Wat algoritmes van pianisten kunnen leren

Wat maakt iemand tot een goede wetenschapper? Traditioneel ging het erom dat je veel publiceerde in topvakbladen. Vaak werd hierbij gekeken naar getallen die uitdrukten hoe vaak je werd geciteerd, hoeveel je had gepubliceerd, en hoe prestigieus het vakblad was waar je publiceerde.

Maar dit gaf perverse prikkels.

De druk om als eerste met sensationele resultaten te komen, leidde bijvoorbeeld tot slecht uitgevoerd onderzoek.^* En veel publiceren voor vakgenoten werd belangrijker gevonden dan dat je de tijd nam om je werk toegankelijk te maken voor wetenschappers uit andere vakgebieden, en voor mensen buiten de wetenschap. Of om goed onderwijs voor je studenten te organiseren.

Doe je die laatste zaken niet (of niet goed), dan word je daar eigenlijk weinig op aangesproken. Maar blijven je publicaties achter, dan heb je iets uit te leggen, en kan dat je subsidies en promoties kosten.

Langzaam kentert de getallen-obsessie. Als je een onderzoekssubsidie wilt aanvragen, mag je op dit moment zelfs helemaal geen getallen meer gebruiken die uitdrukken of je veel publiceert en veel wordt geciteerd, en hoe prestigieus het vakblad is waarin je hebt gepubliceerd. 

Niet iedereen is daar blij mee. In juli publiceerde een groep wetenschappers een open brief waarin ze waarschuwden dat we hiermee alle objectieve maten overboord gooien, en dat je de kwaliteit van een wetenschapper zo niet meer kunt beoordelen.

Maar hoe objectief zijn die getallen over je publicatievolume, citaties, en de prestige van je vakblad? Maken hoge scores je tot een goede onderzoeker, of zijn er nog andere, minder grijpbare maatstaven? Ik denk van wel, als ik kijk naar mijn ervaringen in mijn andere vakgebied: de klassieke muziek. 

Wat is perfectie in muziek?

Ik heb twee heel verschillende studies gedaan: informatica aan de universiteit en klassiek piano aan het conservatorium. In de wereld van de klassieke muziek ging veel aandacht naar technische perfectie op je instrument. We waren uren aan het studeren, om zo perfect en virtuoos mogelijk de noten uit te voeren die een componist had opgeschreven.

Maar die perfectie ging nou ook weer niet om mechanische precisie. Zou dat zo zijn, dan zou het veel efficiënter zijn om ons door computers te laten vervangen. Een computer kan alle noten meteen al sneller en preciezer afspelen, zonder de uren aan studie die wij eraan moesten besteden. Maar dáár zit niemand op te wachten.

Een computer kan alle noten meteen al sneller en preciezer afspelen, maar dáár zit niemand op te wachten

En ook als het om menselijke interpretatie ging, dan was er geen uniform ideaal. We luisterden veel naar opnames van bekende musici. Hun interpretaties waren voorbeelden voor ons. Maar uiteindelijk was het niet de bedoeling dat we die exact zouden kopiëren. Al zouden we exact dezelfde noten spelen, toch moesten we daar op een of andere manier weer een eigen, overtuigende interpretatie van geven.

Mentaal geeft dit best veel druk. Je publiek verwacht dat je je instrument beheerst. Je weet dat iedereen het zal horen als je noten misslaat. Maar als je vooral probeert geen fouten te maken, kan dit leiden tot angstig en verkrampt spel.

De discussie over ‘goede wetenschappers’ is hiermee te vergelijken. Hoe weinig misslagen je maakt, hoeveel je publiceert, hoe vaak je te zien of te lezen bent op prestigieuze podia: dat is makkelijk en objectief te meten. Uiteraard geeft dat ook iets aan over kwaliteit. Maar uiteindelijk gaat het erom dat je hierbij een eigen verhaal te vertellen hebt, en dat dit verhaal je publiek weet te inspireren en overtuigen.

