De attributen van Irma

In de serie Denken in Tijden van Corona gaat het deze keer over de attributen van Irma. En over de attributen van IRMA. Wat is het verschil en vooral wat is een attribuut?

Irma is natuurlijk Irma Sluis, onze nationale corona gebarentolk. Immens populair en bewonderd vanwege haar optreden op TV als de vertolker van de woordenstroom van Rutte en trawanten. Een rolmodel. Iedereen wil plotseling gebarentaal leren. Wie kan nog aan hamsteren denken zonder dat hem daarbij het driftig gadderende gebaar van Irma voor de geest komt? Niemand.

Wat is een attribuut? Een attribuut is een kenmerk, iets dat bij iets hoort en waaraan je dat herkent. Zoals het zwaard, de weegschaal en de blinddoek bij Vrouwe Justitia horen, de knuppel bij Hercules of het gebroken geweertje bij de vredesactivist. Welke zijn de attributen van Irma? Interesseert ons dat?

Irma staat altijd op de achtergrond, maar wel op een flonder, en met haar expressieve gezicht en gebaren trekt ze de aandacht van de kijker. Dit zijn typische kenmerken van de gebarentolk bij het optreden zoals we haar kennen. Het zijn geen kenmerken van Irma als persoon, als individu. Die doen er ook niet toe. Stel dat ze een heel opvallend kapsel, een bloemetjesjurk en een tatoeage had; opvallende oorbellen of andere attributen. Dat zou alleen maar afleiden van dat waar het omgaat, de gebaren.

Een gebarentolk is zelf niet doof – integendeel – en ze spreekt ook niet zelf. Ze vertaalt. Of liever: ze verbeeldt. Ze verbeeldt in woord en gebaar wat de bronspreker uitdrukt. De gesproken woorden zijn daarbij slechts onderdeel van de taalhandelingen, die primair bedoeld zijn voor de dove kijker, zodat ze verstaan wat er gezegd wordt. Voor de horenden is Irma’s optreden vooral een performance act. De bewegingen met handen, vingers, de gezichtsexpressies, de lichaamsbewegingen ze verbeelden de sfeer en de emotie van de handeling. En dat in real-time tempo! Het is razend knap. Hier kan geen computer tegen op.

Inmiddels is Irma BN-er geworden en dus wil het gemene volk wel iets meer van haar weten. We hebben nu eenmaal moeite met het onderscheid tussen privaat en publiek. Wie is Irma Sluis eigenlijk? Wie is die vrouw achter de gebarentolk? Een kijkje achter de schermen.

Mijn beauty routine is eigenlijk vrij basic. Mijn gezicht reinigen doe ik tijdens het douchen met een facewash. Dan natuurlijk een dagcrème en als basis voor mijn make-up gebruik ik een BB-cream. Ik houd van een natuurlijke make-up look dus ik gebruik verder alleen eye-liner, mascara en iets op mijn lippen. (Uit: De vrouw achter de gebarentolk: ontdek de kledingstijl van Irma Sluis)

Ik vind make-up helemaal niet natuurlijk, maar daar gaat het niet om. Wat belangrijk is, is dat Irma de aandacht heeft gevestigd op het fenomeen gebarentaal en daarmee op het feit dat doven en slechthorenden er ook bij horen. Zoals wij allen als burgers betrokken worden bij de bestrijding van het virus. En zelfs mee mochten denken over een app om het virus te bestrijden. Moderne tijden vragen om moderne middelen.

Wie Oliver Sacks’ Stemmen Zien gelezen heeft weet welk een strijd er gevoerd is – en nog steeds gaande is – om gebarentaal als volwaardige taal erkend te krijgen. Ik hoorde laatst bij het radioprogramma OVT de interviewer aan een doventolk vragen of de doventaal ook uitdrukkingen kent. Hoe zeg je dan “de appel valt niet ver van de stam”? Tja.

Wat is dat voor strijd? Het is een strijd tegen de vanzelfsprekende aannames in de hoofden van de samenleving, die tot uitdrukking komen in de taal en in de instituties. Niet alleen bij het gemene volk. Ook, en misschien zelfs wel vooral, bij de mensen die het beter weten, de wetenschappers.

Zoals Chomsky. Meest vooraanstaand taalwetenschapper van de laatste eeuw. Wie kent hem niet! Is het niet van zijn universele grammatica, de generatieve grammatica’s, of de Chomsky hierarchie, dan wel van zijn politiek activisme, zijn protest tegen de opstelling van de VS tijdens de Vietnam-oorlog. Ik ken hem niet. Ook al heb ik ongeveer 10 jaar van mijn leven aan zijn grammatica’s en een deel daarvan aan attributengrammatica’s gewerkt. (Ik heb daar nog een onleesbaar proefschrift over moeten schrijven.)

Noam Chomsky, kondigde in het voorwoord van zijn Cartesian Linguistics een nieuw boek aan over “taalsurrogaten, bijvoorbeeld de gebarentaal van de doven”, waarmee hij deze als inferieur aan de gesproken talen kwalificeerde. Chomsky sprak in 1965 over taal als een klank-betekenis-correspondentie. Toen hem tijdens een conferentie gevraagd werd hoe hij dacht over gebarentaal van doven “toonde hij zich ondogmatisch en zei niet in te zien waarom het klankgedeelte cruciaal zou zijn en herformuleerde zijn definitie als een signaal-betekenis-correspondentie” ( citaat uit Stemmen Zien, voetnoot op pagina 194.)

Aangezien een woord ook een gebaar is, is er bij taal dus eigenlijk sprake van een gebaren-betekenis-correspondentie. Dat is beter dan spreken van een signaal-betekenis-correspondentie. Maar we hadden het over de attributen en de identiteit van Irma.

Horenden en sprekenden zien hun taal als iets vanzelfsprekends. Voor doven en hun gebarentaal ligt dat heel anders. “De doven beschouwen hun gebarentaal als een uiterst intiem, onverbrekelijk deel van hun wezen, als iets waar ze afhankelijk van zijn.” (Oliver Sacks in Stemmen zien, 1989) . Wie even bij de doven stil staat snapt dat. Doven hebben niet veel aan een radio. Willen ze Lara Rense horen dan moeten ze haar zien en Lara zal gebarentaal moeten spreken. De erkenning van de gebarentaal als een echte taal, met een eigen grammatica en dialecten, en eigenaardigheden is daarom de erkenning van de dove als een volwaardig individu en dus als een volwaardig deelnemer aan het publieke leven en het publieke debat. De gebarentaal wordt door het publieke optreden uit de intimiteit van de dovencultuur gehaald.

Deelnemen aan het publieke leven, de samenleving, willen we allemaal. Maar wel met behoud van onze identiteit en onze privacy. En dat blijkt niet eenvoudig.

Wanneer Irma d’r potjes make-up en face-wash op zijn, gaat ze – zeker nu de winkels dicht zijn – via het internet nieuwe kopen. Stel ik mij voor. Make-up moet, want dat accentueert de expressie. Voor die transaktie zal ze een aantal persoonlijke attributen moeten overleggen aan de make-up verkoper: naam, adres, en wellicht een speciaal account-nummer. Voor de betaling zal ze ook weer een aantal persoonlijke kenmerken moeten overleggen aan de bank.

Net zo goed als Irma zich geen zorgen maakt over wat er allemaal onder de motorkap van haar auto gebeurt (bij wijze van spreke) maakt ze zich geen zorgen over wat er allemaal achter de schermen van het internet gebeurt. En daarin verschilt ze niet van de meesten van ons. En zo hoort het ook. Maar o wee… In het bos zijn de boze wolven, in het bos, in het bos…

En dan is er IRMA

IRMA staat voor – u raadt het niet – I Reveal My Attributes, oftewel Ik toon u mijn attributen. Iedereen, niet alleen Irma, heeft attributen, dat is inmiddels wel duidelijk. IRMA is een computersysteem. Het is een product van de Privacy by Design Foundation. IRMA wil de burger helpen bij de bescherming van haar privacy en voorkomen dat haar identiteit gestolen wordt. Je hoeft geen Michael Bellicher te heten om te weten wat identiteitsfraude betekent. (Men leze CEL van Charles den Tex). Maar ook als een instantie je van iets beticht wat je niet hebt gedaan (belastingontduiking, fraude) of je op een onheuse manier benadert omdat je tot een bepaalde referentieklasse behoort (predictive policing) is er sprake van verkrachting van identiteit. Het zijn zaken die in het informaticatijdperk uiterst lastig zijn te verhelpen omdat ze anoniem zijn. Wie zit er achter? Wie is verantwoordelijk?

Een voorbeeld. Ik ben dienstweigeraar, zoals andere mensen jood zijn, moslim of christen. Ik ben erkend gewetensbezwaarde militaire dienst. Erkend, na een bezoek aan een psychiater in Den Haag die mij aan een test onderwierp om te kijken of ik misschien niet helemaal goed bij mijn verstand was. Toen ik na een uitspraak van hem plompverloren opmerkte dat dat een tekst uit Goethe’s Faust was, wist hij genoeg. Ik kreeg een brief thuis met een stempel. Mijn dossier ging naar Sociale Zaken. Daar hadden we voor gestreden, dat we als erkend gewetensbezwaarden onder Sociale Zaken vielen. Ik had niets met Defensie te maken. Totdat ik vele jaren later bij de UWV een lijst opvroeg van mijn arbeidsverleden. En verdomd als het niet waar is. Daar stond dat ik gedurende een periode van anderhalf jaar gewerkt had bij Het Ministerie van Defensie. Wat! Ik! Wie denkt Het Systeem wel wie ik ben! Ik heb een kopie van de brief met stempel als tegenbewijs naar de instanties gestuurd. Ik kreeg na veel gedoe de toezegging dat men het uit zou zoeken. Nooit meer iets van gehoord. Zo gaat dat. De instanties zijn oost-indisch doof.

Het systeem denkt niet. Het is een proces. Voor het systeem, voor Google, voor Facebook, voor de politie, ben je een abstract subject, een rijtje attribuut-waarden in een gegevensbank. De amerikaanse computer-wetenschapper en filosoof Hilary Putnam zei eens: “I am not a value of a variable!” Maar dat zijn we natuurlijk wel: een waarde van een variabele in een wiskundig statistisch model, in een kunstmatig neural netwerk dat gebruikt en misbruikt wordt om ons te dienen. Het is maar van welke kant je het bekijkt. Om mee te tellen moet je wel in het systeem zitten als waarde van een variabele in een wiskundig model. Zonder dat ben je niemand.

