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.
Algoritmische systemen kunnen heel erg ingewikkeld zijn (denk deep learning, neurale netwerken, machine learning) of juist heel simpel (als X dan Y).
Gevolgsgewijs zijn de manieren waarop algoritmische systemen gebruikt worden ook velerlei. Ook is het verre van nieuw: men is al jaren bezig met het automatiseren van de dienstverlening, bijvoorbeeld.
Twee voorbeelden:
- een systeem wat naleving van een betalingsregeling controleert (is X hetzelfde als Y? Zo niet --> zet betalingsregeling stop).
- een systeem dat meldingen van burgers over de openbare ruimte automatisch naar de goede afdeling loodst.
Waarom maakt dat uit? Nou, een gemeente heeft waarschijnlijk tientallen (zo niet honderden) algoritmes van de eerste soort, en meestal minder van die ingewikkelde applicaties.
Maar AI is toch gevaarlijker, dus daar moeten we meer vragen over stellen?
Ja en nee. Technisch kan het soms ingewikkelder en transparanter zijn (daar zijn overigens oplossingen voor). Maar belangrijker is wat een algoritmisch systeem doet in welke context met wat voor effect.
Want dat kleine, simpele algoritme heeft grote invloed. Waar het fijn is als een melding openbare ruimte ervoor zorgt dat de stoeptegel weer recht komt te liggen, kan dit systeem een betalingsregeling automatisch stopzetten.
Bovendien blijven die systemen vaak lang bestaan, zonder dat de aannames (en de politieke keuzes!) in die systemen geherevalueerd worden.
Je zou net zo goed een systeem kunnen ontwikkelen wat checkt of cijfers zijn omgedraaid of missen, die de burger eerst waarschuwen.
Keuzes dus, waarover rekenschap afgelegd zou moeten worden.
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.
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.
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?