe vindt je dat zonder zoekterm? Ik bedacht een truc. Artikelen worden veelal voorzien van keywords: dat wat de auteur de kortste beschrijving van de inhoud/het thema vindt.
Ik gebruik deze termen om verwante artikelen te zoeken. Door te beginnen met een kleine set relevante artikelen, die keywords te verzamelen, een 'query' (zoekterm) te bouwen. Dat doe ik een aantal keer. In deze blog leg ik het uit. datafiedsociety.nl/doing-a-system…
In het kort: ik verzamelde al die keywords, en ik keek naar de sterkte van relaties tussen keywords. Levert mooie plaatjes, maar belangrijker nog interessante patronen in de relaties tussen artikelen op. De gevonden artikelen las ik door de les van accountability theorie.
Waarom is dat nuttig? Nou, ik heb op deze manier een heel goed overzicht gekregen van wat er gezegd is over algorithmic accountability over vakgebieden heen. Je vindt de rode draad. Ik presenteerde dit op ACM FAT*, voor mij de belangrijkste conferentie. 👇
En niet onverdienstelijk! Ik won de prijs voor beste niet-computerwetenschappelijke student paper. 🎉
Een paar maanden eerder had ik het er aan de spreekwoordelijke keukentafel over met mijn vader. Ik legde mijn probleem en oplossing uit. Hij viel praktisch met open mond van zijn stoel. Net als ik bevindt hij zich ook vaak op het kruispunt van disciplines.
Net als ik worstelt hij ook regelmatig met de verschillende termen die gebruikt worden, of een fenomeen wat zo nieuw is dat er nog maar net een woord voor is. Maar wetenschap ontstaat niet in een vacuüm. We staan op de schouders van reuzen. Er is altijd eerder/gerelateerd werk.
Hij zag potentie in de methodologie voor zijn werk, eigen vakgebied en beiden zagen we ook het bredere nut. Ondertussen zou het methodologiestuk teveel zijn voor mijn dissertatie, maar het was na 1,5 jaar wel mijn kindje geworden en ik wou het niet ergens laten verstoffen.
En zo geschiedde deze bijzondere samenwerking: ik lever de methodologie, en mijn vader helpt om dit te generaliseren.
Leuk om te doen, want we kennen elkaar natuurlijk heel goed. De helft van de tijd maken we elkaars zinnen af. 😋 Nog belangrijker: het werk wordt er beter van!
• • •
Missing some Tweet in this thread? You can try to
force a refresh
Laatste draadje wat jullie vandaag van me te goed hebben: algoritmes...gemeenten, hoe zit dat nou? Wat zijn algoritmes nou? Wat voor algoritmes gebruiken gemeenten en waarvoor? Waarom moeten we daarover nadenken?
Definitietijd! Ik spreek liever over algoritmische systemen dan algoritmes. Waarom? Algoritmes bestaan (net als data!) niet in een vacuum, maar zijn ingebed en sociale praktijken en (organisatie)cultuur. Het zijn dus niet alleen technische maar socio-technische systemen.
Algoritmische systemen komen in allerlei vormen en maten. Een algoritme is eigenlijk niets meer dan een stapsgewijze oplossing voor een probleem, veelal specifiek een computationeel probleem.
Na de lunch ga ik verder met een panel over 'Artountability: Accountability, AI, and Art' voor te bereiden waar ik over 2 weken aan bijdraag @CPDPconferences. Ik vertel daar meer over het spannendste product wat mijn PhD moet opleveren: BIAS!
BIAS?! 😱 Ja, maar geen zorgen. Voluit: Beraadslagingsinstrument voor Algoritmische Systemen.
Want mijn literatuuronderzoek was natuurlijk maar de start! Daarna heb ik rekenschapspraktijken rondom een specifieke casus (#SyRI) in kaart gebracht om tekortkomingen op te sporen.
Maar SyRI is natuurlijk maar 1 casus! Het idee was om daarna projectgroepen in gemeenten te interviewen, hoe leggen zij rekenschap af? Wat gaat goed en wat kan beter?
Dat moest input leveren voor BIAS: een toolkit die ik co-ontwerp met ambtenaren.
Op dit moment hebben we bij @data_school een check-in voor het nieuwe jaar, we bespreken hoe het met iedereen gaat en wat iedereens plannen zijn voor 2021, aansluitend een borrel. 🎉 Normaal ziet dat er ongeveer zo uit 👈, maar nu is het natuurlijk online 👉.
Voor ik mijn promotieplek verwierf werkte ik als docent aan de UU en als onderzoeker bij de Utrecht Data School en @DatafiedSociety. Momenteel ben ik nog steeds verbonden aan de twee (al ben ik nu wat minder direct betrokken bij UDS).
Ik raakte bekend met UDS als masterstudent. UDS is jaren geleden opgericht door @mirkoschaefer en @boeschoten met als doel om studenten datavaardig te maken. Dat leek mij wel wat, want Deleuze is leuk hoor, maar ik heb mijn poten graag in de klei. 😉 dataschool.nl
Iets meer over mijn ervaringen als gehandicapte wetenschapster. Als ik heel eerlijk ben is het niet altijd makkelijk. Natuurlijk werkt mijn lijf niet altijd mee, maar dat was ik wel gewend. Waar ik vooral tegenaan loop is institutioneel validisme.
Validisme is voor handicap wat racisme is voor ras/etniciteit, en seksisme voor gender. Institutioneel validisme houdt zoveel in dat er in de maatschappij/organisatie gewoon simpelweg geen rekening met gehandicapten wordt gehouden omdat een gezond lichaam de norm is.
Ik bedoel dit absoluut niet als persoonlijk verwijt naar iemand, maar de norm op de universiteit is nu eenmaal (helaas!) dat je een gezond lijf hebt. Leslokalen en kantoorgebouwen zijn, bijvoorbeeld, op mijn mooie binnenstadcampus helaas vaak niet of slecht toegankelijk.
Goedemorgen! Ik begin mijn werkdag als ik het zelf kan indelen meestal vroeg, want ik ben een ochtendmens. Dat heeft ook met mijn energiebeperking te maken. De goede hoeveelheid energie bewaren voor werk is lastig inschatten, dus fijn als dat meteen gebruikt wordt.
De ene dag kost X namelijk meer pijn en energie ('we' noemen dit ook wel 'lepels') dan de andere dag. Voor een groot deel is je energie bewaren dus koffiedik kijken en zo goed mogelijk luisteren naar je lichaam. Blijft lastig!
Werken in de wetenschap is in zoverre goed te doen voor mijn gehandicapte lijf, dat het veel kantoorwerk inhoudt. Tot voor kort was zitten, typen, denken en lezen, nauwelijks probleem. Tot voor kort dus, want inmiddels gaat mijn handfunctie hard achteruit.
Er zijn inderdaad veel manier waarop data gebiased kan zijn, zeker in dit soort contexten. Heel veel van dit soort oplossingen staan of vallen met hoe goed mensen zich er van bewust zijn dat data nooit een 'gegeven' is maar gemaakt wordt.
Data is nooit een doorgeefluik van de werkelijkheid, we máken data. We kiezen ervoor om iets te tellen bijvoorbeeld, en maken keuzes in wat wel en niet meegenomen wordt. Tot op zekere hoogte is dat arbitrair (goede nieuws: daar kunnen we wel verantwoording over afleggen!).
Met dat in het achterhoofd is een eerste stap om je sterk afvragen wat zegt deze data wel en vooral ook niet. En vervolgens: wat kunnen/mogen/willen we hier dan wel of niet mee? Wat betekenen deze keuzes voor gebruikers of burgers?