Wij zitten als individu opgeslagen in computersystemen als een rijtje attributen. Sommige attributen zijn persoonlijk, zoals adres, naam, geboortedatum, burgerservicenummer. Andere zijn minder persoonlijke kenmerken: welk merk auto je hebt, het soort inkomen, je opleiding, welke dagbladen je leest, wat voor YouTube filmpjes je bekijkt, hoe vaak je naar welk buitenland gaat. Al deze attributen zijn ergens uit je aktiviteiten afgelezen, opgeslagen en gedeeld. Mogelijk verhandeld aan gebruikers die je indelen in een bepaald profiel, een doelgroep. Met als doel om je op een bepaalde manier te bedienen, of je wilt of niet. Als Irma make-up koopt is ze vast ook wel geinteresseerd in eye-liners en nagellak. Laten we haar eens een notificatie sturen.

We mochten meedenken met de minister over een corona app om samen het virus te bestrijden. Even niet de straat op. Mijdt de public spaces en denk na over een oplossing. De snelle jongens van de ICT-bedrijven dienden samen meer dan zevenhonderd oplossingen in. Maar die app kwam er niet. Wat is het probleem? We noemen het privacy. Privacy is als een virus, de grootste bedreiging van de open samenleving. Privacy is namelijk per definitie iets dat bedreigd wordt en dus beschermd moet worden.

Het belangrijkste probleem met die corona app is dat het geen probleem is. Waarom is privacy een probleem? Omdat er mensen zijn die iets met de kennis van de attributen van individuen zoals Irma willen doen. Waarom willen ze dat? Omdat ze er geld mee kunnen verdienen. Er is een economisch belang. Hoe verkopen deze mensen zich? Door de diensten die ze aanbieden. Bijvoorbeeld door ervoor te zorgen dat je al je gegevens handig op je nieuwe telefoon kan zetten als je weer een nieuwe smartphone hebt aangeschaft. Of dat je met slechts 1 password overal toegang toe hebt. Ze wijzen je op koopjes en nieuwtjes op je persoonlijke smaak gericht. Ze geven je het gevoel erbij te horen, dat je deelnemer bent in public spaces. Maar het moet wel allemaal voldoen aan de privacy-wetten. Het probleem van de corona-app is dat het geen probleem is. Het is een paradox. Problemen zijn oplosbaar door technologie, door een app. Paradoxen niet. Die vragen om iets anders. Wat?

IRMA presenteert zich als oplossing van het privacy-probleem. Het is een app waarmee je zelf bepaalt welke attributen je aan wie voor welke transaktie prijs wilt geven. Die attributen worden niet centraal opgeslagen. Alleen op je eigen telefoon.

Je eigen telefoon is je interface naar de wereld. Verlies je die dan verlies je je gezicht. En wie zijn gezicht verliest, verliest zijn identiteit.

Bij IRMA worden berichten tussen gebruiker en het econetwerk, o.a. de attribuutverstrekkers, versleuteld verzonden. Het voldoet aan de nieuwste privacywetten van Europa. Dat zit wel snor. Maar…

Is IRMA wel te vertrouwen? Wie is de man achter IRMA? Dat is Bart Jacobs, Professor Computerbeveiliging. Hij weet hoe je publieke systemen zoals de OV-chipkaart en de stemmachine privacy-vriendelijk moet maken. Wie kent hem niet? Van zijn openbare optredens als Volkswagen weer eens een “ontwerpfout” in de doofpot wilde stoppen. Wanneer er weer eens een servicesysteem gehacked was door zijn studenten. Om te laten zien dat het niet veilig was. Een manier om te onderzoeken of een systeem wel veilig is, is het systeem te kraken. De Professor leidt experts op op het gebied van computersloten. De beste slotenmakers zijn tevens de beste slotenkrakers. Die kunnen ze bij onze veiligheidsdiensten goed gebruiken. Helaas kun je niet bewijzen dat een systeem wel veilig is. Uiteindelijk is de gebruiker de zwakste schakel in het systeem. Die wil er immers op kunnen vertrouwen dat het wel goed zit.

Zoals Irma erop wil vertrouwen dat ze haar potje make-up op tijd voor de volgende tolkshow toegestuurd krijgt en dat haar attributen niet misbruikt worden.

Referenties

Noam Chomsky, Cartesian Linguistics: a chapter in the history of rationalist thought. Cambridge University Press, Eerste editie 1966; 3e editie 2009.

Oliver Sacks, Stemmen zien: reis naar de wereld van de doven. Rainbow pocketboeken, Uitgeverij Maarten Muntinga, Amsterdam.

Het Koesdoekje van Mark

In de serie Denken in tijden van Corona gaat het deze keer over het koesdoekje.

Ik ben al vrij oud dus u weet misschien niet wat een koesdoekje is. Een koesdoekje is een doekje waarmee het nog jonge kind knuffelt. Je zou het dus ook een knuffellapje kunnen noemen. Of slaapdoekje, want koesen is Fries voor slapen, maar dan wel op zijn babies. Volwassen mensen koesen niet; ze slapen (Fries:se sliepe).

Maar waarom een koesdoekje? Daar is over nagedacht en daar kwam uit dat een koesdoekje een transitieobject (Eng. transitional object) is.

Linus Lijntje met zijn koesdoekje

Het koesdoekje zoals ik dat ken is een beetje een smotsig doekje, smotsig geworden door het geflieber van de kleine. Het koesdoekje is al een tijdje door het kleintje in gebruik onder andere om de moedermelk die het kleine ding opboert af te vegen. Geur is onze oudste en diepste emotionele band met de wereld om ons heen en voor de kleine frabbe bestaat die wereld in eerste instantie uit de moederborst en de emotionele band bestaat in de geur van de moedermelk. Je moet zo’n koesdoekje dus nooit wassen. Dat zou een doodzonde zijn. Wat smotsig is voor de één, is fijn voor een ander.

Een koesdoekje is dus een transitieobject. Geleidelijk aan kan de functie van het lapje stof worden overgenomen door andere dingen, een beertje, een aapje. Het vieze ding kan dan eindelijk in de wasmaschien.

Winnicott(1971) beschrijft het transitieobject als “the infant’s first ‘not-me’ possession – often a stuffed animal or soft blanket grasped while the child sucks on his or her finger(s)”. Het object representeert volgens hem de ervaring van het kleine kind met de buitenwereld. Maar om wat voor transitie gaat het?

“The object represents the infant’s transition from a state of being merged with the mother to a state of being the relation to the mother as something outside and separate” (Winnicott 1971, p. 14).

Het transitieobject zou volgens de psychologen het opgroeiende kind moeten helpen in de overgang van de symbiotische relatie met de moeder als zuigeling naar de periode van volwassenheid, individualiteit en zelfstandigheid. De ontdekking van het ik in onderscheid van het andere is een moeizaam proces. De mens identificeert zich aanvankelijk met het vertrouwde andere. Ik herinner me het kind dat naar zijn tandborsteltje wijst en roept: ik.

De vraag is of er in een mensenleven een einde komt aan die transitieperiode naar volwassenheid en zelfstandigheid. Want blijven wij niet kind? Ja.

Sherry Turkle is een psychoanalytisch getrainde psychologe, die veel waarde hecht aan persoonlijke relaties en intimiteit. (Wie niet?) In Alone Together beschrijft ze hoe geschokt ze was toen ze geconfronteerd werd met David Levy’s boek Love and Sex with Robots (Levy, 2007). Daarin worden robots als een nieuwe vorm van leven gezien, een vorm van leven waarmee je een relatie kan hebben waarin je je prettig voelt. Bij Turkle roept het de vraag op of dit wel kan: een relatie met een robot.

Levy droeg zijn boek op aan een zekere Anthony (pseudoniem voor) een MIT computer hacker, een verlegen jonge man, met een zekere angst voor intieme relaties. In zijn interaktie met de computer voelde Anthony zich minder alleen bekende hij in een interview met Sherry. Misschien was een relatie met een robot wel een goeie eerste stap voor mensen zoals Anthony, dacht Levy. Turkle had daar dus zo haar bedenkingen bij. Welke relaties met machines zijn eigenlijk mogelijk en vooral ook welke zijn ethisch acceptabel? Vraagt zij zich af.

En zij is niet de enige. Maar eerst nog even over het koesdoekje. Welbeschouwd is dat net zo min een object als dat een moeder een huisvrouw is die de was doet. Dat zijn allemaal abstracties, bedenksels van ons denken die alles uit elkaar denkt. Het koesdoekje is de geurige relatie van het kind met de moeder en een fase in de ontwikkeling van een levensvorm naar … Ja, naar wat eigenlijk?

Wanneer je de trap oprent moet je niet nadenken hoe je dat doet. Denken is sowieso een slopende bezigheid: ze maakt kapot wat bij elkaar hoort. Niet denken is daarentegen helend. Denk ik. Denken is ook verslavend zoals een koesdoekje voor het kleine kind, of programmeren voor een hacker.

Wie denkt, denkt abstract. Ik hoef om deze stelling te verhelderen slechts een paar alledaagse ervaringen aan te halen die iedereen herkent. Een moordenaar wordt voor de rechter geleid. Voor het volk is hij niet meer dan een moordenaar. Dames merken op dat het een mooie, knappe en interessante man is. Wat! zegt het gemene volk, een moordenaar knap? Hoe kan men zo denken! Jullie zijn ook niet veel beter dan die man. Dit is het zedenbederf dat onder de voorname mensen heerst, voegt een priester, die de voedingsbodem en de harten van de mensen kent, er aan toe. (eigen vertaling van passage uit: Wer denkt abstract?, G.W.F.Hegel, 1807 )

De morele vraag van Sherry hoe je je moet verhouden tot iemand die sex heeft met een robot, roept voor sommigen de vraag op naar de mogelijkheid van een relatie met een robot. Wat is dat voor vraag? Wat zijn de vooronderstellingen van dit soort vragen. Gaat het om een probleem? Een probleem dat opgelost moet worden door het denken? Denken doen we om te kennen. Welke kennis kan het resultaat zijn van het denken over dit soort morele kwesties? Een moreel oordeel. Door wie? Op grond waarvan? Bestaat elk oordeel niet evenveel uit de beoordelaar als uit het beoordeelde? Zoals de moeder bestaat in het kind en de vrouw? Bestaat een machine zonder de mens voor wie de machine machine is? Nee.

