Wat ik daar doe¶

Op Zooniverse zetten onderzoeksgroepen hun ruwe waarnemingen online, zodat vrijwilligers ze kunnen helpen classificeren. Ik doe daaraan mee, inmiddels ruim zesduizend keer, verspreid over zeventien projecten.

Het loopt uiteen. Kometen zoeken in beelden van de Rubin-telescoop. Asteroiden bevestigen in de Catalina Sky Survey. De gezondheid van apen beoordelen op foto's. Wildcamera's in Iowa. Plankton. Haaien. Wolken op Mars. Beelden van overstromingen in Mozambique, waar de classificaties helpen bij het inschatten van schade.

Het levert me niets op. Geen geld, geen publicatie, geen naam onder een artikel. En ik doe het al jaren.

Wat het me leert¶

Wat het wel oplevert is oefening in precies de vaardigheid waar mijn eigen werk op drijft: kijken naar ruwe gegevens en beslissen wat je ziet.

Bij elke classificatie doe je hetzelfde als bij een meting. Is dit een echt signaal of een artefact van het instrument. Zie ik hier een object of een stofje op de lens. Is dit dier ziek of staat het gewoon ongelukkig. Is deze structuur betekenisvol of zie ik hem omdat ik hem verwacht.

Dat laatste is de kern. Zesduizend keer moeten beslissen of iets er echt is, traint iets wat je niet uit een boek haalt: het verschil voelen tussen waarnemen en invullen. Ik denk oprecht dat mijn privacyonderzoek er beter van wordt.

Waarom dit wel werkt en ooggetuigen niet¶

Hier zit het punt dat me het meest bezighoudt, en het verbindt deze notitie met de rest van dit manuscript.

Elders schrijf ik dat overeenstemming tussen getuigen geen bewijs is, omdat ze aan dezelfde vertekening blootstonden of van elkaar hoorden wat ze moesten zien. Bij crowd-classificatie is de opzet precies zo gebouwd dat dat niet kan.

Ieder object wordt door meerdere mensen los van elkaar beoordeeld. Je ziet niet wat een ander heeft geantwoord. Je weet niet wie er nog meer naar kijkt. Je krijgt geen terugkoppeling die je volgende oordeel kleurt. Pas achteraf legt het systeem de antwoorden naast elkaar en kijkt waar ze samenvallen.

Dat is het verschil tussen echte en schijnbare onafhankelijkheid. Tien getuigen in een zaak zijn vaak één waarneming die tien keer is doorverteld. Tien classificaties van hetzelfde beeld zijn tien metingen.

En daar zit meteen de les voor mijn eigen vak. Twee scanners die dezelfde vendorlijst gebruiken, bevestigen elkaar niet. Twee onderzoekers die elkaars rapport hebben gelezen, ook niet. Onafhankelijkheid is geen houding maar een eigenschap van de opzet, en je moet haar afdwingen voordat je meet.

Wat het over vrijwilligerswerk zegt¶

Er zit nog een laag in die past bij wat ik elders schrijf over werk zonder verdienmodel.

Deze projecten draaien op mensen die niets terugkrijgen. Bij elkaar hebben vrijwilligers daar inmiddels meer dan een miljard classificaties gedaan, en er zijn echte ontdekkingen uit voortgekomen die zonder die massa niet waren gevonden.

Dat is geen liefdadigheid van de deelnemers en geen uitbuiting door de onderzoekers. Het is een ruil die niet in geld loopt: zij krijgen doorzoekbaarheid op een schaal die ze nooit kunnen betalen, en wij krijgen toegang tot echt onderzoek en het gevoel dat ons kijken ergens toe leidt.

Ik denk dat dit dichter bij de kern van wetenschap staat dan veel van wat er beroepsmatig gebeurt. Niemand doet dit voor een publicatiescore.

Zie ook Randall Munroe verliet NASA en geeft xkcd gratis weg, Een overtuigde getuige is geen betrouwbare meting en Identity, Shutter Island en The Number 23 tonen een kapot waarnemingsinstrument.