Big data heeft niet alleen geleid tot uitdagende technische vraagstukken, ook gaat het gepaard met allerlei nieuwe ethische en morele kwesties. Om verantwoord met big data om te gaan, moet ook over deze kwesties worden nagedacht. Want slecht datagebruik kan nadelige gevolgen hebben voor grote groepen mensen en voor organisaties. In de slotaflevering van deze serie verkennen Klaas Jan Mollema en Niek van Antwerpen op een pragmatische manier de ethische kant van big data, zonder te blijven steken in de negatieve effecten ervan.
“Natuurlijk is het leuk dat mijn koelkast zelf melk bestelt op basis van data gerelateerde patronen. Deep learning op basis van big data kent grote beloften,” zegt Frans van der Reep van Inholland. Geen wonder dat dit op de Hannover Messe tijdens de Wissenstag van ScienceGuide een hoofdthema zal zijn. "Big data belooft ook praktische gemakken. Tegelijkertijd creëren we daarmee ‘unelected power’ (Spectre!) bij de tech-bedrijven en het is dan de vraag hoe we daar als samenleving mee om gaan. Wat betekent het als mensen uitsluitend nog op jou reageren - en jij op hen – aan de hand van wat ‘het algoritme’ heeft uitgerekend’? Realiseren we in wat voor wereld we dan terecht komen? Hoe vrij kunnen we dan nog zijn?
Big data-evangelisten verkondigen dat ‘you can only manage what you measure’. Blabla. Want de financiële crisis heeft aangetoond dat we slecht zijn in het managen van wat we meten. Mislukte fusies en productlanceringen, veelvuldige imagoproblemen en social media-escapades geven aan dat we vooral beter moeten worden in het managen van datgene wat we niet kunnen meten. Met of zonder big data.
LINK
Fijnstof in de pluimveehouderij Aanleiding Fijnstof in de pluimveehouderij is een actueel onderwerp. Het is onduidelijk wat de fijnstof rondom pluimveestallen doet omdat er nog geen goed meetsysteem bestaat om rondom de stal continu te meten wat fijnstof doet en wat de invloed van elementen buiten de stal (omgeving, weer) doet. Het innovatieve pluimveebedrijf Kipster wil samen met het burgerinitiatief Behoud de Parel meer inzicht krijgen in de fijnstofconcentraties. GreenTechLab wilt een systeem ontwikkelen waarbij door combinatie van meerdere fijnstofmeetstations beter inzicht ontstaat van de fijnstofconcentraties rondom het bedrijf en er tevens data wordt verzameld van het buitenklimaat. Doel GreenTechLab en partners gaan gezamenlijk een proof of concept ontwikkelen van een realtime 24/7 fijnstofmeetsysteem voor de (pluim)veehouderij om op macroniveau (rondom stallen) fijnstofconcentraties te meten en dit middels te ontwikkelen slimme software te gaan combineren met andere data (weerstation) en bedrijfsactiviteiten (voeren, verlichting, aan- afvoer, instellingen luchtwassers en klimaatsystemen enz) en zodoende te kunnen experimenteren met bedrijfsactiviteiten die leiden tot minder fijnstof emissies. Beoogde resultaten Het project levert een proof of concept op van een fijnstofmeetsysteem, waarmee we realtime 24/7 fijnstofconcentraties voor de (pluim)veehouderij op macroniveau (rondom stallen) kunnen meten en dit middels slimme software combineren met andere data (weerstation) en bedrijfsactiviteiten (voeren, verlichting, aan- afvoer, instellingen luchtwassers en klimaatsystemen enz) om zodoende te kunnen experimenteren met bedrijfsactiviteiten die leiden tot minder fijnstof emissies. Op basis van deep learning technieken en met behulp van big-data is gemeten wat bepaalde aanpassingen aan parameters (actuaties) voor gevolg hebben op de uitstoot van fijnstof.