Het koesdoekje is niet een object. Het verwijst naar een levensvorm. Het staat voor een heel netwerk van relaties. Voor een ecologie, een slagveld, een theater en een bijbehorend taalspel (zie Coeckelbergh (2012)). Zoals het schepje waarmee ik de stekjes plant en dat ik voortdurend kwijt ben hoort bij mijn levensvorm als tuinier. Met de kapucijnerplantjes in de tuin. De muizen die mijn werk bedreigen, de muizeval met pindakaas. De morele kwesties die dat oproept. De fleurige veelkleurige bloei van de volwassen plant en de heerlijke verse erwtjes met spek, het dankbare loon na werken. Hoe dankbaar kunnen kapucijners zijn!

Ik noemde het wassen van het koesdoekje een doodzonde. Met opzet. Het gaat hier om een ethische kwestie. In hoeverre mogen wij oordelen over een levensvorm waar wij volstrekt buiten staan? Iedereen heeft recht op zijn eigen levensvorm. Daarbij horen vrienden en vijanden en morele kwesties. Wat telt voor Sherry, de psychoanalitica, is de heilzaamheid van de levensvorm. Of het nu gaat om een minister van defensie die sex heeft met een robot of om een minister die een munitiefabriek in Irak laat bombarderen met F16s of om een minister het volks misleid. Het gaat erom hoe gezond deze levensvorm is. Is het liegen en bedriegen een organisch onderdeel van deze ecologie? Of bloeit er iets moois op, zoals uit de kapucijnerserwtjes in mijn tuintje, uit de relatie van Anthony met zijn computer, of uit het koesdoekje van Mark ?

De robot is het koesdoekje van de moderne mens op zoek naar zelfstandigheid.

Referenties

Mark Coeckelbergh (2012), Growing moral Relations: critique of moral status ascription. Palgrave MacMillan, 2012.

G. W. F. Hegel (1807), Werke 2, Jenaer Schriften 1801-1807: “Wer denkt abstrakt?” (1807), pp. 575-581. Uitgave: Suhrkamp Taschenbuch (8e oplage, 2016)

Winnicott, D.W. (1971). Playing and reality. London: Tavistock Publications.

David Levy (2007), Love and Sex with Robots: the evolution of human-robot relations. New York: Harper Collinds, 2007

Sherry Turkle (2005). The second self: computer and the human spirit. Cambridge, MA: MIT Press, 183-218, 2005.

Sherry Turkle (2011). Alone together: why we expect more form technology and less from each other. Basic Books, New York, 2011.

Zeventien lettergrepen

In de serie Denken in tijden van Corona gaat het deze keer over lettergrepen.

Waarom schrijf je 1 schaap met 2 aas en 2 schapen met 1 a ?

Waarom is het 1 rok 2 rokken maar 1 rijk 2 rijken ?

Dat soort vragen krijg je van buitenlanders, gevluchten, of andere vreemdtaligen die de Nederlandse taal willen (of moeten) leren spreken en schrijven.

Je hebt kopen en koppen en roken en rokken en schollen en scholen en manen en mannen. Maar geen eien en ook geen kinden. Maar wel eieren en kinderen (die hinderen).

En waarom zeg je: morgen fiets ik naar de stad, maar ik fiets morgen naar de stad en niet: morgen ik fiets naar de stad, of: ik morgen fiets naar de stad?

En wat is het verschil tussen In 1492 ontdekt Columbus Amerika en In 1492 ontdekte Columbus Amerika? En wanneer zeg je Opa fietste toen nog en wanneer Opa heeft toen nog gefietst?

Leg dat Didem uit Turkije, Mariko uit Japan, Adnan uit Jemen, Soher uit Syrie en Wisnu uit Indonesie maar eens even uit.

Als je anderen je taal probeert te leren dan leer je hoe vanzelfsprekend je moedertaal is. Maar je kunt moeilijk op al deze welgemeende vragen van onze praatgroepleden antwoorden met tja, dat is nu eenmaal zo. Sommige deelnemers komen niet naar de Praatgroep om Nederlands te leren, maar om te leren met Nederlanders te praten. Maar sommigen willen ook wel graag leren lezen en schrijven. En dan komt al gauw die vraag

Waarom schrijf je 1 schaap met 2 aas en 2 schapen met 1 a ? Terwijl je toch in allebei een lange aaaa hoort. En waarom zeg je roken met een lange oooo, maar rokken met een korte o?

Is daar een regel voor? Is er enige logika in de madness? Een antwoord op die vraag kan niet om het woord lettergreep heen. Maar hoe leg je uit wat een lettergreep is? Moet je dat uitleggen? Sommige deelnemers spreken een aardig woordje Engels en die kennen de syllable wel. Maar kent het Japans lettergrepen? Zijn dat dan dezelfde dingen als in onze taal? En kent het Punjabi lettergrepen?

Het is roeien met de riemen die je hebt en dus probeer je uit te leggen dat de uitspraak lang of kort van klinkers te maken heeft met de plaats in de lettergreep.

Het is ro-ken en rok-ken. En niet roo-ken. Omdat de o aan het eind van de lettergreep ro staat.

Je moet dus voor de juiste spelling weten hoe je een woord in lettergrepen opsplitst. En om dat te leren is het misschien aardig om Nederlands te leren door middel van het schrijven van haikus. Ik weet niet hoeveel lettergrepen haiku heeft, maar een klassieke haiku heeft er zeventien. Verdeeld over 3 regels : 5 – 7 – 5. Een voorbeeld:

Met nat-te o-gen

Zie ik de dik-ke tra-nen

In de soep val-len

Nog een haiku:

Ma-maaa, ja kind-je

Wie is dan nu jouw moe-der

Nu o-ma dood is ?

Of deze:

Langs stil-le we-gen

Bloei-en de ap-pel-bo-men

Als nooit te-vo-ren

Als je toch thuis moet zitten of de slaap niet kunt vatten: maak eens een haiku en je leert spelenderwijs de lettergrepen. Bedenk daarbij dat taxi en adres elk maar één lettergreep hebben. Onderaan deze blog staan een paar beschrijvingen van wat een lettergreep is.

We blijven hopen dat de bieb snel weer open gaat.

Houd moed en good goan!

Syllable – a single, unbroken sound of a spoken (or written) word. Syllables usually contain a vowel and accompanying consonants. Sometimes syllables are referred to as the ‘beats’ of spoken language.

Silbe – Einheit der gesprochenen Sprache, die aus mindestens einem Vokal oder Sonant besteht und die entweder Teil eines Wortes ist oder selbst ein Wort bildet.

Een lettergreep is een klankeenheid die uit tenminste één klinker bestaat en die hetzij deel is van een woord of zelfstandig een woord is.

Eerlijke signalen en de Corona-app

In de serie Denken in tijden van Corona gaat het vandaag over eerlijke signalen.

Om eerlijk te zijn: het gaat over honest signals.

Dat is een begrip uit de biologie, in het bijzonder uit de evolutionaire gedragsleer van dieren. Als informaticus van de onderzoekgroep Human Media Interaction die onderzoek deed naar het gedrag van mensen in relatie tot media en technische systemen, maakte ik kennis met de term vanwege het werk van A. Pentland. Zoals bekend houden informatici zich overal mee bezig, want overal gaat het over informatie- en communicatie. Het vervelende is dat ze denken ook overal verstand van te hebben en vaak al gauw meer dan de domein-experts. Informatici hebben namelijk de beschikking over oplossingen (bestaande uit berekenbare modellen en slimme computers) en ze zijn in staat om al vrij snel aan te geven welke problemen er in een bepaalde gebied zijn die bij die oplossingen passen.

Alex (Sandy) Pentland (1951) is informaticus medeoprichter van het beroemde MIT. Hij heeft samen met zijn collega’s veel onderzoek gedaan naar eerlijke niet-verbale signalen die mensen tijdens een ontmoeting of in de openbare ruimte uitzenden. Bij dat onderzoek werden deelnemers voorzien van smartphones met sensoren die via Bluetooth informatie met elkaar uitwisselden. Hij wilde bijvoorbeeld weten of sociale netwerk structuren en frequenties van interakties op 2 meter afstand verschilden van die van interakties op 10 meter (het maximale bereik van zenders). Wat heeft dit met honest signals te maken ? Dat moet ik even uitleggen.

Onze buren hebben twee jonge geitjes. Dat komt omdat ze behalve een geit ook twee bokjes hebben. Jonge geitjes vertonen koddig gedrag. Ze springen met vier pootjes tegelijk wel een halve meter boven de grond, maken daarbij een bolle rug en schudden daarbij driftig met hun kop heen en weer. Waarom doen ze dat? Je kunt het ze niet vragen en al zou je, ze weten het zelf waarschijnlijk ook niet. Volgens de biologen die er verstand van hebben gaat het hier om een honest signal, een eerlijk signaal. Want wat willen deze belhamels hiermee zeggen? Dat ze fit, energiek en sterk zijn en dat eventuele vijanden (predatoren) het wel kunnen schudden en hun beter met rust kunnen laten.

Ik dacht dat ze het deden uit speelsigheid, omdat ze het leuk vinden, maar dat is dus niet zo: het zijn functionele signalen.

Een honest signal is een ingebakken, onbewust, in en door de evolutie van de soort ontwikkeld sociaal gedrag dat een specifieke functie heeft in de interactie tussen dieren.

Het gaat dus om gedrag van de soort, niet om individueel gedrag. Bij veel diersoorten is er weliswaar sprake van enige mate van individualiteit – de ooievaars die ieder jaar weer uit Afrika naar Portugal terugkeren gaan steeds weer naar hetzelfde nest op hun eigen elektriciteitsmast – de honest signals, zoals het geklepper van de ooievaars, het gespring van de geitjes, de aposematische kleurenpracht van de monarchvlinder, zijn aan de soort gebonden. Ieder exemplaar van de soort deelt in dit gedrag. Honest signals zijn ingebakken, instinctief, niet bedoeld. Het beest kan niet anders; het is situatiegebonden gedrag. Wat betreft de functie: het gaat bij de meeste dieren om voortplanten en voortleven: eten en niet gegeten worden. Op een website van De Vlinderstichting las ik: de taak van de vlinder is zich voort te planten. Wat voor Friezen en andere mensen geldt: “nimmen kriget in wurklist foar syn libben”, geldt dus niet voor de vlinder. De monarchvlinder laat met zijn felgekleurde oranje en zwarte patronen zijn predatoren zien dat hij giftig is.

