Waar gaat je proefschrift over?

‘De rode draad door mijn proefschrift is 'voorspellen'. Dat is niet iets wat we leren tijdens onze studie. We leren te denken in termen van hypotheses, te experimenteren om te zien of er een verschil is tussen conditie A en conditie B. Maar ik heb nooit het gevoel gehad dat dit de juiste manier was om antwoorden te vinden over het brein - we kunnen test na test blijven doen en studie na studie blijven kijken naar individuele elementen, maar mijn stelling is dat dat ons niet naar de waarheid zal brengen over hoe we denken, hoe we ons gedragen. Ik denk dat we moeten kijken naar wat de kracht van kunstmatige intelligentie op dit gebied kan doen, en daarom heb ik besloten om machine learning te gebruiken om iets radicaal anders te doen tijdens mijn promotieonderzoek.’

Wat was daar dan nieuw aan?

‘Als psychologen en neurowetenschappers is ons geleerd om te denken op een manier waarbij je alles strak controleert - één inputvariabele, één outputvariabele - dus het enige dat we kunnen concluderen uit alles wat we doen is de relatie tussen de twee dingen die we meten. Maar als het om het menselijk brein gaat, zijn dit slechts kleine stukjes van de puzzel.

In de natuurkunde zijn er bepaalde wetten die onveranderlijk zijn en daarom kun je de natuurkunde gebruiken om bijvoorbeeld een ruimteschip op de maan te laten landen, omdat je precies weet hoe de krachten in de ruimte van invloed zijn op je ruimteschip. Maar er zijn geen eenvoudige wetten voor bijvoorbeeld menselijke emoties. Het geïsoleerd testen van individuele reacties lijkt de plank mis te slaan, terwijl het brein een van de meest complexe dingen is die we ons kunnen voorstellen. Mijn gevoel zegt dat we ons daarop moeten richten: laten we complexere modellen bouwen, met meer gegevens, meer variabelen, snellere computers om te zien in hoeverre we menselijk gedrag kunnen voorspellen.’

Hoe uitte zich dat in je experimenten?

‘Mijn proefschrift omvat nogal wat verschillende experimenten. In één ervan wilden we bijvoorbeeld kijken welke kenmerken van het gezicht van een ander we gebruiken bij het ontcijferen van hun emotionele uitdrukkingen. In plaats van de standaardbenadering te volgen en het effect van slechts één kenmerk te onderzoeken - bijvoorbeeld of de mondhoeken omhoog zijn gedraaid - gebruikten we computers om gezichten te genereren met willekeurige combinaties van 20 verschillende gezichtsbewegingen. Vervolgens maakten we een model dat voorspelde wat een participant zou zien in een gezicht met een bepaalde combinatie van bewegingen.

Toen gingen we nog een stap verder. We weten dat mensen gezichtsbewegingen gebruiken bij het afleiden van emoties, maar veel onderzoek toont aan dat we worden bevooroordeeld door het gezicht zelf, dus de structuur, ongeacht de beweging. We noemen dat 'gezichtsmorfologie'. Een voorbeeld: mannen met een breed gezicht worden vaker gezien als boos, ongeacht de gezichtsbewegingen. Dus voegden we willekeurige morfologische kenmerken - langere gezichten, iets meer gerimpelde gezichten, een grotere neus, ogen dichter bij elkaar - toe aan onze gezichten met willekeurige bewegingen. We wilden weten of ons model zou verbeteren, of het uitkomsten beter zou voorspellen. En dat deed het. Dit is een zeer complex model, met honderden variabelen, en het is niet iets wat we hadden kunnen aantonen als we een eenvoudig model hadden gebruikt.

Ik ben niet zozeer geïnteresseerd in hoeveel elke variabele van het experiment te maken heeft met het resultaat, maar wel in het resultaat als geheel, en hoe de toevoeging van meer elementen dit model daadwerkelijk beter heeft gemaakt. Het is veel complexer, maar de extra nauwkeurigheid in de voorspelling die we krijgen toont ons, denk ik, dat het hetzelfde doet als mensen doen. Dat het op dezelfde manier tot een resultaat komt als het menselijk brein - bijvoorbeeld dat iemand blij of verdrietig is - maar daar een verbazingwekkende hoeveelheid rekenwerk voor nodig heeft.’

Dus het model simuleert met succes een deel van het menselijk brein?

‘Nou, dan stuit je op wat bekend staat als het 'black box' probleem van AI. We kunnen die supercomplexe modellen bouwen, getraind met miljoenen verschillende datapunten en miljarden parameters, en die modellen maken extreem goede voorspellingen. Maar het punt is, we weten niet wat er binnenin gebeurt. Net zoals we de hersenen niet begrijpen, begrijpen we ook het model niet dat de hersenen modelleert. Maar ik heb liever dat die zwarte doos de hersenen succesvol modelleert, want dan kan ik eraan gaan sleutelen, erin gaan kijken. Dat is waar ik mijn onderzoek in de toekomst op wil richten: proberen om steeds nauwkeurigere modellen te bouwen die het menselijk brein en het menselijk gedrag in alle opzichten weerspiegelen.’

Promotiegegevens

Lukas Snoek: Towards prediction: Studying the mind and brain in the age of machine learning. Promotoren zijn dr. H. Steven Scholte en dr. Suzanne Oosterwijk.

Tijd en locatie

De promotie van Snoek vindt plaats op woensdag 9 februari, om 13.00 uur, in de Agnietenkapel van de UvA.