De toepassing van AI-modellen voor data-analyse en voorspellingen heeft een enorme groei doorgemaakt. Deze toenemende afhankelijkheid van AI brengt echter een cruciale vraag met zich mee: is een nauwkeurige voorspelling hetzelfde als een goede verklaring?
AI-modellen kunnen uitstekend zijn in het voorspellen van resultaten, maar vaak falen ze in het geven van inzicht in het "waarom" erachter. Een model kan perfect aansluiten bij de data, maar de onderliggende logica of causale verbanden blijven vaak verborgen in een ondoorzichtige "black box". Dit verschijnsel, waarbij de voorspellende kracht de daadwerkelijke verklaring overschaduwt, vormt de kern van de kritiek op huidige AI-modellen.
De uitdaging ligt in de definitie van een "echte" verklaring. Een verklaring die door AI wordt gegeven, kan statistisch correct zijn en de data perfect weergeven, maar is dat genoeg? De waarde van een verklaring in de gedragswetenschappen wordt niet alleen bepaald door de voorspellende kracht, maar ook door de bruikbaarheid, plausibiliteit en de mate waarin het leidt tot een dieper begrip van een fenomeen.
Zonder een diepgaande verklaring kunnen we de voorspellingen van een model niet echt doorgronden. We kunnen de resultaten niet beoordelen op oorzaak-vervolg-verbanden, prioriteitskeuzes in doelstellingen of veranderde situaties. Een model dat voorspelt dat bepaalde personen beter reageren op ondersteuning van de groep, is waardevoller als we ook begrijpen waarom dat zo is. De voorspellende kracht van het model dient dan als het startpunt van de analyse, niet als het eindpunt. Uiteindelijk draait het allemaal om de verklaring.
Daarom introduceren Noah van Dongen en collega’s een raamwerk voor verklaringen om de kwaliteit van wetenschappelijke verklaringen in de psychologie te evalueren.13-7Noah van Dongen, Riet van Bork, Adam Finnemann, Jonas M B Haslbeck, Han L J van der Maas, Donald J Robinaugh, Jill de Ron, Jan Sprenger, Denny Borsboom (2025) Productive explanation: A framework for evaluating explanations in psychological science Psychol Rev 2025 Mar;132(2):311-329. Centraal in hun aanpak staat het concept van productieve verklaringen: verklaringen die niet alleen beschrijven of voorspellen, maar ook nieuwe inzichten genereren en verder onderzoek stimuleren. Het raamwerk definieert vier criteria voor zo’n productieve verklaring:
Deze criteria dagen psychologen uit verder te kijken dan het vermogen om gegevens te modelleren of toekomstig gedrag te voorspellen. Ze moedigen een dieper streven naar begrip aan. Door de nadruk te leggen op het genereren van nieuwe vragen en metingen, stimuleert het raamwerk actieve en iteratieve theorieontwikkeling in plaats van alleen theorieën te testen.
Het raamwerk voor verklaring maakt het mogelijk om complexe computationele modellen en AI (zoals het Centaur Foundation Model) te beoordelen. Deze modellen kunnen vaak uitstekend voorspellen, maar zijn moeilijk te interpreteren. Het raamwerk biedt een manier om te beoordelen of dergelijke modellen daadwerkelijk verklaren en bijdragen aan ons begrip.
Kortom, van Dongen en collega’s betogen dat een waardevolle wetenschappelijke verklaring in de psychologie niet alleen nauwkeurig moet zijn, maar vooral productief: ze moet ons denken uitdagen, nieuwe ontdekkingen aanjagen en kennisintegratie bevorderen – allemaal door dieper inzicht in onderliggende mechanismen te bieden.
Vorige pagina Volgende pagina Naar inhoudsopgave