De monarchvlinder met zijn aposematische kleuren

Ook mensen zijn dieren en ook bij deze diersoort komen honest signals voor. Bij deze soort probeert het individu zich weliswaar vaak van zijn soortgenoten te onderscheiden, dat neemt niet weg dat veel van zijn gedrag door de soort bepaald is. De individuen houden zich bovendien aan zeer vaste gedragspatronen. Leg je twee weken het gedrag van een lid van deze soort vast (je monitort haar met alle mogelijke sensoren en via alle mogelijke kanalen), dan kun je met aan zekerheid grenzende waarschijnlijkheid voor iedere dag in de week en uur van de dag voorspellen wat ze doet. Alsof het om wetmatig gedrag gaat.

Pentland’s onderzoek in de sociale fysica was vooral gericht op honest signals bij mensen. Honest signals onderscheiden zich van andere signalen bij mensen hierin dat ze onbewust, automatisch, niet door het individu bedoeld, zijn. In die zin zijn ze eerlijk. Wanneer mensen in groepjes bij elkaar staan nemen ze een bepaalde positie ten opzichte van elkaar in. Wanneer mensen in een publieke ruimte bewegen houden ze een bepaalde afstand tot elkaar. Die afstand hangt af van de sociale relatie. Formatie en fysieke afstand (physical proximity) zijn honest signals.

In het kader van The Copenhagen Network Study (Stopczynski, A. et al. , 2014) zijn gegevens verzameld over de sociale netwerken onder studenten populaties waarbij niet alleen gekeken wordt naar fysieke interakties (“physical proximity” en social distancing) maar ook via andere sociale media, facebook, telefoon, en tekstberichten. Kennis over sociale netwerken kan van dienst zijn bij onderzoek naar de verspreiding van virussen bij epidemieen.

Anders dan dieren hebben mensen een overheid, die hen kan dwingen zich anders te gedragen dan de biologische of culturele evolutie hen heeft ingeprogrammeerd. Wat de invloed van een voorschrift van de overheid om 1.5 m afstand te houden op het sociale gedrag van mensen heeft, dat weten we niet.

Wat de invloed van een Corona app zoals de overheid die voorstelt om bij te houden bij wie je in de buurt bent geweest op ons gedrag heeft? Ook dat weten we niet.

Wat we wel weten uit eerdere ervaringen met nieuwe technologieen (zoals bijvoorbeeld telefoon, sms en internet) is dat mensen er creatief mee om weten te gaan. Afgezien van het feit dat de signalen die mensen via zo’n medium uitzenden niet altijd honest zijn, worden technische instrumenten vrijwel altijd ook voor andere doeleinden gebruikt dan waar ze oorspronkelijk voor geintroduceerd zijn. Het zou ons dan ook niet mogen verbazen wanneer de jeugd van tegenwoordig, opgegroeid met de idee dat alles te gamificeren is, van de nieuw te introduceren Corona app wel weer een spelletje weet te maken.

Misschien moeten we het gedrag van groepjes jongeren die zich tegen het advies van de overheid in op speelveldjes verzamelen wel begrijpen als honest signals: wij zijn jong, sterk. Wie doet ons wat?

Met dank aan Bert Geerdes, adviseur natuurbeheer van de provincie Utrecht, voor de referentie naar de boeiende wereld van de monarchvlinder.

Referenties

Alex Pentland (2008) Honest signal: how they shape our world. MIT Press, USA, 2008

Stopczynski, A. et al. (2014) Measuring large-scale social networks with high resolution. PLOS One 9, e95978 (2014).

Test, test, test

In de serie Denken in tijden van Corona ga ik het hebben over testen en meten.

Het is 19 September 1648, toevallig (maar wat is toeval?) het jaar waarin de Tachtigjarige oorlog ten einde komt. Ik neem u echter niet mee naar Munster, maar naar de Puy de Dome, de berg in het Franse Massif Central.

Daar zien we Florin Perier, een zwager van de bekende wiskundige Blaise Pascal, vergezeld van een groepje mannen die we maar zullen aanduiden als dragers en administrateurs, de berg opklauteren. Bij zich hebben ze een glazen buis aan een kant gesloten en gevuld met kwik en een bak gevuld met hetzelfde vloeibare metaal. Op weg naar de top.

Beneden aan de voet, volgens hun berekeningen 3000 voet lager, heeft de heer Perier in een kloostertuin een zelfde buis met kwik rechtopstaand in een bak achtergelaten. Het kwik staat daarin zo’n 26 inch boven het kwik in de bak.

Boven gekomen meet Perier onder toeziend oog van zijn companen de hoogte van het kwik in de buis. Et voila! Het kwik staat iets meer dan 3 inch lager dan in de kloostertuin beneden.

Vanwaar dit gedoe met dit toestel dat later barometer zou gaan heten? Volgens David Wootton (in The Invention of Science) was dit de eerste keer dat er een experiment werd gedaan dat voldeed aan de eisen die we aan een wetenschappelijk experiment stellen: nauwkeurig uitgedacht, geverifieerd door getuigen, herhaalbaar en gevolgd door rapportage en publicatie van de resultaten. Maar waarom? Wat moest er getest worden? Wat was de vraag?

De vraag die de heren aan de Natuur stelden was: bestaat het Horror Vacui zoals Aristoteles en zijn volgelingen beweerden, of bestaat het niet? Heeft de Natuur een hekel aan lege ruimte en weerstaat ze de creatie ervan boven de kwikkolom of wordt de hoogte van het kwik boven in de buis uitsluitend bepaald door de druk van de lucht? Het antwoord dat de Natuur door dit cruciale experiment werd ontfutseld was klip en klaar: het Horror Vacui bestaat niet. En toch…

Revoluties, of dat nu in de politiek is of in de wetenschap of de kunst, roepen altijd de vraag op: waarom toen, waarom niet eerder? Zo ook hier.

Want had de kardinaal van de Roomse Kerk Nicolaus von Kues (aka Cusanus) twee eeuwen eerder de geleerden al niet opgeroepen dat er meer getest en gemeten moest worden? Ja, zeker had hij dat! Waarom moest het dan nog 200 jaar duren voordat dat gemeengoed werd? Het antwoord is zo simpel als boerenkool: de man schreef in het latijn en de geleerde heren waren niet van plan hun handen vuil te maken, met giftige stoffen te knoeien, of bergen te beklimmen. Kenmerkend voor de nieuwe wetenschap is namelijk 1) dat het hard werken is en 2) dat er geen einde aan komt. Hoe meer je weet, des te meer besef je dat je niet weet. Wat de kardinaal bedoelde zijn volk duidelijk te maken in zijn “De docta ignorantia” (1440) is dat we door meten en testen weliswaar de waarheid steeds beter kunnen benaderen, maar dat datgene waar het echt om gaat onbereikbaar is. De idee van het volstrekt luchtledige is een wijkende stip aan de horizon.

Immers… De Natuur laat zich niet wegverklaren door te testen en te meten. Het horro vacui bestaat wel degelijk. Ze is aanwezig in de angst voor het niet weten, in de onverzadigbare drift naar kennis, in de driftige vraag naar een Corona-app om het virus te bestrijden (waartegenover het religieuze besef van de criticasters die beweren dat techniek nooit een oplossing is omdat die buiten het bereik van de informatica ligt), in de hoofden van hen die 5G-zendmasten in brand steken.

Als een transfiniete grootheid beheerst het Horror Vacui ons leven als nooit te voren.

Houd moed!

“Fijn dat u luistert”

In de serie Denken in Tijden van Corona ga ik het nu hebben over het volgende.

Zo rond vijf uur begin ik te koken. Ik bedoel: ik begin met de voorbereiding van het avondeten (wij eten ‘s avonds warm, ook ‘s winters). Daarbij luister ik graag naar de radio en wel naar radio 1. Naar een praatprogramma met presentatrice Lara Rense. Waar ik naar toe wil is het volgende. En mijn vraag is dan vervolgens: hebt u dat nou ook?

Na het nieuws van 5 uur (kan ook half 6 zijn) komt ze terug met een welluidend

Fijn dat u luistert.

En dan betrap ik mij erop dat ik even denk “hoe weet ze dat ik luister?” En vervolgens: zou iedereen dat hebben (of is dit een begin van de aftakeling?).

Vandaar mijn vraag: hebt u dat nou ook? Ik vermoed van wel want zo bijzonder zijn wij niet.

Een vergelijkbare ervaring doet zich voor wanneer ik langs een mij onbekende weg afgestapt ben en voor een bord sta met een plattegrond. Daarop staat een pijl getekend die wijst naar een dikke rode stip en bij die pijl staat

U bevindt zich hier

Dan denk ik altijd: hoe weten ze dat? Ik ben hier nog nooit eerder geweest! Mijn vraag brengt me op haar beurt weer in verlegenheid want wie bedoel ik eigenlijk met “ze”?

Als denken mijn tong is dan is taal mijn zere kies. Ik heb iets met taal. En met techniek. Ik was vroeger taaltechnoloog. Ik probeerde de computer mijn taal te leren, Nederlands. Ik leerde haar woordjes, de Nederlandse grammatica. Ik leerde haar wat vragen zijn en hoe ze daar het beste op kon reageren. Ik dacht als je een computer kunt programmeren dan kun je haar ook leren een gesprek te voeren. Is niet helemaal gelukt. (Wat niet aan mij ligt; mocht u dat denken.) Na zo’n 40 jaren hieraan gewerkt te hebben dacht ik: wat is nou eigenlijk het probleem?