En hoe je dat doet, leerde ik van een Russische violist en een Koreaans-Britse pianist. 

Roest niet vast in bekende patronen

Aleksey Igudesman en Hyung-ki Joo zijn vooral bekend om hun grappige muzikale acts, maar hun echte missie is om het speelplezier terug te brengen in de klassieke muziek. Dat doen ze met die acts, maar ook door workshops aan jonge musici te geven, waarin ze speelsheid en creativiteit benadrukken.  

Ik denk dat het essentieel is om te weten wat van je verwacht wordt, maar ook buiten de hokjes te blijven denken. Want mensen roesten te makkelijk vast in bekende patronen. 

In de klassiekemuziekwereld zie ik dit ook bij repertoirekeuzes. Eigenlijk krijgt maar een kleine hoeveelheid werken en componisten veel aandacht. Het is heel lastig om buiten die ‘klassieken’ te kijken.

Met mijn Magma Duo, waarin ik speel met violist Emmy Storms, heb ik altijd geprobeerd om juist ook minder bekende werken te vinden en geprogrammeerd te krijgen. Dit geeft vaak gedoe met concertorganisatoren: mensen kopen makkelijker een kaartje voor werken die ze kennen. En dus moeten wij als musici veel meer moeite doen om de minder bekende werken toch gespeeld te krijgen.

Moeten we die moeite wel doen? Soms verliezen we hier concertaanbiedingen mee. Dat was niet gebeurd als we het bij de bekende werken hadden gehouden. Die zijn toch ook al mooi?

Maar ik zie het als de rol van de artiest om nieuwe perspectieven te bieden, en als ambassadeur op te treden voor wat we de moeite waard vinden. Niet om ook maar in een hokje te gaan zitten, en blind de trends te volgen.

Wat het oplevert bestaande succesformules te bevragen

En die mindset is nodig. In kunst, in wetenschap. Maar al helemaal in mijn technologische werk. Ik werk op de TU Delft aan vraagstukken rond informatiefiltering. Bijvoorbeeld aan aanbevelingssystemen die onze muzieksmaak kunnen verbreden. Of, samen met organisatiepsychologen, aan manieren om digitale sollicitatiedata op een verantwoorde manier te screenen. 

Hierbij zet ik kunstmatige-intelligentietechnieken in. Dit zijn technieken die zoeken naar patronen in data. Eigenlijk proberen ze hierbij automatisch ‘succesformules’ uit ‘goede voorbeelden’ te halen. 

Laten we niet blind toegeven aan bestaande succesformules, maar ze actief (leren) bevragen

Dat gaat niet altijd goed. In de sollicitatiewereld was er een paar jaar geleden een schandaal toen Amazon een hiringtool probeerde te ontwikkelen, op grond van bestaande hr-data. Weinig vrouwen hadden daar als softwareontwikkelaar gewerkt. Het algoritme ging dus strafpunten geven als het woord ‘vrouw’ in een cv voor deze baan voorkwam.^*

Het bestaande patroon kopiëren, zou ervoor zorgen dat alleen mannen aangenomen werden. We zouden kunnen zeggen dat dit patroon eenmaal in de data zat. En de mannelijke softwareontwikkelaars zullen vast ook prima werk hebben gedaan. Maar een betrouwbare succesformule geeft dit niet. 

Dus laten we niet blind toegeven aan bestaande succesformules, maar ze actief (leren) bevragen. Dat is lastig. Buiten de gebaande paden kijken is ongemakkelijk; het kost tijd en energie, terwijl je minder goed weet waar je precies naar op zoek bent.

Maar laten we die tijd toch bewust maken. Opdat we, zeker in een samenleving die steeds meer om efficiëntie en meetbaarheid draait, ‘dat waar het werkelijk om draait’ niet uit het oog verliezen.

Lees ook: