Information overload van vooral de kenniswerker leidt tot stress en stress leidt tot gezondheidsklachten. Kunnen we daaraan iets doen met slimme programma’s die relevante informatie voor ons sorteren en op het juiste moment aan ons presenteren?
Wetenschapster Maya Sappelli onderzocht deze vraag in het kader van haar proefschrift en ontwikkelde al doende een algoritme voor context aware support. Dit op basis van een model dat ze Contextual Interactive Activation (CIA) noemt.
Maya Sappelli (1988) werkt bij TNO als wetenschapper en innovator text mining. Ze studeerde kunstmatige intelligentie en taalwetenschappen aan de Radboud Universiteit Nijmegen. De combinatie van beide disciplines bracht haar op het terrein van de taaltechnologie en dat is het achterliggende kennisgebied bij het onderzoek dat ze van 2011 tot 2015 deed voor haar dissertatie, getiteld ‘Knowledge Work in Context, User Centered Knowledge Worker Support’. Het is opgebouwd uit een reeks deelonderzoeken die ze in verschillende teams uitvoerde. De dissertatie is te downloaden op de website van de Radboud Universiteit (zie de QR-code aan het einde van dit artikel).
Vergaren, modelleren en testen
Sappelli deed haar onderzoek in drie stappen: data vergaren, modelleren annex programmeren, en testen. We gaan ze stuk voor stuk met haar langs.
“Het eerste dat je nodig hebt om een zelflerend systeem te bouwen, is een goede dataset”, steekt ze van wal. “We wilden begrijpen hoe een kenniswerker werkt, zonder daarvoor teveel aan henzelf te vragen. Een van de wegen die we hiervoor bewandelden was het detecteren van taken in e-mail. Veel e-mails kun je namelijk relateren aan een taak. Bijvoorbeeld: je moet iemand bellen, je moet reageren, je moet iets uitzoeken, je moet je iets afvragen.”
Als basis werden twee voor wetenschappelijk onderzoek beschikbare zakelijke e-mailsets gebruikt. Echte data uit echte bedrijfsomgevingen. Daarnaast simuleerden Sappelli en haar collega’s een werksituatie van kenniswerkers en observeerden ze de reacties als ze bepaalde acties ondernamen. Zoals het insturen van e-mail, het aanbieden van afleiding of het opvoeren van de tijdsdruk. Dit experiment leverde een derde dataset op. Deze zal te zijner tijd worden vrijgegeven als Open Data, benadrukt Sappelli.
“Een van de dingen die ons in dit stadium van het onderzoek opvielen was dat zo’n taak, bijvoorbeeld het schrijven van een rapport, heel vaak aanleiding was voor een zoekactie op het web. De ene kenniswerker haalde daar dan met knippen en plakken informatie op, anderen stelden die liever zelf, in hun eigen bewoordingen, samen. De manier van werken verschilt dus per persoon. Daarmee wil je in je programma rekening houden.”
De volgende stap was cruciaal: het onderbrengen van deze data in een model. Hiervoor werd het bestaande Interactive Activation model gebruikt. Sappelli voegde daaraan het woord Contextual toe, waardoor het acroniem voor haar uitbreiding op dit basisalgoritme identiek werd aan dat van de Amerikaanse centrale inlichtingendienst. “Een knipoog”, bevestigt ze. “Maar die letter C moest er wel bij, omdat we met deze aanpak de context van een kenniswerker proberen te herkennen.”