Ik ging daarover te rade bij de mensen die veel over taal en techniek nagedacht hebben. Dat zijn er een heleboel, maar drie springen er wat mij betreft wel uit. Wat betreft inzichtelijkheid, en daar ging het mij om. Hun namen beginnen toevallig (maar wat heet toeval? Daar ga ik het in een volgende “Denken in Tijden van Corona” over hebben) allemaal met een H: Hegel, Heidegger en Hollak. Hegel was de eerste die snapte dat informatica iets anders is dan klassieke mechanische technologie. En dat terwijl Napoleon nog op zijn paard door Europa trok en in Engeland de Industriele Revolutie gaande was. Hollak is de eerste die dat snapte. Hij is misschien de minst toegankelijke van de drie. Zijn “Hegel, Marx en de Cybernetica” en zijn inaugurele rede “Van causa sui tot automatie” zijn hoogtepunten van het denken over de moderne, autonome, mens en de automatie. (Ik volgde via bandopnames zijn Amsterdamse colleges en besprak die met Louk, mijn afstudeerdocent. Zijn die opnames nog ergens? Ik zou ze graag nog eens beluisteren.)

De meest toegankelijke moderne denker over taal en techniek is Heidegger. Een beetje een beladen figuur, en zijn Sein und Zeit is schier ondoordringbaar, maar zijn Hebel, der Hausfreund is een zeer sympatiek en lezenswaardig boekje over taal en techniek. Hij is overigens de enige van de drie die je nog op Youtube kan zien en beluisteren. O, machtige techniek!

Johan Peter Hebel (1760-1826) was schrijver, dichter, theoloog en pedagoog. Een liefhebber van volksverhalen die hij noteerde, bundelde en uitgaf in het Wiesentaler dialect. Bekend is het verhaal Kannitverstan (geen spelfout) over een timmerman uit Tuttlingen die voor het eerst over de grens gaat en Amsterdam bezoekt, niet beseffend dat men hem daar niet kan verstaan en op iedere vraag als antwoord krijgt kannietverstaan. Het verscheen in 1808 in Der Rheinländische Hausfreund. Je kunt het verhaal vast wel beluisteren op Youtube. In Tuttlingen staat ter ere van Hebel een standbeeldje dat Kannitverstan heet. Ook de jaarlijkse ereprijs van de Zuid-Duitse stad is daarnaar vernoemd.

Der Kannitverstan, Denkmal und Ehrengeschenk der Stadt Tuttlingen

Wat is er toch met de taal gebeurd? Dat is de vraag die opgeworpen wordt door mijn hierboven beschreven ervaring met Lara Rense. Het is precies de vraag die Heidegger in Hebel, der Hausfreund, aan de orde stelt. Het is precies de vraag die een blik kan werpen op de vraag die ik na vele jaren tevergeefs sleutelen aan machines waarmee je een gesprek kunt voeren mij stelde: Waarom lukt dat maar niet? Wat is eigenlijk het probleem?

De taal is niet meer wat het ooit was, onze moedertaal, de taal die in ons spreekt. Horen wij nog de taal uit Hebels schatkist? Vraagt Heidegger. De taal is, net als alles om ons heen, instrument geworden, een middel om informatie over te brengen, een besturingsmiddel. We zijn daar dagelijks getuige van in deze tijd van sociale media, denkende machines en sprekende robots. Heidegger wijst op de sprekende machine die meer is dan een bandopnameapparaat. De spraakmachine spreekt zelf; ze maakt zelf zinnen. Wat is de zin hiervan? En wie is dat zelf? Mensen zien het gebeuren maar ze zien niet wat het betekent, schrijft Heidegger. (H. gebruikt hier het woord Sinn, wat ook betekenis betekenen kan.) De eerste mannen die aan Kunstmatige Intelligentie werkten hadden zich als doel gesteld een persoon te maken. Wat volstrekt geen zin heeft. Want die zijn er al genoeg.

Toen ik nog collega’s had belde ik eens eentje op in verband met het werk. Ik kreeg haar dochter aan de telefoon die vertelde dat haar moeder even weg was en zo weer terug kwam. Het was een kort gesprek dat we vriendelijk afsloten met bedankt en tot ziens. Toen ik de collega even later tegenkwam en vertelde dat ik haar dochtertje aan de telefoon had gehad, zei ze na enig nadenken: “oh, dat was het antwoordapparaat”.

Een vreemd gevoel overkwam me en ik probeerde me het gesprek, dat dus eigenlijk helemaal geen gesprek was geweest, te herinneren. Een gevoel van vervreemding overviel me en je voelt je ook wel een beetje bedonderd. Ludwig Wittgenstein wijst in zijn Philosophische Untersuchungen zijn lezer op een man die hij aan de overkant van de straat ziet drentelen. Stelt u zich voor, zegt Wittgenstein, dat het geen man is, maar een machine. (We zouden zeggen een androïde.) Hoe voelt dat? Hoe ervaar je dat? vraagt hij dan. Dat gevoel.

Terwijl ik heel wat gesprekken met onze kunstmatige, sprekende avatars heb gevoerd. Maar dat waren lab-gesprekken; geen gesprekken in de echte wereld. Ik wist hoe het ding werkte (namelijk zoals het mannetje van Searle in zijn Chinese Room die bij iedere vraag zoekt naar een passende respons in een gigantische database van vraag-antwoord paren). Het ging er ons om te kijken of het ook werkte; bij anderen, zoals het bedoeld was. Het ging om de gebruikers-ervaring (de user experience, UX in het jargon). Werkte dit taalgebruik? Neemt de gebruiker de taal serieus, zoals ik de woorden van het antwoordapparaat van mijn college voor de woorden van een echte gesprekspartner hield? Zoals ik de woorden van Lara Rense voor echt zou moeten houden (als in een persoonlijke interaktie).

De mogelijkheid van taaltechnologie, van sprekende machines en andoides moeten we natuurlijk in de aard van de taal zelf zoeken. En met taal bedoel ik niet alleen woordtaal, maar ook gebarentaal. (Hegel noemt het woord ook een gebaar.) Taal heeft van zich zelf een zelfstandig bestaan: de woorden en gebaren betekenen ook al wat als niemand ze uitspreekt of maakt. Ook al kan hun betekenis veranderen door het gebruik. In zoverre is de taal altijd al een instrument dat ter beschikking staat. De op mensen lijkende robots maken gebaren die op die van mensen lijken en die de functie ervan moeten overbrengen: het knikken met het hoofd, het ophalen van de schouders, eye gaze, het ophalen van wenkbrouwen. Het zijn de kleine interactiegebaren die de moderne sociologen (als Erving Goffman, bekend van The Presentation of Self in Everyday Life) hebben geidentificeerd als betekenisvol in de communicatie. Behaviours heetten ze met een technische term: gedragingen, maar dan niet als uiting van een persoon, maar als op zich gestelde mechanische bewegingen, losgeweekt van de persoon. Die persoon is verdwenen, zoals de ziel van de moedertaal uit de taal die instrument geworden is verdwenen is.

Sociaal psycholoog Michael Argyle schrijft over de sociale gedragingen in zijn The Scientific Study of Social Behaviour (1957). Het is de basis van social skill learning: het aanleren van sociale gedragstechnieken. Spindokters leren hoe politici en media-mensen zich moeten presenteren. Wanneer je Goffman’s teksten over social face en face work leest (met face bedoel ik gezicht in de zin van je gezicht verliezen) weet je vaak niet of hij het over mensen heeft of over avatars. Hij heeft het over agents. Het gaat over gedragingen los van het onderliggende mechanisme, van kunstmatige agenten. De persoon is verdwenen uit het gedrag, dat eigenlijk geen gedrag meer is. Argyle besteedt in zijn boek meteen een hoofdstuk aan de ethische kant van de techniek van social skill learning waarvoor hij zelf met zijn nieuwe wetenschap de basis heeft gelegd. Het kan eenvoudig leiden tot fake gedrag. (Zie Trump !)

En dat is precies waar het in deze technologie om draait: opdat het werkt moet de gebruiker ervan het als echt beleven. Zie hier de ethische paradox van de moderne technologie: om te kunnen werken moeten we toestaan dat ze ons bedriegt; het moet net echt zijn en vooral intelligent lijken. En een taal spreken getuigt bij uitstek van intelligentie. Ethici stellen regels voor intelligente technologie. Ze zeggen dat het er niet te echt uit mag zien. Maar wat nu als het pas goed werkt en bruikbaar wordt als het er echt uitziet en doet alsof het intelligent is?

Ik moet Lara Rense haar: Fijn dat u luistert serieus nemen, voor wat het normaal betekent, anders werkt het niet. Ik moet het bordje Houd afstand: 1.5 meter! wel serieus nemen. Anders werkt het niet. En als het niet werkt dan komt er onder: Artikel 461 Wetboek van Strafrecht. En als dat ook niet werkt dan moet er gehandhaafd worden. Dan komt de politie de woorden van de president kracht bij zetten. Mensen, houdt afstand!

Daar staan we dan in een vreemde wereld die beheerst wordt door Corona en Media. We zouden zo graag onze moeder nog eens willen omarmen. Maar die lijkt al uit tijd en taal verdwenen.

Good goan!

A Causal Diagram on COVID-19 Infection

I want to know why my friend, 69, was home with 104 fever, reported to his dr., test negative for flu, pneumonia, finally on day 5 was tested for Covid-19, 3 days later positive, told to stay home, and now is near death on ventilator in hospital? Why so long to test????”

(One of the many tweets that express that we are desperately looking for causes. From: Twitter 25-03-2020)

The SARS-CoV-2 virus is rapidly spreading over the world. Every hour the media come with news about the Corona pandemic; the numbers of deaths, of people tested positive, of people admitted to Intensive Care units. Every day we can follow debates between politicians, experts and the public how to handle the various problems caused by the virus.  In the Netherlands we have to stay at home as much as possible, to wash hands regularly, to not shake hands and to keep a “social distance” towards one another of at least 1.5 meters. Schools, restaurants and many shops are closed. Elder people in community houses or living alone are among the most vulnerable. More and more countries decide to a complete lock-down.

Scientists, in particular virologists, epidemiologist, physicians explain their audiences the mechanisms behind the spreading of the virus to make clear the reasons for the measures taken by their governments (or to comment on them). Statisticians try to make sense out of the wealth of data collected by national and international health institutions. What questions can they answer based on their statistics?

People ask what the chances are they will be exposed to the virus when they go to the supermarket. Others want to know how long it takes before the pandemic is under control so that they can go to work and the children to their schools. But a lot is still unknown. The virus differs from those of known influenza epidemics.

