Via deze Olino website hebben onderzoekers van de TU Eindhoven de afgelopen maanden een aantal onderzoeken uitgevoerd naar een keuzesysteem voor energiebesparende maatregelen. In dit artikel worden de achterliggende gedachte en de resultaten uitgelegd. De expertise van de gebruiker bleek een belangrijke rol te spelen in het ontwerp van een gebruiksvriendelijk systeem.
Groen onderzoek
De Technische Universiteit Eindhoven doet al enkele jaren onderzoek naar energiebesparing. Op technisch vlak kijkt de masteropleiding Sustainable Energy Technology naar nieuwe bronnen van energie. Maar bij besparing gaat het natuurlijk niet alleen om de techniek, maar ook om de mens. Deze menselijke kant van energiebesparing wordt onderzocht door de groep Human-Technology Interaction (HTI).
De groep HTI onderzoekt menselijk gedrag, met als doel om dit gedrag te beïnvloeden of te ondersteunen. De werkgroep Persuasive Technology is bijvoorbeeld bezig om te kijken hoe je mensen kunt bewegen om op een koudere temperatuur te wassen. Uit onderzoek blijkt dat een “besparingscoach” in de vorm van een robot-kat beter werkt dan een simpel besparingsmetertje.
De besparings-kat die mensen beweegt om kouder te wassen
Het meten van voorkeuren
Het onderzoek met het keuzesysteem draait om het tweede doel: ondersteuning. Wij zien energiebesparing niet alleen als een motivatie-probleem, maar vooral ook als een keuzeprobleem. Ons onderzoek toont namelijk aan dat mensen vaak wel energie willen besparen, maar dat ze niet weten waar ze moeten beginnen. Welke maatregelen passen het beste bij mij?
Deze vraag kan worden beantwoord door een keuzesysteem (ook wel aanbevelingssysteem of “recommender system” genoemd). Een keuzesysteem probeert je voorkeur te leren kennen, en gebruikt deze vervolgens in een berekening om de maatregelen te tonen die het beste bij deze voorkeur passen. Hoewel er tientallen manieren zijn om deze berekening te maken, is dat volgens ons niet het interessante gedeelte van het keuzesysteem. Wij kijken vooral naar de manier waarop mensen hun voorkeur kunnen aangeven in het systeem.
Wat is eigenlijk een voorkeur, en hoe meet je het? Als ik zeg dat ik liever spaarlampen plaats dan een HR-ketel, dan spreek ik mijn voorkeur uit. Maar daar heb je niet veel aan, want het zegt niets over mijn voorkeur voor andere maatregelen. Een slimme manier om voorkeuren te meten is om alle maatregelen op dezelfde set kenmerken (“attributen”, bijvoorbeeld: kosten, moeite, besparing, terugverdientijd) te beschrijven, en de voorkeur voor deze attributen te meten.
Het probleem hierbij is echter dat niet iedereen genoeg kennis heeft van deze attributen om er een voorkeur aan te verbinden. Wat is “terugverdientijd” precies? Wat is veel, wat is weinig? Hoe staat dit kenmerk in verhouding met de andere kenmerken? Mensen met veel kennis van energiebesparing hebben minder moeite met deze vragen, maar “beginners” vinden dit ontzettend lastig. Voor deze beginners ontwikkelden we daarom een manier om de attribuut-voorkeuren af te leiden uit de voorkeuren voor bepaalde voorbeeld-maatregelen. Met andere woorden: als iemand zegt: “mijn voorkeur gaat uit naar spaarlampen”, dan kunnen wij hieruit afleiden welk attribuut die persoon belangrijk vindt.
Voorkeur aangeven met attributen
Voorkeur aangeven met voorbeelden
Het eerste onderzoek: beginners en experts
In het eerste onderzoek wilden we uitvinden welke van de twee manieren om je voorkeur aan te geven beter is, en of er inderdaad verschil bestaat tussen experts en beginners. Om dit te kunnen doen, maten we met behulp van een vragenlijst de expertise en de toewijding van iedere deelnemer, gaven we iedere deelnemer willekeurig een van de twee versies van het systeem (voorkeur via attributen versus voorbeelden), en maten we achteraf de tevredenheid met het systeem.