Jongeren met chronische aandoeningen worden vaak geconfronteerd met problemen in het dagelijks functioneren, waarbij vermoeidheid wordt genoemd als het meest invaliderend. De prevalentie van vermoeidheid onder jongeren met chronische aandoeningen varieert tussen de 51-75%. Vermoeidheid kan onafhankelijk ontstaan van het onderliggende pathologisch mechanisme; uit literatuur blijkt dat ziekte-specifieke benaderingen weinig of nauwelijks effect hebben op vermoeidheid. Vermoeidheid wordt bovendien te laat opgemerkt of blijft onbehandeld. Inzicht in de ziekte-overstijgende mechanismen van vermoeidheid is van belang om vroegtijdig opsporen en de ontwikkeling van passende interventies te faciliteren. Dit postdoc onderzoek richt zich op het ontrafelen van ziekte-overstijgende mechanismen van vermoeidheid vanuit het perspectief van jongeren, het gezin en de fysieke en sociale leefomgeving. Binnen een longitudinale cohortstudie gedurende 12 maanden worden 208 jongeren met verschillende chronische aandoeningen gemonitord. Naast traditionele onderzoeksmethodieken zoals vragenlijsten en fysieke testen, wordt gebruik gemaakt van remote sensoring, linked data en context mapping (=kwalitatieve methode). Studenten die participeren in het onderzoek zullen de mogelijkheden en beperkingen van zulke methoden ervaren. Dit kan o.a. bijdragen aan het integreren van zorgtechnologie in het dagelijks (kinder)fysiotherapeutisch handelen. We ontwikkelen een theoretisch raamwerk dat de basis legt voor betere vroegdetectie (op afstand en non-invasief) van vermoeidheid en voor het identificeren van mogelijke aangrijpingspunten voor behandeling (doelstelling 1 en 2). Verder draagt het postdoc onderzoek bij aan een beter inzicht in de rol van de sociale en fysieke leefomgeving bij de maatschappelijke participatie van jongeren met chronische aandoeningen (doelstelling 3). Studenten zullen in veldwerk ter plaatse metingen doen, de leefsituatie verkennen en samen met zorgprofessionals en docenten hun klinische blik verrijken. Doordat zij daadwerkelijk in de leefomgeving van jongeren zelf aanwezig zijn kan dit bijdragen aan bewustzijn over de rol van verschillende sociale en fysieke factoren op vermoeidheid en op de maatschappelijke participatie van jongeren met uiteenlopende chronische aandoeningen.
Tal van Nederlandse bedrijven ontwikkelen elektrische bussen en stadsdistributievoertuigen voertuigen, zetten ze in als onderdeel van hun vloot, of leveren diensten om die inzet te verbeteren. Zij worden daarbij geconfronteerd met een rijbereik dat kleiner is dan bij vergelijkbare conventionele voertuigen, en dat bovendien afneemt in de tijd door veroudering van de batterijen. Om dit te bewerkstelligen hebben zij modellen nodig die bij het voorspellen van het energieverbruik rekening houden met geactualiseerde eigenschappen van het voertuig (en zijn batterijpakket) en met actuele gegevens omtrent externe invloedfactoren als weersomstandigheden, traject, wegprofiel, verkeerssituatie, belading (of aantal passagiers) en rijgedrag. De ontwikkeling en het gebruik van dergelijke modellen vergt een voortdurende monitoring van voertuiggegevens en invloedfactoren. In dit project worden een vloot van bussen én stadsdistributievoertuigen gemonitord. Hiertoe wordt bestaande commerciële data-acquisitie hardware uitgebreid met een beperkt aantal (betaalbare) sensoren en met bijhorende oplossingen voor dataverwerking en -communicatie. Om de vele data te verwerken en te analyseren wordt in eerste instantie gebruik gemaakt van vereenvoudigde fysisch voertuigmodellen in combinatie met traditionele statistiek; dit wordt later uitgebreid met nieuwe voorspellende data-analyse technieken uit de Big-Data wereld. Met de resultaten van het onderzoek zal onderzocht worden hoe rijbereik en energieverbruik van beide testvloten kan worden verbeterd