A model on the individual level

National health institutions (in the Netherlands the RIVM) as well as international health organisations (in particular the WHO) gather and publish data about the numbers of infected people, as well as how many people died because of the virus. Researchers use this data to explore mathematical growth models to see if they can fit them to the data so they can be used to predict the virus spread, the peak, and when it will decline and how this depends on the policy. These models look on the level of the population of a whole nation, or a particular region (e.g. Lombardi) or even at a city (Wuhan). Sometimes they do look at the different age groups or gender differences. For example to predict fatality rates for different groups.

But these model do not look at the individual level. The causal model that I propose here differs from the epidemiological models. It models the factors that play a role in the effects of the virus on the individual level.

Monitoring Reproduction Number R0

An important societal quality to measure in case of a epidemic is the basic reproduction number of the virus R0 (R-naugth). Politicians and public health experts keep a close eye on this number. R0 represents the number of new infections estimated to stem from a single case. If, for example, R0 is 2.5, then one person with the disease is expected to infect, on average, 2.5 others. An R0 below 1 suggests that the number of cases is shrinking. An R0 above 1 indicates that the number of cases is growing. Of course the numbers counted are statistical measures over a population.

R0 depends on a number of factors. The number of people infected, the number of people vulnerable, the chances that a contact between people will make that the virus transfers from one to another person, how long people infected are able to affect other people. Some of these values are typical for a virus. Others can only be estimated from large populations. A definition of R0 refers to a scientific model of the complex mechanisms underlying the spreading of the virus. See this paper for the confusion about R0. All in all, it is hard to know the “real” value of R0. We can only estimate it.

Since spreading of the virus depends on the way people behave, policies try to steer peoples behavior. So they hope to control R0. In a similar way the doctor tries to influence a patient’s situation by application of some medical treatment. Since the doctor doesn’t know how the patient will react he will keep a close eye on the patient’s situation and adjust his treatment if required. A complicating factor is the time delay. A treatment will only have effect after some time. So in order to prevent critical situations we need to predict how the system that we try to control will behave in the future. So that we can adjust treatment in time. If you want to shoot a flying duck you need to estimate where it will be at the time the bullet will reach the point. All in all there are so many uncertainties, not in the least about how the public will respond in the long run to the measures taken by governments (e.g., to stay at home), and how this depends on expectations presented in the media. Maybe other values become more important after some time (e.g visiting family, go out for pleasure) so that people change their behavior.

Towards a causal Corona model

Many people get sick from the virus, some of them have only mild symptoms, a small percentage does not survive the attack.  Most of the ones that die are older and already have health problems. But there are exceptions. It seems that not all people get the disease. This raises our first question.

  • What are the factors that determine if a person will get COVID-19 ?

For a person to get a disease caused by a virus infection two things are necessary and sufficient: (a) the person is vulnerable for the virus and (b) the person is actually infected by the virus after he or she was exposed to the virus.

This is almost trivial logic of the classical potency act doctrine. Likewise: for a glass to break, the glass has to be breakable (vulnerable for breaking) and there must be some actor that actually breaks it.    

 Our first questions raises two follow-up questions:

(2) What are the factors that determine a person’s vulnerability for being infected?

(3) What are the factors that determine that the person’s gets exposed and infected with SARS-CoV-2?

Some people die after they got the disease, others survive.

(4) Which factors determine how serious the disease will become and what are the factors that determine the chances of survival?

If we have an answer to these questions we can predict which people run most risk of getting ill and what should be the best policy to prevent or control outbreak of the virus. To find answers we have to collect data. The more data, the better. Suppose we want to know what the effect is of age on chances to die because of corona, among those that are affected by the virus. We need statistics: for every patient we need age group, and effect, where effect is either survived or died. We can now estimate the probability for each age group. We might expect that the older the people are the smaller the chances to survive. Suppose we see an unexpected dip in the curve after the age group above 70. How can we explain this? Our data doesn’t tell. Was there a policy to not treat patients of this age group? Data alone is not enough to answer these questions and to make good predictions. We need to know the mechanisms behind it.

A plea for causal graphs

In The Book of Why (2018) computer scientist and philosopher Judea Pearl argues for the use of causal diagrams as a computational instrument to make causal inferences from data. Pearl, who invented Bayesian Networks, points at the fact that we can’t draw causal conclusions from data alone. We need causal intuition from experts about the case at hand. With such a causal model we can simulate experiments by setting values of variables of the causal model and see what the effects are on the outcome variables that we are interested in. Also, if we want to answer questions like “What if Mrs. S., aged 71, of which we know that she became seriously ill after being exposed to the virus and that she was not taken in hospital, had been taken in hospital care? Would she have died?’’

What is a causal diagram?

A causal diagram is a graphical structure with nodes and arrows between pairs of nodes. The arrows represent direct causal relations. The source of the arrow is the cause, the target node represents the effect of the causal relation. Figure 1 shows a causal diagram that could be a part of a causal graph for the analysis and prediction of the effect of age, medical condition and treatment on chances to survive.

Figure 1. A causal diagram

The diagram shows that Treatment depends on Age as well as on Condition. Treatment has effect on Lethality (chance to survive), but this is also dependent on Age and on Condition. Age influences Lethality through four different paths.

Causal diagrams can answer questions like “How does the lethality in the population change if we decide to give all infected people the same treatment independent of age? Or   “How does the recovery rate for the corona disease change if we enforce a complete lock-down instead of the actual soft “intelligent’’ lock down?”.

Such questions can only be answered correctly by means of a causal intervention in the diagram. In technical terms: by applying the do-operator on the intervention variable. (We give the variable a fixed value and compute the effect). This simulates more or less what we would do in a randomized controlled experiment. We learn how Nature works by bringing about some controlled change and observe how Nature responds to that. The validity of the conclusions that we draw from such simulations requires that the model is correct, no arrow between two nodes if there is no causal relation, and complete in the sense that all relevant factors and relations are in the model.

How do we know if the model is complete and correct? I am not aware of any convincing publication about validation of causal diagrams. In fact, a causal diagram is a theory that can at best be falsified, not proven to hold the truth. Pearl’s Book of Why describes some interesting episodes that show that the truth consists in the historical process of scientific research. Not outside this process. Although it helps that now and then someone stubbornly believes that she has seen the light and fights against the community’s doctrine. Those are the ones that make science progress. 

Causal Diagrams and Bayesian Networks

Nodes X and Y of a causal diagram represent factors that play a role in the model, with an arrow drawn from X towards Y if we conceive X as a “direct cause’’ of Y. Mathematically the factors X and Y are stochastic variables of various types: continuous, or discrete: ordered or categorical.

A causal network is a special type of Bayesian network. In a Bayesian network the arrows do not need to refer to direct causes. They stand for probabilistic “influence” without implying a causal direction.  For example, if we know that someone lives in an elderly home we can infer that he or she is most likely over 70 years of age. There might not be a direct causal relation in a strict sense between age and living in an elderly home, but if we got the information that mrs S. lives in an elderly home chances are raising she is over 70 years of age and not 15. In a Bayesian network to each node Y is attached a (conditional) probability table for P(Y|z) where z is a set of all variables that point at Y (the parent nodes of Y).  Thus when the network is X -> Y then node Y has a conditional probability table P(Y|X) and X has a table for the probability distribution P(X).

Where do the probabilities come from? Bayesian networks are quite tolerant about the source of the probability values: they are either computed from data (probabilities as relative frequencies) or based on expert opinions (probabilities as confidence measures of “belief states’’). For a comprehensive review about the use of Bayesian Networks in health applications refer to Evangelia Kyrimi et al. (forthcoming). One observation is that many researchers do not publish their network, nor do they comment on the design process.

Bayesian networks are used to compute (infer) the probabilities of some outcome variables given some known values of input variables (the observed ones). The computation is based on the classical Theory of Probability (Pascal, Fermat) and uses Bayes’ Rule for computing the unknown probabilities of variables.

Let me give an example. Let T be the variable that stands for the outcome of a corona test (its value can be positive or negative) and let D stand for the statement “patient tested has corona disease’’ (D=true or false). We know that there is some causal relation D -> T. In diagnostics we reason from test to disease, not in the causal direction. Suppose the test outcome is positive. Does the patient has the disease? Tests are not 100 % reliable and sensitive. We want to compute P(D=pos|T=pos), the chances that the patient has the disease, given that the test outcome is positive.

Bayes’ rule says:

P ( D=pos | T=pos ) = [ P ( D=pos ) / P ( T=pos ) ] * P ( T=pos | D=pos )

The second factor P ( T=pos| D=pos ), the probability that the test is positive, if we know that the patient has the disease, on the right hand side of the equation has known values. They are based on expert knowledge about the test mechanism explaining how the disease causes the test outcome. The first factor is a fraction: the numerator P (D=pos) is the prior probability, i.e., the chance that the patient has the disease before knowing the test outcome. The denominator P(T=pos) is the probability that the test is positive whatever the situation of the patient. There are small chances that the test shows a positive outcome in case the patient does not have the disease (a false positive).

Bayes rule is consistent with intuitive logic. As you can see from the formula on the right hand side of Bayes rule, the chances P ( D=pos | T=pos ) grow when the prior P (D=pos) grows. When almost everyone has the disease then chances that you have it when you have been tested positive are also high. On the other hand, the higher P( T = Pos ), i.e. the higher chances are that the test is positive (also for people that do not have the disease), the smaller the probability that a positive test outcome witnesses the occurrence of the disease.

When P( X | Y ) is not equal to P (X),  we call X and Y probabilistically dependent. This dependency should not be confused with causal dependency. P(D=pos|T=pos) differs from P(D=pos) but having a disease is not caused by a test.  Also correlation (a measure for co-occurrency) should not be confused with causation.    

What counts as a causal relation?

As we said before, what makes a causal diagram a special (Bayesian) network is that the arrows in the network represent direct causal relations. But what is a causal relation? Where do they come from?

