Waarnemen, tellen, meten en classificeren: een greep uit te taken die burgers uitvoeren om de wetenschap vooruit te helpen. Kan AI dit allemaal overnemen? Nee, stelt astronoom Stijn Calders: mensen doen veel meer dan alleen data produceren.
Als tiener was ik lid van Oberon, de jeugdwerking van volkssterrenwacht Urania. Ik bracht tijdens het jaarlijkse sterrenkamp in augustus uren buiten door om meteoren, of ook wel vallende sterren genoemd, waar te nemen. De Perseïdenzwerm is dan immers actief. Elke meteoor werd genoteerd. Dat was spannend omdat ik graag naar de sterrenhemel keek, maar vooral omdat die waarnemingen ergens voor dienden: ze werden gedeeld met wetenschappers die daardoor het volgende maximum van deze zwerm nauwkeuriger konden bepalen. Als jonge amateurastronoom kon ik zo een kleine bijdrage leveren aan echt wetenschappelijk onderzoek.
Vandaag zou een automatische camera veel langer en consequenter kunnen waarnemen. Artificiële intelligentie kan de beelden bovendien automatisch analyseren. Zou het daarom zinloos zijn om nog zelf Perseïden te tellen?
Die vraag raakt aan een bredere verandering binnen de burgerwetenschap.
Vrijwilligers die hun eigen vervanger trainen
Burgerwetenschap kan vele vormen aannemen: bij Straatvinken tellen burgers verkeer en natuurliefhebbers melden via Waarnemingen.be en ObsIdentify planten en dieren. Eerdere projecten zoals CurieuzeNeuzen schakelden duizenden Vlamingen in om luchtkwaliteit, hitte en droogte in kaart te brengen. Daar is de aanwezigheid van veel mensen op veel verschillende plaatsen een belangrijk onderdeel van de methode.
Andere projecten ontstonden omdat menselijke ogen patronen kunnen herkennen waar computers moeite mee hadden. Radio Meteor Zoo is daar een sprekend voorbeeld van. Het Belgische BRAMS-netwerk, dat geleid wordt door het Koninklijk Belgisch Instituut voor Ruimte-aeronomie in Ukkel, detecteert meteoren met radiogolven. Een meteoor laat tijdens zijn passage door de atmosfeer een kortstondig geïoniseerd spoor achter waarop radiogolven kunnen reflecteren. Die signalen verschijnen in spectrogrammen: beelden die tonen hoe het ontvangen radiosignaal in de tijd verandert. Sinds 2016 bekijken vrijwilligers zulke spectrogrammen via Zooniverse en tekenen ze rechthoeken rond signalen die volgens hen door meteoren zijn veroorzaakt. Er zijn immers veel meer beelden dan een kleine groep onderzoekers zelf kan verwerken.
Maar jaren van burgerwetenschap leveren niet alleen classificaties op. Ze creëren ook duizenden voorbeelden waarmee artificiële intelligente (AI) systemen kunnen leren hoe een meteoor eruitziet. En daar ontstaat een merkwaardige paradox: vrijwilligers worden ingeschakeld omdat computers de taak niet goed genoeg kunnen uitvoeren, maar produceren tegelijkertijd de trainingsdata waarmee computers die taak leren overnemen.
Een schijnbaar ethisch dilemma
Wat gebeurt er zodra een algoritme een eenvoudige meteoor sneller en betrouwbaarder kan herkennen dan wij? Het lijkt weinig zinvol om mensen honderden gelijkaardige beelden te laten classificeren alleen omdat het project ooit zo ontworpen is. Onze vrije tijd is waardevol, en als een computer het repetitieve werk minstens even goed kan uitvoeren, is het moeilijk te verantwoorden om die taak kunstmatig in stand te houden.
Maar het tegenovergestelde wringt eveneens: als vrijwilligers jarenlang gegevens classificeren waarmee vervolgens een AI wordt getraind, om daarna niet langer nodig te zijn, begint burgerwetenschap verdacht veel op gratis werk te lijken. Onderzoeker Luigi Ceccaroni en zijn collega’s vatten het dilemma scherp samen: “How do we acknowledge, respect, and reward the people whose data and expertise have helped to train the computer-vision algorithms?”
Vrijwilligers nemen in de eerste plaats ook deel aan burgerwetenschap uit interesse in het onderwerp, om bij te dragen aan wetenschap, iets te leren en deel uit te maken van een gemeenschap. De waarde van burgerwetenschap zit voor mij daarom niet alleen in de dataset die er uiteindelijk uitkomt. Ook het feit dat mensen zelf aan onderzoek kunnen deelnemen, telt.
De komst van AI brengt bovendien een nieuwe verantwoordelijkheid met zich mee. Wetenschapssociologe Martina Franzen en haar collega’s noemen het expliciet maken van de samenwerking tussen mens en AI “a minimum ethical requirement of online citizen science”. Vrijwilligers moeten dus weten wat er met hun bijdragen gebeurt: niet enkel waarvoor hun classificaties wetenschappelijk worden gebruikt, maar ook wanneer ze dienen om een algoritme te trainen.
Hoe kan deelname waardevol blijven?