De resultaten: Allereerst was het opvallend dat we voor “expertise” en “toewijding” twee verschillende dimensies vonden, die niet sterk met elkaar zijn gecorreleerd. Dat wil zeggen: experts op het gebied van energiebesparing hoeven nog niet meteen ook fervente bespaarders te zijn, en sommige grote bespaarders hebben niet eens zo veel kennis van de besparingen die ze doen.
Verder vonden we dat geen van de twee manieren om je voorkeur aan te geven over het algemeen beter was dan de andere. Wel vonden we zoals verwacht dat experts meer tevreden waren met het voorkeur aangeven via attributen, terwijl beginners meer tevreden waren met het voorkeur aangeven via voorbeelden. Het ene systeem (met attribuut-voorkeuren) is dus beter voor experts, terwijl het andere systeem (met voorbeeld-voorkeuren) beter is voor beginners.
Ook kwamen we erachter dat we expertise en toewijding niet alleen via een vragenlijst konden meten, maar ook door te kijken naar het gedrag van de persoon in het systeem (de manier van rondklikken).
Het tweede onderzoek: een adaptief systeem
We gebruikten vervolgens dit gedragspatroon in een tweede versie van het systeem, dat op basis van het klikgedrag de manier van voorkeur aangeven automatisch aanpaste aan de gebruiker. Verschillende varianten van dit “slimme” (adaptieve) systeem werden vervolgens getest tegen de “domme” (statische) versie.
Uit dit tweede onderzoek bleek dat de adaptieve versie van het systeem beter werkte dan de statische versie, maar alleen als het systeem de slimmigheid duidelijk uitlegde. Een systeem dat zomaar dingen ging veranderen werd dus niet geaccepteerd.
Verder hadden we een versie van het systeem gebouwd waarbij de uitleg door een mens-achtig figuurtje werd gegeven. We dachten dat dat systeem toegankelijker zou zijn dan een systeem met een “neutrale” uitleg. Dat bleek verrassend genoeg niet het geval: mensen ergerden zich aan het figuurtje, waarschijnlijk omdat het systeem nou ook weer niet zo geweldig slim was, en het figuurtje misschien wel die verwachting wekte.
Het adaptieve systeem met mens-achtig figuurtje
De toekomst
Met deze bevindingen ben ik uiteindelijk afgestudeerd op dit systeem. Zowel het Eindhovens Dagblad als het Brabants Dagblad heeft er een artikel over gepubliceerd, en enkele bedrijven hebben al voorzichtig interesse getoond in het systeem en de bevindingen. Van het eerste onderzoek ga ik binnenkort een wetenschappelijk artikel presenteren in New York, en ik hoop binnenkort met de bevindingen van het derde onderzoek het geheel nog wat verder te kunnen uitdiepen.
Ik had natuurlijk net zo goed een aanbevelingssysteem kunnen maken voor laptops, zorgverzekeringen of tweedehands auto’s. Energiebesparing blijkt echter een schot in de roos te zijn geweest. Het systeem was niet alleen nuttig voor het bestuderen van keuzes, maar het is ook nuttig gebleken op zichzelf, omdat het een overzichtelijk presentatie van energiebesparende maatregelen biedt, geordend op attributen die mensen kunnen vergelijken: een systeem waar mensen echt iets aan hebben, over een onderwerp wat steeds meer belangstelling krijgt.
Ondanks alle goede initiatieven is energie besparen nog steeds een ingewikkeld probleem. Juist omdat je zoveel kunt doen, is het moeilijk om een passende keuze te maken. Ik hoop dat mijn onderzoek hier uiteindelijk een steentje aan kan bijdragen.
Het ontwikkelde systeem zal nog enige tijd voor verder onderzoek online blijven op www.besparingshulp.nl. Wat er daarna mee gaat gebeuren hangt af van de algemene belangstelling en de resultaten van het onderzoek.
Bart Knijnenburg, Onderzoeker/Docent Human Technology Interaction, Technische Universiteit Eindhoven (TUE)
Meer informatie
- Graduation Thesis for the Master of Human Technology Interaction: Adaptive Advice