Almost every day we express our beliefs in the existence of a causal relation between phenomena. Either in an implicit way, e.g., “If you don’t hurry now, you will get late.’’, or, explicitly, e.g., on a package of cigarettes: “Smoking causes lung cancer.’’, or “Mrs. Smith died because of corona.’’.  But if we come to think about it, it is not easy to tell what a causal relation is, and how we can distinguish it from other types of influencing between things that happen. The modern history of the idea of cause started with Aristotle’s theory of the four causes of being (see his Metaphysics). Only two of them have survived: the notion of efficient cause and the notion of final cause. In our modern mechanical scientific world view we see a cause as something that brings about some effect: a billiards ball that causes another ball to move and so on. We see chains of causes and effects and many causes that influence other things or processes. On a medical internet site I found “Smoking does not cause lung cancer’’. The motivation is:  (1) not everybody who smokes gets the disease, (smoking is not a sufficient condition to bring about the effect) and (2) some people get lung cancer and never smoked (it is not a necessary condition to bring about the effect). Indeed, after many years of debates and research (see Pearl’s account of this episode in the history of science in The Book of Why), the causal mechanisms of cancer development under the influence of smoking have been largely unraveled. We know that the primary effect of smoking is that the tar paralyzes and can eventually kill the tiny hair-like structures in the lungs. Lung cancer happens when cells in the lung mutate and grow uncontrollably, forming a tumor. Lung cells change when they are exposed to dangerous chemicals that we breathe. The tar makes the lungs more vulnerable for these chemicals. In that sense smoking is indeed a cause of lung cancer. The search for the “real’’ cause will only end when we have found a plausible theory that describes the chemical mechanism of the change of the lung cells.

In general, it seems that as long as cause and effect are two separate objects or processes our wish to know how nature works is not really satisfied. A successful and satisfying search for the real cause of a given effect eventually reveals that cause and effect are actually two sides of the same mechanism that we tend to objectify. In reality cause and effect are materially one and the same process. But this only holds at the end of the search for causes. In making a causal diagram we must take for a cause everything that has a direct influence on (the status of) the effect.  

To make a long story short: there is no agreement about what counts as a “cause’’, so we have to rely on our “causal intuition’’ and expertise in the relevant domains.    

Need for expert knowledge

I am not an expert in one of the relevant areas, but I take the challenge to make a causal diagram based on the information that I gathered from the literature and the internet. I have some experience in the design of such models, but in quite different areas. In the past I gave courses in Artificial Intelligence devoted to Reasoning under Uncertainty. We used (Dynamic) Bayesian Networks for Natural Language Processing and for recognition of participant’s behavior in conversations. In making it I have learned how challenging it is to make such a diagram. The Dutch newspapers and the Dutch RIVM provide statistics and background articles that I use to make the diagram.

My causal corona diagram is just the basic structure of a Bayesian network: I do not attach (conditional) probability tables to the nodes. Computing probabilities is not my concern. I am interested in the causal structure. The main function is to organize and visualize the connections between the most important factors that play a role in the process of getting caught by the corona virus.

The Corona Diagram

The core of the diagram is based on the simple idea that a subject will get sick if and only if two things hold: 1) the subject is vulnerable and therefore sensitive for being infected and 2) he or she is exposed and actually infected by the virus. This is as trivial as cheese and almost tautological. But therefore it is not less truthful.

Here is the kernel of the causal diagram in which Seriousness is the label for the variable that indicates how serious the disease of this person is.   

Now that we are in the middle of the pandemic the public policies focus on minimizing the chances of exposure and infection. Several factors influence a person’s vulnerability for viruses and infections in general. We currently do not have a complete picture of which factors are typical of influence for sensitivity for this new SARS virus.  

Figure 2. The core of the Corona diagram

SeriousNess:  indicates how seriously ill the condition of the patient gets. Values varies from Asymptomatic, Mild, Serious to VerySerious.

It is directly influenced by two factors:

Vulnerability : indicates how sensitive the patient is for the virus. It refers to the subject’s physical condition. Other relevant conditions belong to the second cluster of nodes.

Infection : Infection is when the virus has entered the body. It ranges from nill to a few to many.

When there is no Infection SeriousNess is nill. SeriousNess is determined by the degree of Infection and by Vulnerability. The factors that determine Vulnerability should answer the questions why this young man became seriously ill and needs hospital care where this woman shows only mild symptoms. Recent research indicates that Infection is a gradual thing (a person can be disposed to a few or many viruses) and that SeriousNess depends in a more complex way on the Infection grade (Or type? It might be that difference variants of the Corona virus make a difference here.)

Lethality indicates the chances to die. It depends on the Seriousness and the MedicalCare, i.e. the medical treatment, offered. There is no cure at the moment; only care can help the patient to survive.

Note: It is often difficult to say what the exact cause of death is. Statistics about populations may reveal how many deaths are the effect of the corona virus.

Infection is caused by Exposure (is the subject exposed to virus) and influenced by SelfHealthCare (did subject take hygienic precautions; wash hands, etc.).  SelfHealthCare is important to prevent Infection. That is why it is urged to wash hands with soap or alcohol regularly and not to touch the face.

Vulnerability and Infection are the two main factors. Both are necessary for becoming ill. As you can see there is no direct relation between the two, i.e. Vulnerability does not cause Infection nor the other way around.  However from data collected it will come out that there is a high correlation between the two, suggesting a causal relation. This will show for example when we collect data from medical staff taken into hospital care after they have been tested positive. We cannot conclude from this that in the general public there is a causal relation between the two. This “spurious’’ causal relation only holds for people that are actually infected. (See for an explanation of this phenomenon Pearl’s discussion of Berkson’s paradox in The Book of Why.)

Figure 3. The Corona causal diagram

What are the factors that influence these two main factors?

Vulnerability

This is influenced by:

                HealthCondition:  the physical condition. Some people say that the people that die after being Infected would die anyway within a year or so because of their bad health condition.

                ChronicCondition: chronic diseases: lung diseases, coronary, heart, diabetes. There are indications that a high percentage of patient taken in hospital have a too high BMI (body mass index).

                Gender: 2/3 of the patients that passed away after getting serious ill are male. 

GeneticFactors:  other genetic factors besides gender specific ones may play a role.

                ImmunizationStatus:  it is currently not known how the immune system responds to the virus. There is currently no vaccin. It is to be expected that people that recovered have lesser chances to become ill again. I am not aware of a proof that confirms this expectation. Current research seems to indicate that people that had only mild symptoms are not completely immune for the virus.

                Age: is directly related to a number of other factors. Age is also a factor in the Exposure cluster. Age is more a property that can be used as an indicator for certain inferences. Ageing as a proces influences many aspects of peoples’ life: work, social contacts, etc.  (See below for a discussion about ageing as multi-factor confounder).

Exposure

A subject can be exposed to the virus to several degrees dependent on the concentration of the virus in the locality where exposure occured and the duration of the contact. Exposure is determined by several factors:  mainly by social contacts and activities (type of work, hobbies).  Another factor is

VirusSpread: how much is the virus spread over the subject’s social environment?

If VirusSpread is high and SocialContacts is also high then chances for Exposure are high as well.[1]

It is difficult to get a good picture of the spread of the virus. Only a limited number is tested for the virus. Conclusions drawn from the data collected are most likely biased. Also, different countries have different policies, which makes merging data a real challenge. Even within the Netherlands different regions have different policies dependent on the test capacity available.  See below for a recent publication about a simulation study of the spreading mechanisms of the virus.

Personality: influences SocialContact (See also the comment about compliancy in the notes below.)

Household: apart from social contacts the direct contact with family members influence the chance to be exposed to the virus.

Activities: it makes a difference if the person lives on his/her windowsill or is an active participant in all kinds of social events and organizations.

How can a Corona diagram be used?

The causal diagram presented is the result of an exercise in making a causal diagram for a realistic case. There is need for expert knowledge to come up with a better model. It can be completed with probabilities based on available data.  

Eventually, a causal diagram like this for the Corona pandemic can be used to answer several questions, not just probabilistic questions: what are the effects of certain observations on the occurrence of other events?  But also causal questions: what is the effect of changing values on outcome variables? It can also be used to answer counterfactual questions on an “individual’’ level[2].

The diagram can also be used for qualitative analyses. How is Age related to Lethality? The diagram shows that the influence of Age goes through Sensitivity. Ageing makes people more sensitive for diseases. So if they are infected they run a risk for getting in a serious condition. If there is not enough medical care for the subject chances raise that he or she will die.

What is the impact of gender on lethality?  Data about the incidence of COVID-19 indicates that there is a high correlation between Gender and Seriousness. This suggest a direct effect of Gender on Vulnerability, i.e., that male subjects are more sensitive than female subjects. Statistics show that 2/3 part of all patients are male. But other genes of the human genome may play a role as well.

Health care workers, doctors and nurses in hospitals are more vulnerable than, e.g., computer programmers. The former run a higher risk of becoming exposed and infected than the latter group.  This is reflected in the Activities node in the diagram.

What is the impact of the ecological environment on chances to get ill? The influence of the environment is indirect via HealthCondition. Polluted air causes chronic lung diseases such as COPD which makes people more vulnerable. The risks of getting ill are higher in large urban areas (e.g., Wuhan, Madrid, North Italy, New York) than in traditional agricultural areas. People living in urban areas run more risk to get exposed because of the heavy use of public traffic.

Finally, such a diagram might also help in deciding for or to explain policies that aim at minimizing exposure for specific subgroups of citizens. Isolation of elderly people helps because it affects Exposure, a necessary condition for getting infected.

A note on confounding factors: age

Our diagram has a simple tree-like structure. It has two main branches that are not connected upwards: Seriousness and Infection are not directly connected. Each of the two branches have a tree-like structure themselves.

This implies that Seriousness and Infection are not related. This would be the case if the two branches had a confounding cause. A confounder C of X and Y is simply said a common cause of X and Y. Pearl gives in The Book of Why (2018) a better, mathematical, definition in terms of his do-operator. Since Age influences in fact not only Vulnerability but also Exposure via SocialContacts (not indicated in the diagram) Age is a confounder.

Pearl(2018) discusses a study among retired men that revealed an association between regular walking and reduced dead rates. Is there a causal relation between the two? According to Pearl, the experimenters did not prescribe who would be a casual walker and who would be an intense walker. So we have to take into account the possibility of confounders. “An obvious confounder might be age”. The causal diagram is shown below.

Figure 4. A causal diagram from The Book of Why (J. Pearl, 2018)

Confounding factors cause spurious correlations between other variables. If we want to know the effect of Walking on Mortality we should do that for fixed age groups. The situation would be different when Walking had a causal influence on Age, which is not the case (well, maybe it is).

