Hoe komen wetenschappers tot dat ene inzicht dat het verloop van hun carrière bepaalt? Daarover vertellen ze in de rubriek Eureka, elk weekend in het AD, verzorgd door de redactie van New Scientist. Deze week: Casper Albers, hoogleraar toegepaste statistiek en datavisualisatie aan de Universiteit Groningen.
‘Wiskunde is prachtig. Het staat voor mij bijna synoniem aan kunst. Zelf ben ik bijvoorbeeld een grote fan van Queen en een liedje als Bohemian Rhapsody vergelijk ik wel eens met het gevoel dat ik krijg als ik voor het eerst een wiskundig bewijs zie voor iets. Geweldig.
Maar wiskunde alleen kan ook saai en droog zijn. Daarom ben ik heel geïnteresseerd in de toepassing ervan. Na mijn promotie heb ik eerst twee jaar in de bio-informatica gewerkt. Vervolgens ben ik naar Engeland gegaan om de files rondom Londen terug te dringen. Nu werk ik bij de faculteit gedrags- en maatschappijwetenschappen in Groningen aan modellen over angst en depressie. Allemaal statistiek, maar steeds anders toegepast.
De mug gedijt bij het steeds zoutere water
Verzilting vormt een probleem voor veel dieren en planten die in zoet water leven. De huismug kan echter wel tegen het stijgende zoutgehalte.
In mijn werk heb ik niet een duidelijk eurekamoment meegemaakt, maar ik heb wel bezinningsperioden gehad, waarbij ik tot nieuwe inzichten kwam. Een slow-motion eureka. Na mijn promotie heb ik me gestort op het maken van steeds ingewikkeldere statistische modellen, voor steeds uitdagendere problemen. Ik ben er inmiddels achter dat je de wetenschap meer vooruit helpt door juist de minder ingewikkelde modellen beter uit te leggen.
Ik zal dit concretiseren met een voorbeeld. Stel dat je onderzoek wilt doen naar de psychische gesteldheid van depressieve jongeren. Twintig jaar terug stuurden we hen eenmaal per week een vragenlijst, die met de hand werd ingevuld en werd teruggestuurd. Nu krijgen ze zesmaal per dag een appje en kunnen ze opgeven hoe het met hen gaat. Nuttig, omdat een patroon over de tijd veel meer zegt dan een momentopname.
De gegevens van de jongeren worden samengevat in ‘samenvattingsmaten’, zoals het gemiddelde of de individuele tijddynamiek. Maar er knaagde iets. De samenvattingsmaat zegt namelijk niet alles. Stel een persoon scoort gemiddeld een zes voor zijn gesteldheid, maar eerst was het een negen en vervolgens een drie. Dan moet je die zes opeens heel anders interpreteren. Wij statistici moeten de transitie over de tijd volgen, en de data terugbrengen tot betekenisvolle getallen.
Wij ontwikkelen nu statistische modellen die die dynamiek aankunnen. Daarmee kunnen we de patronen in de meetgegevens veel beter beschrijven. Die informatie kan gebruikt worden om betere therapie aan te bieden.’