Stel dat AI straks de meeste eenvoudige spectrogrammen zelf kan verwerken. Wat laat je vrijwilligers dan nog doen? Een voor de hand liggende oplossing is om AI eerst naar de data te laten kijken: duidelijke gevallen worden automatisch verwerkt, terwijl moeilijke gevallen naar vrijwilligers gaan. Dat is nuttig, maar het is niet voldoende. Als deelnemers alleen nog de beelden voorgeschoteld krijgen waarop een algoritme vastloopt, dreigen ze vooral foutcorrectoren van de machine te worden. Bovendien is moeilijker werk niet automatisch interessanter of betekenisvoller.
Feedback, autonomie en inzicht in hoe een bijdrage binnen het grotere onderzoek past, blijken minstens zo belangrijk. AI kan daarbij zowel helpen als hinderen. In sommige citizen-scienceprojecten helpt een automatische assistent deelnemers geleidelijk complexere taken te leren, terwijl ze in andere gevallen juist een deel van het leerproces wegneemt. Ook nieuwsgierigheid en verwondering spelen een rol.
Mensen produceren niet alleen data, maar kunnen ook kijken, leren, iets bijdragen, ontdekken en zich verwonderen
Daarbij kunnen mensen nog iets toevoegen wat moeilijk vooraf te programmeren is: aandacht voor het onverwachte. Bij Monkey Health Explorer kregen vrijwilligers de opdracht bepaalde witte bloedcellen te herkennen. Sommige deelnemers merkten daarnaast parasieten en tekenen van loodvergiftiging op, hoewel het onderzoek daar niet naar op zoek was. Het team wilde de gewone classificaties later met machine learning uitvoeren, maar zag juist in zulke onverwachte waarnemingen een reden om de citizen-sciencecomponent te behouden. Een algoritme kan immers moeilijk worden getraind om iets te zoeken waarvan nog niemand weet dat het gezocht moet worden.
Dit is ook relevant in de sterrenkunde. Een algoritme is uitstekend in het herkennen van patronen die het heeft geleerd. Een mens kan daarnaast bij een vreemd beeld blijven hangen en zich afvragen: wat is dit eigenlijk? Onze rol hoeft daarom niet beperkt te blijven tot gevallen waarin AI onzeker is. Vrijwilligers kunnen ook zelf vreemde signalen signaleren, nieuwe categorieën voorstellen of mee aangeven welke vragen uit de data verder onderzocht moeten worden. AI kan zo niet alleen taken overnemen, maar ook ruimte creëren voor een actievere rol in het onderzoek.
Hoe zou Radio Meteor Zoo dan kunnen veranderen?
Voor Radio Meteor Zoo betekent automatisering daarom niet noodzakelijk het einde van burgerwetenschap. Wel kan de taak veranderen: een AI kan duidelijke, geïsoleerde meteoren automatisch verwerken. Een kleine willekeurige steekproef daarvan kan door mensen voortdurend gecontroleerd worden, want ook een zelfverzekerd algoritme kan systematisch fout zitten.
Daarnaast kunnen vrijwilligers zich richten op spectrogrammen waar meer interpretatie nodig is: zijn er één of meerdere meteoren zichtbaar? Waar begint en eindigt het signaal? Is er tegelijk een vliegtuigreflectie aanwezig? Zulke beoordelingen kunnen rechtstreeks nieuwe wetenschappelijke informatie opleveren.
Er moet ook ruimte blijven om eenvoudig aan te geven: “hier is iets vreemds aan de hand”. Niet enkel bij beelden die de AI zelf vreemd vindt. Anders bepaalt het algoritme uiteindelijk welke waarnemingen menselijke ogen nog te zien krijgen. Ook ervaring kan een rol spelen. Beginners kunnen starten met duidelijke voorbeelden en feedback krijgen. Meer ervaren deelnemers kunnen complexere signalen onderzoeken. Wie geen expert wil worden, kan nog altijd recente BRAMS-waarnemingen verkennen en ontdekken hoe meteoren er in radiodata uitzien. Dat laatste is geen inefficiënt neveneffect, maar het kan een doel op zich zijn.
Verwondering is ook een resultaat
Een automatisch systeem zou de Perseïden die ik als tiener telde waarschijnlijk beter hebben geregistreerd. Toch zou ik die nachten niet willen vervangen door een nauwkeurigere tabel die de volgende ochtend klaarstaat.
Door zelf te kijken werd een meteorenzwerm iets anders dan een begrip uit een astronomisch handboek. Ik zag het verschijnsel gebeuren, leerde systematisch waarnemen en ervoer dat een amateur een bijdrage aan wetenschap kon leveren. Die menselijke verwondering voeden is eveneens een waardevolle functie van burgerwetenschap.
Radio Meteor Zoo moet daarom meer zijn dan een efficiënte productielijn waarin mensen en AI samen zoveel mogelijk meteoren classificeren. Het kan ook een venster bieden op echte wetenschappelijke data: een manier om een onzichtbaar astronomisch verschijnsel zelf te onderzoeken en misschien iets onverwachts op te merken.
AI maakt menselijke deelname niet automatisch overbodig. Ze maakt het wel moeilijker om die deelname uitsluitend te rechtvaardigen met het argument dat wetenschappers extra ogen nodig hebben. Dat is misschien juist een goede ontwikkeling.
Want als computers het routinewerk steeds beter uitvoeren, wordt duidelijker waarom burgerwetenschap werkelijk de moeite waard is: niet alleen omdat mensen data produceren, maar omdat ze kunnen kijken, leren, bijdragen, ontdekken en zich verwonderen.
