“Psychologen kunnen mens en computer beter laten samenwerken”

Mens-machine interactie fascineert Chris Janssen al zijn hele leven. Of het nu gaat om ons gedrag in zelfrijdende auto’s of de manier waarop mensen een magnetron verkeerd bedienen, volgens de psychologie-onderzoeker, zegt het veel over onze toekomst. Hij vindt het dan ook de hoogste tijd voor meer experimentele psychologie in het Future of Work onderzoek. 

Benutten we nu, bij innovatie, te weinig kennis over psychologie? 

Ik denk dat er veel onderzoek is naar de effecten van bijvoorbeeld automatisering op groepen werknemers, maar dat we ook moeten kijken naar het individu. En dat is waar experimentele psychologie een bijdrage kan leveren. Hoe gaat de mens als individu om met een computer? En wat leren we daaruit over de samenwerking tussen mens en systeem? Een belangrijk punt is bijvoorbeeld de zogeheten ‘irony of automation’: automatische systemen die ontwikkeld worden om situaties veiliger te maken maken een werksituatie soms, ironisch genoeg, juist onveiliger. Als een automatisch systeem bijvoorbeeld heel veilig lijkt, kijken mensen minder vaak naar hoe het systeem het doet. Eventuele fouten worden dan gemist. Dat maakt het onveilig. 

Onze aandacht verslapt bij vergaande automatisering. Ik bestudeer hoe we die aandacht weer terug kunnen krijgen.

Wat zijn andere belangrijke misvattingen rond mens-machine samenwerking die je uit de wereld wil helpen?

Een belangrijk misverstand is bijvoorbeeld, wat we in ons vakgebied: MABA MABA noemen. Dat staat voor Men-Are-Better-At / Machines-Are-Better-At bij taakverdeling. Een klassieke fout is dat we denken dat computers beter zijn in sommige taken, zoals snel rekenen, en dat mensen weer beter zijn in andere taken, zoals creatieve processen. Die heuristieken worden dan gebruikt om taken tussen mens en machine te verdelen.

Het is inmiddels al lang duidelijk dat het niet zo zwart wit is. Er zijn computers die kunstwerken maken, die voortdurend bijleren en heel creatief denken. Er is zelfs een Artificial Intelligence songfestival! Met liedjes geschreven door computers. Daarnaast zijn er mensen die logische processen beter uitvoeren dan computers. Taken verdelen tussen mens en machine volgens simpele heuristieken is daarom echt té simpel. Modern onderzoek probeert mens en machine juist als een team te zien dat elkaar aanvult en ondersteunt. Dus niet taken opsplitsen, maar samen aan taken werken.

Dat samenwerken als een team kan bijvoorbeeld ook weer bij autorijden. Vaak wordt hier gedacht dat óf de mens óf de computer de route bepaalt. Maar het gaat beter als team. Een mens kan bijvoorbeeld observeren dat er onverwachte wegwerkzaamheden zijn en de computer kan dan berekenen wat de beste alternatieve route is. Als er opties zijn, dan kiest de mens weer.

Computers worden steeds creatiever: ze maken kunstwerken. Er is zelfs een Artificial Intelligence songfestival!

Hoe werk je samen met onderzoekers uit andere vakgebieden?

Innovatie komt vaak uit de bèta hoek. Met nieuwe techniek kunnen we iets, dat vroeger niet bestond: laten we het gebruiken! Maar de bouwers van de techniek zijn vaak niet gespecialiseerd in: hoe gebruikt een mens dit? In het ideale geval ga je dat uitgebreid testen en langdurig testen. Ook omdat de manier waarop we technologie gebruiken, verandert.

Een mooi voorbeeld vind ik touchscreens: toen de eerste iphones op de markt kwamen, hadden velen nooit kunnen voorzien dat die technologie ook op talloze andere plekken zou worden gebruikt: bijvoorbeeld op kassa’s in winkels, of op tablets in scholen om kinderen te leren schrijven. Dat kun je je nog niet voorstellen als het er niet is. Hiervoor is multidisciplinair onderzoek nodig. Psychologen kunnen bèta-onderzoekers en productontwikkelaars bijvoorbeeld helpen te testen hoe de mens gaat reageren.  En filosofen kunnen helpen rondom ethische vraagstukken.

Een heel herkenbare vraag is: doe ik iets fout? Of doet de machine iets fout? Wat weten we uit onderzoek over vertrouwenskwesties?

Nog lang niet genoeg. Er zijn veel studies naar hoe techniek gebruikt wordt en of het vertrouwd wordt, maar dat zijn vaak studies over een korte tijdsduur; moment opnames. In het ideale geval bestudeer je ook het gebruik van technologie in iemands werk gedurende een hele lange tijd om de lange termijn effecten te zien. Want technologie en ook het gebruik ervan is een dynamisch proces. Zowel de mens als de machine leren met elkaar omgaan. Een leuk voorbeeld is bijvoorbeeld de zelfrijdende automatische grasmaaier. Hij is zo geprogrammeerd dat hij elke ochtend om 08.00 uur een rondje over het gazon maakt om te maaien. Hij heeft ook sensoren die zorgen dat hij niet gaat rijden of terugkeert naar zijn oplaadstation als het gras te nat is. De eigenaar ziet dat de grasmaaier niet gaat rijden, terwijl het wel 8 uur is. Hij denkt dat hij stuk is en brengt hem terug naar de winkel.  

In de jaren '90 waren er bijvoorbeeld straatinterviews van mensen met de vraag of ze een mobiele telefoon zouden gebruiken: heel veel mensen zeiden ‘nee’. Als je dat onderzoek nu zou herhalen zouden de antwoorden vast anders zijn! Aan de andere kant zijn de mobiele telefoons van toen niet de smartphones van nu. Bellen is niet de belangrijkste functie, niet de belangrijkste reden voor mensen om hem te gebruiken.

Daarom is er replicatie onderzoek nodig. Wat weet je van de verschillende vormen van gebruik? Kunnen we dat in kaart brengen om te zien waar het fout gaat en goed gaat met automatisering? Zien we het verschil tussen use, misuse, disuse, en abuse? Goed gebruik, verkeerd gebruik, niet gebruiken, en bewust verkeerd gebruik? Alledaagse voorwerpen zoals magnetron veroorzaken nog steeds problemen bij het gebruik, dus het ontwerp van gebruiksvriendelijke apparaten is voortdurend in ontwikkeling.

Waar richt jouw onderzoek de komende tijd zich op?

Aandachtsverdeling in de auto blijft één van mijn geliefde onderwerpen. Het mobiele domein is enorm spannend omdat eigenlijk alle facetten van psychologie bij elkaar komen: snel beslissen, emoties, aandacht, etc. Heel concreet kijk ik naar welke signalen je als bestuurder mee krijgt, op de weg, maar ook van de auto zelf. Is dat bijvoorbeeld anders als je een lampje gebruikt, of een geluid? En welke geluiden springen er dan uit? En wat gebeurt er bij afleiding? Daar doe ik onderzoek naar. 

Ook naar andere domeinen kijken we. Samen met Stefan van der Stigchel, hoogleraar cognitieve psychologie, begeleid ik een promovendus, Rutger Stuut, die  onderzoek doet naar de werkplek van bruggen en sluisbedieners. Hoe moet je die inrichten dat het prettiger en beter werkt, voor de brug- of sluiswachter? 

Ik begeleid een onderzoeker die de werkplek van bruggen- en sluisbedieners van Rijkswaterstaat wil verbeteren: hoe kijken zij naar hun schermen?

Vroeger keken de brug- en sluiswachter veel uit het raam om schepen te helpen. Dat gebeurt nog steeds wel, maar ze kijken nu vooral ook op schermen met verschillende camerabeelden.  Rutger bestudeert met name het kijkgedrag. Hoe wordt de aandacht verdeeld over zo veel schermen? Dit onderzoek is in september 2021 begonnen en in deeltijd, want hij voert het uit naast een baan als adviseur bij Rijkswaterstaat. Het onderzoek is dus nog wel pril, maar heel erg leuk. Vooral dat we op deze manier met échte vakmensen uit het veld kunnen werken. Als er nieuws uit komt, meld ik het graag! 

Wat motiveert jou in je werk? 

Ik hou van de melting pot van onderwerpen die bij mens-machine teams komt kijken: snel schakelen, cognitie, beslissen, aandacht, taakverdeling. De manier waarop mensen en computers met elkaar communiceren, boeit mij en wil ik beter maken. Kan de computer bijvoorbeeld zien wanneer onze aandacht verslapt en ons er op de één of andere manier weer “bij” halen? 

Je wil anderen bewegen ook in dit gat te springen?

Zowel in het bedrijfsleven, als in de wetenschap is er nog veel meer ruimte om mee te doen met onderzoek naar automatisering. Ik zou zeggen: Geesteswetenschappen en Sociale Wetenschappen, laat van je horen! Zorg dat je op waarde geschat wordt en dat je kennis wordt meegenomen bij innovatie. Het is niet altijd makkelijk om samen te werken met een heel andere discipline. Alleen al de woorden die je gebruikt: wat versta je onder een “test”, onder “data” of een “model”? Dat kan heel anders zijn in het ene en in het andere vakgebied. Toch is het belangrijk om die bruggen te slaan.