Ik heb me afgelopen week aangemeld voor het SIKB jaarcongres en moest daar voor het eerst het vakje aankruisen met 25+ jaar ervaring in dit werkveld. Dat leid ertoe dat ik vandaag even terugkijk naar de geleerde lessen. Eén constante factor in die 25+ jaar is dat ik al die tijd heb gewerkt met data. Om onderzoek mee te doen, om advies te geven, om beleid uit te stippelen. Tweede constante factor daarbij is dat het werken met data niet kan zonder enige kennis van zaken en een kritische blik. Net als bij het meeste andere werk geldt: garbage in = garbage out. Nu AI steeds meer naar voren wordt geschoven als innovatie voor ons werk, wil ik ook even vooruit kijken. Want zonder kennis en kritische blik gaat AI niet leveren wat we nodig hebben. (Ingeborg van Oorschot, 4 mei)
Ons werk is sterk afhankelijk van goede data over de kwaliteit van de bodem. Daarom hebben we binnen ons werkveld afspraken gemaakt over wat het betekent om goed onderzoek te doen, en hoe we de resultaten van onderzoek kunnen delen via digitale systemen. Veldwerkers en laboratoria werken volgens protocollen en certificering, en we hebben samen een minimale dataset afgestemd om de relevante gegevens te kunnen delen. Met de BRO is er ook een nationale standaard voor data afgesproken, met een borging op de kwaliteit van de data (regime IMBRO).
De resultaten uit het veld en het lab worden door adviseurs beoordeeld en gerapporteerd, en daarna vaak ook nog door bevoegd gezag gecheckt. Onze hele keten bestaat uit mensen die de data verzamelen, beoordelen en gebruiken. Daarbij gebruiken ze niet alleen de kennis uit de protocollen, maar ook die uit hun opleiding en praktijk ervaring. Een ‘gekke’ waarde, een boring met coördinaten buiten het onderzoeksgebied, of een grondmonster met 100% bijmenging met puin, kunnen we met die kennis snel afvangen en controleren. Een typefout of een meetfout kan zo worden uitgefilterd.
Inmiddels is er veel mogelijk om dit soort controles ook geautomatiseerd te doen. Dat scheelt een hoop tijd en voorkomt ook mogelijke ‘bias’ omdat mensen nu eenmaal patronen willen zien – ook daar waar ze niet zijn. Daarnaast zijn er tal van mogelijkheden om analyses op de data uit te voeren met behulp van AI. Maar ook bij automatiseren moeten we kritisch blijven meekijken. Een typefout in een query, een bias in de vraagstelling, of een verkeerde selectie van een databestand is óók zo gemaakt.
Het resultaat van een AI opdracht moet je dus ook blijven controleren. Een opdracht formuleren voor AI vraagt ook dat je goed nadenkt over wat je precies vraagt, en of de vraag niet op andere manieren kan worden opgevat.
De mogelijkheden om met AI meer te doen met onze data zijn groot, en ik ben altijd enthousiast over nieuwe technieken. Maar vandaag wil ik ook even een kritische noot erbij plaatsen. Want laten we nieuwe technieken omarmen, maar ook kritisch blijven en onze kennis op orde houden om de resultaten te kunnen schatten op hun waarde.
Onderzoek in meerdere werkvelden heeft aangetoond dat verkeerd gebruik van AI kan leiden tot zogenaamd ‘deskilling’, het verlies van je vaardigheden. Een van de redenen waarom demissionair minister Bruijn vorig jaar nog aan de tweede kamer heeft laten weten dat RIVM zal bekijken of de inzet van AI bij het bevolkingsonderzoek naar borstkanker niet leidt tot het ongewenst verlies van vaardigheden van de radiologen (bron: https://www.skipr.nl/nieuws/demissionair-minister-wil-onderzoek-naar-deskilling-zorgprofessionals-door-ai/ ).
Goed gebruik van AI is een must, dat vind ook de EU. De Europese regelgeving voor AI is al enige tijd in ontwikkeling, en zal eind 2027 volledig van kracht worden. Daarin wordt onder meer geregeld dat sommige AI systemen niet zijn toegestaan of aan extra eisen moeten voldoen. Maar er wordt ook geregeld dat organisaties moeten zorgen dat hun medewerkers AI-geletterd zijn. (bron: https://www.autoriteitpersoonsgegevens.nl/themas/algoritmes-ai/ai-verordening)
Mijn vraag aan mezelf én aan jullie is daarom vandaag: hoe blijven we kritisch, hoe houden we onze vaardigheden op orde om de mogelijkheden van AI te omarmen terwijl we de resultaten ook op hun waarde kunnen blijven inschatten.
Volgens mij begint dat met zorgen dat we onze eigen basis op orde hebben. We moeten kritisch blijven op onze data, hoe deze is verzameld en met welk doel. En daarmee kunnen we ook blijven beoordelen wanneer en hoe deze kan worden ingezet om onze vragen te beantwoorden. Als we dat scherp hebben en houden kunnen we beter beoordelen of en hoe AI ons kan helpen bij het beantwoorden van de vragen.
Dat betekent volgens mij een grondhouding waarin we nieuwsgierig en kritisch blijven, maar ook nieuwe kennis opzoeken om onze bestaande kennis te blijven ontwikkelen. Dan houden we als werkveld samen onze vaardigheden op orde. En kunnen we beoordelen of we de juiste vragen stellen, of we de juiste controles hebben uitgevoerd, en welke taken we zelf moeten blijven uitvoeren. Want, ook na 25 jaar blijft het adagium: garbage in = garbage out.
Ingeborg van Oorschot
Reageren op deze column kan hier: LinkedIn
