Machine learning als middel voor (kosten)effectievere inzet van gedragsinterventies.

Gedragsmeten is hot. Van gemeentes die de effectiviteit van Coronabeleid monitoren via de mobiliteit in winkelstraten, ondernemingen die de interactie tussen werknemers en klanten volgen tot aan sportverenigingen die spelpatronen van spelers tijdens wedstrijden minen. Hiermee worden heel wat dashboards van bestuurders en coaches gevuld.

Maar menselijk gedrag is actie met een intentie, een bedoeling. Juist in combinatie met die bedoeling kunnen we de acties pas begrijpen, om ervan te leren en te kunnen verbeteren.

We kijken als bestuurder of coach dus eigenlijk naar dashboards met actie-feiten. Waarna we de onderliggende bedoeling in diverse gesprekken interpreteren door onze eigen bril. Dat is niet alleen subjectief, maar ook inefficiënt.

Kun je intenties net zo schaalbaar ‘minen’ tot feiten, om te komen tot een echt gedragsdashboard?

Lees hoe moderne technieken als machine learning ook hier de traditionele enquêtes en surveys verdringen. En zo interventies binnen teams, organisaties en gemeenschappen veel (kosten)effectiever maken.

Gedragsmeten is hot, maar enquêtes en survey-tools schieten tekort

De praktijk leert dat het lastig is om met behulp van inzichten uit enquêtes een valide vertaling te maken naar gedragsintenties en gedrag. En om vervolgens interventies te ontwerpen met voldoende draagvlak en impact is nog lastiger. Dit heeft alles te maken met de manier van meten en de modelmatige aannames daarachter.

De vragenlijsten komen immers voort uit het psychosociaal model van de maker waarin de resulterende antwoorden moeten passen om te kunnen vergelijken met een norm. Deze maker neemt vooraf aan:

  1. dat het gekozen model een goede weergave is van het gedragsmechanisme,
  2. dat mensen de stelling/vraag op de zelfde wijze interpreteren en
  3. dat de stelling of vraag voor iedereen even relevant is.

Dit blijken in de praktijk vaak onterechte aannames. Gedrag binnen een groep mensen is dynamisch en adaptief: het is zowel gevolg als oorzaak van een samenspel van diverse factoren. Enquètes en survey tools gaan uit van geïsoleerde factoren en eenvoudige oorzaak-gevolg verbanden. Maar over-simplificatie van de werkelijkheid kan leiden tot ontbrekende informatie, verkeerde conclusies en interventies die zelfs contraproductief zijn.

 Met enquêtes en survey-tools benader je de mens als machine: statisch, geïsoleerd en normatief beheersbaar.

 

Van survey-evaluatie naar data-participatie

Met moderne technieken als machine learning en clusteranalyse kunnen we zowel het zichtbare gedrag als de onderliggende intentie als samenhangend patroon veel beter meten. Door middel van een chatbot gevoed door een algoritme die een gestructureerde, open dialoog met de gebruiker voert. Die inspeelt op de gebruiker vanuit en zijn of haar individuele context en ook observaties voorlegt uit eerdere dialogen of op basis van acties van gebruikers in bedrijfsapplicatiesEn die pas om een beoordelingsscore vraagt als dat relevant is voor de gebruiker, en daarmee de kans op sociaal wenselijke antwoorden reduceert.

Het algoritme analyseert de dialogen en groepeert de gebruikers op basis van de onderliggende samenhang in behoeften, ervaringen en aannames. Gebruikers die qua samenhang in belangrijke mate overeenstemmen worden gegroepeerd tot Persona’s. Deze Persona’s kunnen we zichtbaar maken in rolgroepen en teams en ook weer koppelen aan actiepatronen van gebruikers in business applicaties. Dankzij dit soort digitale Persona’s kunnen we een meer feitelijke link leggen tussen gedragsintentie en gedragsactie, en zo beter in contact komen met wat er werkelijk speelt in teams, organisaties en gemeenschappen.

Werken met Persona’s betrekt mensen vanuit bedoeling en individuele context en legt een meer feitelijke link tussen gedragsintentie en gedragsactie.

 

Van geïsoleerde aspecten naar samenhangende perspectieven

In enquêtes en survey metingen wordt vaak per stelling of vraag geaggregeerd gerapporteerd. Bijvoorbeeld 27% van een groep is vóór een bepaalde stelling, 46% neutraal en de rest negatief. Inzicht komt vanuit één perspectief, namelijk de gemiddelde score van één of meerdere aspecten.

Bij een data georiënteerde dialoog worden uitkomsten vanuit meerdere perspectieven – Persona’s – gepresenteerd: samenhangende combinaties van factoren die door mensen zelf zijn benoemd en vervolgens zijn gescoord. Het zegt bijvoorbeeld veel meer dat mensen die positief zijn op een bepaald aspect, ook positief zijn op bepaalde andere aspecten maar juist negatief op weer andere aspecten.

Onderzoek heeft aangetoond dat mensen die verschillende – onderbouwde – perspectieven in hun afwegingen meenemen tot betere beslissingen komen.

 

Van probleem denken naar een wezenlijke dialoog.

Enquêtes en survey tools stimuleren probleem-denken. Het model en de weergave zijn vaak zo stringent, en de interpretatie van alle scores dermate ingewikkeld of tijdrovend dat de makkelijke weg wordt gekozen en er direct wordt gewerkt aan ‘fixes’ voor de laagst scorende aspecten.

In een data georiënteerde dialoog maken mensen via de Persona’s kennis met hun gedrag en het onderliggende patroon van intenties. En op basis van de spreiding in de aanwezige Persona’s kan het algoritme per deelgroep kansrijke interventiegebieden berekenen met impact op de totale groep. Zo ontstaat voor mensen een veilige setting voor inleving en begrip, en kan een wezenlijke dialoog plaatsvinden over de beste interventies voor verbetering in gedrag en resultaat.

 

Samenvatting

Om inzicht te krijgen in groepsgedrag schieten enquêtes en survey-tools tekort. Niet alleen voor het ophalen van de actiefeiten, maar juist ook voor de onderliggende intenties. Dat heeft alles te maken met de manier van meten en de modelmatige aannames die niet goed aansluiten bij beleving en gedragsmechanisme van een groep mensen. Een data georienteerde dialoog op basis van machine learning en clusteranalyse biedt hiervoor tegenwoordig veel betere mogelijkheden.

 

Nieuwsgiering hoe dit in de praktijk werkt?