Zo’n vijftig bestuurders en ambtenaren van het Hoogheemraadschap van Rijnland zijn proefpersonen voor een onderzoek waarbij de aandacht van ambtenaren en bestuurders centraal staat. Voor het project wordt aandachtsverdeling onderzocht.
Oogbewegingen volgen
Op de website van Universiteit Leiden wordt alvast een inkijkje gegeven in het lopende onderzoek. Secretaris-Algemeen directeur Mariël Middendorp is één van de vijftig proefkonijnen. Haar oogbewegingen werden door onderzoekers gevolgd terwijl ze informatie over blauwalg, waterzuivering, visveiligheid, peilbesluiten en nutriënten kreeg.
Joris van der Voet, universitair hoofddocent bij het Instituut Bestuurskunde en projectleider, legt uit dat het bij complexe maatschappelijke uitdagingen waarmee overheden te maken hebben, nog veel moeilijker is dan bij alledaagse zaken om alles goed mee te wegen. ‘Organisaties zoals waterschappen beschikken over een schat aan prestatie-informatie. Dat zorgt voor een schaarste aan aandacht. De rol van de ambtenaar is om op basis van bewijs en informatie het beleid te formuleren, maar over het effect van aandacht daarop weten we momenteel heel weinig’, zo vertelt hij op de website.
Toepasbaar inzicht
Het project is uniek omdat voor het eerst de aandacht van besluitvormers in de publieke sector systematisch onderzocht wordt. Uiteindelijk is de bedoeling om met de resultaten zowel een theoretisch als praktisch toepasbaar inzicht te ontwikkelen over hoe besluitvormers bepalen welke uitdagingen prioriteit krijgen, hoe besluitvormers informatie verwerken en oplossingen genereren en hoe de turbulente politieke omgeving waarin zij werkzaam zijn deze processen van aandacht beïnvloedt.
Meer informatie over het project is hier te vinden.
Da’s leuke tech, maar niet heel vertrouwenswaardig. Ogen zijn een spiegel van de ziel, maar niet iedereen gebruikt ze op dezelfde manier als je ergens aandacht voor hebt (bias). Misschien kijken mensen wel weg om zich te concentreren op het gesproken woord of ze zijn hartstikke scheel. Verschillen in culturele achtergronden en opleidingsniveaus kunnen invloed hebben op waar mensen naar kijken en hoe ze informatie verwerken, wat kan leiden tot verschillen in aandacht die niet noodzakelijkerwijs te maken hebben met interesse of betrokkenheid bij het onderwerp. Verschillen in de anatomie van de ogen tussen verschillende rassen en etnische groepen kunnen invloed hebben op de metingen van pupilbewegingen en -grootte, wat kan resulteren in onnauwkeurige interpretaties van aandacht en interesse. Hormonale verschillen tussen mannen en vrouwen kunnen invloed hebben op pupilreacties en aandacht, wat kan leiden tot systematische verschillen in de data die niet gerelateerd zijn aan de werkelijke aandacht of interesse. Leeftijd is ook een factor die significante invloed kan hebben op de oogcapaciteit en de neiging om op verschillende dingen te focussen. Oudere individuen kunnen bijvoorbeeld langzamer reageren of moeite hebben met het scherpstellen van hun zicht. Vermoeidheid, temperatuur, tijd van de dag, net voor of net na de lunch … allemaal bias factoren. Dan hebben we nog de omgevingsfactoren, zoals de verlichting van de ruimte, tocht, het algehele comfortniveau van de persoon, de actuele emotionele toestand van iemand … Misschien wordt er wel een presentatie gegeven door een specifieke functionaris waardoor er invloed is op de interpretatie van aandacht en betrokkenheid van de onderzoekspopulatie. Het zou mooi zijn om echt fact based te gaan werken (dus op basis van verifiable claims op de intersubjectieve werkelijkheid).
Als wilt weten welke maatschappelijke uitdagingen worden geprioriteerd, hoe relevante kenmerken van deze uitdagingen worden vastgesteld en hoe potentiële beleidsoplossingen worden gegenereerd, kunnen we ook datasets analyseren om inzicht te verkrijgen in welke maatschappelijke uitdagingen het meest urgent zijn conform voorspellende modellen om toekomstige trends en prioriteiten te identificeren, zoals Strategic Foresight scenario’s. Als publieke besluitvormers te maken hebben met een veelvoud aan maatschappelijke uitdagingen, moeten we zien te meten hoe de ene uitdaging wordt geprioriteerd boven de ander. Dan heb je meer aan AI dan aan eyeball tracking, want door systematisch gegevens te verzamelen uit verschillende bronnen, zoals nieuwsartikelen, beleidsdocumenten, en sociale media, ontstaat pas echt inzicht in de meest urgente en belangrijke maatschappelijke uitdagingen, om patronen en trends te identificeren en zo prioriteiten te ranken. Door gebruik te maken van machine learning-algoritmen, wordt het ook mogelijk om zonder beïnvloedbare mensen patronen en trends te identificeren die aangeven welke uitdagingen in de nabije toekomst meer aandacht vereisen. Geen mens heeft al die gecombineerde expertise: het begrip van de (geo)politieke context en hoe deze maatschappelijke uitdagingen beïnvloeden die geavanceerde technologieën voor gedetailleerde probleemanalyses wel kunnen bieden. Nu wordt het ook mogelijk om beleidsdocumenten en handelingsbepalende en – beperkende wet- en regelgeving, af te zetten tegen Kamervragen en rapporten van verschillende deskundigen om een holistisch beeld te krijgen van de problematieken. Door gebruik te maken van AI en machine learning zijn allerlei beleidsopties te creëren en evalueren op basis van hun mogelijke impact. Dit stelt besluitvormers pas in staat om weloverwogen keuzes te maken en snel te reageren op veranderende omstandigheden.