Goede wetenschappers zijn niet alleen in staat patronen te ontdekken in de dingen die ze bestuderen, maar om deze informatie te gebruiken om de toekomst te voorspellen.

Meteorologen bestuderen atmosferische druk en windsnelheid om de banen van toekomstige stormen te voorspellen. Een bioloog kan de groei van een tumor voorspellen op basis van de huidige grootte en ontwikkeling. Een financieel analist kan proberen de ups en downs van een aandeel te voorspellen op basis van zaken als marktkapitalisatie of cashflow.

Misschien nog interessanter dan de bovenstaande fenomenen is het voorspellen van het gedrag van mensen. Pogingen om te voorspellen hoe mensen zich zullen gedragen, bestaan ​​al sinds de oorsprong van de mensheid. Vroege mensen moesten op hun instinct vertrouwen. Vandaag, marketeers, politici, procesadvocaten en meer verdienen hun brood met het voorspellen van menselijk gedrag. Het voorspellen van menselijk gedrag, in al zijn vormen, is big business.

Dus, hoe doet wiskunde het in het voorspellen van ons eigen gedrag in het algemeen? Ondanks de vooruitgang in de analyse van de aandelenmarkten, economie, politieke peilingen en cognitieve neurowetenschap - die uiteindelijk allemaal proberen menselijk gedrag te voorspellen - de wetenschap zal dit misschien nooit met perfecte zekerheid kunnen doen.

Grotere en betere gegevens

Bij het maken van voorspellingen, wetenschappers zijn van oudsher beperkt door een gebrek aan volledige gegevens, in plaats daarvan vertrouwen op kleine steekproeven om kenmerken van een bredere populatie af te leiden.

Maar de laatste jaren is rekenkracht en methoden voor het verzamelen van gegevens zijn zo ver gevorderd dat er een nieuw veld is ontstaan:big data. Dankzij de enorme beschikbaarheid van verzamelde gegevens, wetenschappers kunnen empirische relaties tussen een breed scala aan variabelen onderzoeken om het signaal uit de ruis te ontcijferen.

Bijvoorbeeld, Amazon gebruikt voorspellende analyses om te raden welke boeken we leuk vinden op basis van onze eerdere browse- of aankoopgeschiedenis. evenzo, geautomatiseerde online advertentiecampagnes vertellen ons in welke voertuigen we mogelijk geïnteresseerd zijn op basis van voertuigen die de dag ervoor zijn gezocht.

Marketeers gebruiken geboortegegevens om te beslissen wanneer ze u moeten overspoelen met advertenties voor babyproducten. Ze raden zelfs wanneer je die dingen nodig hebt op basis van de ontwikkelingsfase van je kind.

Het is geen raketwetenschap, Echt. Het is simpelweg informatie (data) hebben die patronen laat zien, en het exploiteren van die patronen in naam van voorspelbaarheid (en vaak, winst). Hoewel nogmaals, het meten van de nauwkeurigheid van deze algoritmen is moeilijk voor de buitenstaander, er is wat werk dat onthult wat deze algoritmen drijft.

Wiskundige modellen

Veel voorspellingstools zijn afhankelijk van machine learning, waaronder wiskundige algoritmen die zijn gebaseerd op de biologische principes van de hersenfunctie en die enorme hoeveelheden gegevens gebruiken om patronen te leren.

Algoritmen voor machinaal leren kunnen de uitkomst van zaken van het Hooggerechtshof nauwkeurig voorspellen, met behulp van voorspellers als de identiteit van elke rechtvaardigheid, maand van het argument, verzoeker en andere factoren. Hoewel de nauwkeurigheid van de uitvoer van het algoritme slechts ongeveer 70 procent is, het is zelfs aangetoond dat het beter presteert dan menselijke juridische experts.

Van andere algoritmen voor machinaal leren is aangetoond dat ze zelfmoordpogingen voorspellen met een nauwkeurigheid van 80 tot 92 procent, aantoonbaar nauwkeuriger dan zelfs de beste menselijke beoordelingen.

Wiskunde kan ons misschien zelfs vertellen over terroristisch gedrag in de aanloop naar een aanslag. In een studie, onderzoekers keken naar records van terroristische activiteiten in Ierland, specifiek explosies van verbeterde explosieven. Na een incident, de kans op een ander incident was groter dan niet. Met andere woorden, de gebeurtenissen waren niet onafhankelijk. Dergelijke kennis kan nuttig zijn voor een gemeenschap, misschien ervoor kiezen om onmiddellijk inspanningen te mobiliseren na een enkele aanval in afwachting van een andere.

Is een perfecte voorspelling mogelijk?

Big data heeft voorspellingsmethoden steeds nauwkeuriger gemaakt. Maar kan menselijk gedrag ooit perfect worden voorspeld?

De meest elementaire vergelijking is die van Y =f(X), die luidt, "Y is een functie van X." Voer een waarde in voor X, en de wetenschapper zal je de waarschijnlijke waarde voor Y vertellen. Hoe complexer het model, hoe meer behoefte aan meer input, en dus wordt de eenvoudige vergelijking een stuk ingewikkelder.

Natuurlijk, het lukt niet altijd. Orkanen volgen trajecten die niet worden voorspeld door weermodellen. Tumoren groeien langzamer of sneller dan voorspeld. wetenschappers, net als ieder ander, zelden of nooit perfect voorspellen. Welke data en wiskundige modellen je ook hebt, de toekomst is nog onzeker.

Dus, wetenschappers moeten rekening houden met fouten in onze fundamentele vergelijking. Dat is, Y =f(X) + E, waarbij "E" ons onvermogen om perfect te voorspellen omvat. Het is het deel van de vergelijking dat ons nederig houdt.

Naarmate de technologie zich ontwikkelt, wetenschappers ontdekken misschien dat we menselijk gedrag op één gebied redelijk goed kunnen voorspellen, terwijl er nog een ander ontbreekt. Het is erg moeilijk om een ​​algemeen beeld van de beperkingen te geven. Bijvoorbeeld, gezichtsherkenning is misschien gemakkelijker na te bootsen omdat zicht een van de vele sensorische verwerkingssystemen van de mens is, of omdat er maar zoveel manieren zijn waarop gezichten kunnen verschillen. Anderzijds, stemgedrag voorspellen, vooral gebaseerd op de presidentsverkiezingen van 2016, is een heel ander verhaal. Er zijn veel complexe en nog niet begrepen redenen waarom mensen doen wat ze doen.

Weer anderen beweren dat, theoretisch althans, die perfecte voorspelling zal ooit mogelijk zijn. Tot dan, met een beetje geluk, wiskunde en statistiek kunnen ons helpen om steeds meer rekenschap te geven van wat mensen, gemiddeld, volgende zal doen.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees het originele artikel.