Some other studies: testing for the virus and mortality

A recent analyses using collected datasets of over 17 million adult NHS patients of which a bit less than 5700 died attributed to COVID-19, confirms the relevance of most the factors in our model that determine chances on death caused by the Corona virus. The study reports (version 7th May 2020) numerical values for the impact of these factors on lethality: age, sex, medical conditions (chronic diseases), deprivation. Race is a factor: “Compared to people with ethnicity recorded as white, black people were at higher risk of death“. Behavioral factors, as the ones in our model, have not been studied. A nice causal diagram is missing in the report.

Some epidemiologists are active on twitter and discuss causal models. One of them is Ellie Murray. She likes to illustrate her model and ideas with nice handmade infographics. See figure below.

A nice illustration of a causal analysis by Ellie Murray on Twitter (May 8, 2020)

Besides the personal question “How are chances for this particular person that he or she will be infected by the virus and survive?’’, there are questions concerning the effect of policies as well as compliancy on the spread of the virus and on mortality. Other researchers focus on these and on the global effect of the pandemic on mortality in the general public. How much does the virus shorten life expectancy?

David Spiegelhalter (2020) discusses the issue of whether many deaths from COVID-19 would have occurred anyway as part of the `normal’ risks faced by people, particularly the elderly and those with chronic health problems who are the main victims of COVID. The current – 25-03-2020 – estimated infection fatality rate (percentage death among infected subjects) is anywhere between 0.5% and 1%.

Norman Fenton et al.(2020) illuminate the need for random testing to prevent bias due to the selection methods used now. They advocate the use of a causal model for the analysis of the results. They present an example of a causal model for a given country and its population in order to show that the COVID-19 death rate is “as much a function of sampling methods, testing and reporting, as it is determined by the underlying rate of infection in a vulnerable population.’’

Wilder et al.(2020) develop an agent based model for studying the spread of the SARS-CoV2 virus. “A key feature of the model is the inclusion of population-specific demographic structure, such as the distributions of age, household structure, contact across age groups, and comorbidities.’’ The aim of this study is “to evaluate the impact of age distribution and familial household contacts on transmission using existing data from Hubei, China, and Lombardy, Italy –two regions that have been characterized as epicenters for SARS-CoV2 infection –and describe how the implications of these findings may affect the utility of potential non-pharmaceutical interventions at a country-level.’’

Conclusion

Motivated by Judea Pearl’s The Book of Why in which he advocates the use of causal diagrams, interested in the mechanisms that play in the Corona disease, not disturbed by any expert knowledge in virology, epidemiology, or whatever relevant domain, I made a causal diagram. I hope I have explained what it is, what it can be used for and why it would be good to work on a better one.  

Rieks op den Akker, Lonneker, March 2020

References

David Spiegelhalter (2020), How much ‘normal’ risk does Covid represent? Blog posted March 21, 2020. https://medium.com/wintoncentre/how-much-normal-risk-does-covid-represent-4539118e1196

Judea Pearl & Dana Mackenzie (2018). The Book of Why : the new science of cause and effect. New York: Basic Books.

Judea Pearl (2001), Causality: models, reasoning and inference. Cambridge University Press, Revised edition, 2001.

Norman Fenton, Magda Osman, Martin Neil, Scott McLachlan. Improving the statistics and analysis of coronavirus by avoiding bias in testing and incorporating causal explanations for the data. http://www.eecs.qmul.ac.uk/~norman/papers/Coronavirus_death_rates_causal_model.pdf

Wilder, Bryan and Charpignon, Marie and Killian, Jackson and Ou, Han-Ching and Mate, Aditya and Jabbari, Shahin and Perrault, Andrew and Desai, Angel and Tambe, Milind and Majumder, Maimuna, The Role of Age Distribution and Family Structure on COVID-19 Dynamics: A Preliminary Modeling Assessment for Hubei and Lombardy (March 31, 2020). Available at SSRN: https://ssrn.com/abstract=3564800 or http://dx.doi.org/10.2139/ssrn.3564800

Kyrimi, E., McLachlan, S., Dube, K., Neves, M.R., Fahmi, A., & Fenton, N.E. (2020). A Comprehensive Scoping Review of Bayesian Networks in Healthcare: Past, Present and Future. ArXiv, abs/2002.08627.

Rieks did some mathematics and computer science. He has a PhD in computer science. He moved to dialogue systems research and natural language processing. He was Assistant Professor Artificial Intelligence and Human Computer Interaction at the University of Twente. He designed and used Bayesian Networks for modeling and prediction of conversational behaviors. He lectured logic and statistical inferencing in AI courses focusing on reasoning with uncertainty.

Notes:

[2] Real individuals do not occur in scientific models. Science is about categories. Individuals are abstract entities represented by a list of attribute/value pairs. In a counterfactual question to the model we change certain values of some individual to see what the effect would be had she had this property instead of the one that she has in the real world.


[1] Comment by Miriam Cabrita. Related to Exposure, I miss how the community (excluding the individual self) comply with the measures proposed to stop the virus. For example, one way or another everybody needs to do shopping. Let’s assume that an individual goes to the supermarket and takes all precautions given by the government and even more (e.g. washes hands carefully when arrives home, removes shoes). If the people in the community are sloppy (not to say  stupid), and keep going to the supermarket while sick, the chances that the individual is Exposed to the disease are much higher than in a community where everyone respects the rules. What if the people you live with do not comply with the rules of SelfHealthCare? Then you are also much more exposed to the virus.

Response by Rieks: Compliance is indeed a factor that affects VirusSpread. It maybe affected by Personality, i.e., some people are more compliant to authority regulations than others (youngsters, elderly, for different reasons). You need to know compliance to treatment to know the effects of treatment. You need to know if people were free to choose for or assigned to a treatment, since that affects compliancy. These are relevant issues in the current discussion in the Netherlands about the introduction of a corona app to trace, detect and warn people for corona. What can we do with the data collected? 

Revisiting Simpson’s Paradox

Most people involved in car accidents have a driver’s license

Has Simpson’s paradox anything to do with causality as Judea Pearl claims in The Book of Why ? In this book the computer scientist and philosopher of science describes the historical development of a mathematical theory of causation. This new theory licenses the scientist to talk about causes again after a period in which she could only report in terms of correlations. Will the Causal Revolution, in which Pearl playes a prominent role, eventually lead to a conversational machine that passes the Turing test?

The strange case of the school exam

A school offers courses in statistics. Two Professors are responsible for the courses and the exams. The contingency tables below show statistics about the students exam results in terms of passed (Positive) or not passed (Negative) for each of the two Professors.

The school awards the Professor with the best exam results. Professor B claims the award pointing at the first table. This table shows indeed that the relative frequencies of passing are higher for Professor B (2% negative result) than for Professor A (3% negative result).

Professor A objects against B’s claim. It was recorded which students were well prepared for the exam, and which were not. He compiled a table for the segregated results. Indeed, this second table shows that for both student categories the results of Professor A are better than for those of Professor B.

Which Professor wins the award?

The strange outcome of the statistics exams

The statistics in the aggregated table shows clearly that for the whole group of students prof B has better results than prof A, but for both subgroups of students it is reversed: prof A is better than prof B.

How is this possible?

This surprising outcome of the statistics exams is my favourite instance of Simpson’s paradox. The paradox is well known among scholars and among most students that followed a course in statistics. I presented it my students in a lecture to warn them for hidden variables. I have surfaced my slides again when I was reading Judea Pearl’s discussion of the paradox in The Book of Why.

Beyond statistics: causal diagrams

After he introduced Bayesian Networks in the field of Artificial Intelligence, Pearl invented causal diagrams and developed algorithms to perform causal inferences on these diagrams. In The Book of Why Pearl presents several instances of Simpson’s paradox to clarify that we cannot draw causal conclusions from data alone. We need causal information in order to do that. In other words: we need to know the mechanism that generated the data.

Causal diagrams are mathematical structures, directed acyclic graphs (DAGs) in which the arrows connecting two nodes represent a causal relation, not just a probabilistic dependency.

Figure 1 shows two possible causal diagrams for the case of the school exams.

Figure 1. Two causal diagrams for the school exams

Both networks can be extended to a Bayesian network with probabities that are consistent with the statistics in the tables. In both models the Professor and the Student, represented by the node labeled Prepared, are direct causes of the exam result, represented by the node labeled Passed. The diagrams differ in the direction of the arrow between the Prof node and the Prepared node. In the diagram on the left the causal direction is towards the Prof node; in the diagram on the right the cuasal direction is towards the Prepared node: the Professor determines how well students are prepared for the exam.

If the latter model fits the real situation the school should award Professor B. The decision should be based on the table with the combined results. The better exam results are the Professor’s credit.

The diagram on the left models the situation in which the preparedness of the students somehow determines the Professor.  In this case the school could award Professor A based on the results in the lower, segragated, table.

What has Simpson’s paradox to do with causality?

What makes Simpson’s paradox a paradox? There has been some discussion about this in the statistical literature. Simpson himself gives two examples of the phenomenon. One is about the chances of survival after a medical treatment where the contigency tables show that the treatment is good for males as well as for females but valueless for the race. Of course, such a treatment cannot exist. But what should we conclude from the tables? Again, the answer depends on the underlying mechanism, that can be represented by a causal diagram. Simpson suggests that the “sensible interpretation” is that we use the segregated results for the genders. It is a bit strange, indeed, to assume that the treatment affects the patient’s gender.

Pearl distinguishes between Simpson’s reversal and Simpson’s paradox. He claims that Simpson’s paradox is a paradox because it “entails a conflict between two deeply held convictions”. Notice that also in case there was no reversal different causal diagrams are possible.

Why does Simpson’s paradox reveal?

In Causality(2003) Pearl introduces the paradox in terms of conditional probabilities.

“Simpson’s paradox refers to the phenomenon whereby an event C increases the probability of E in a given population p and, at the same time, decreases the probability of E in every subpopulation of p. In other words, if F and ~F are two complementary properties describing two subpopulations, we might well encounter the inequalities

P(E | C ) > P(E | ~C)

P(E | C,F) < P( E | ~C,F)

P(E | C,~F) < P(E | ~C,~F)

“Although such order reversal might not surprise students of probability, it is paradoxical when given causal interpretation.’’ (Causality, p.174; italization is mine)

From the first inequality we may not conclude that C has a positive effect on E.  The effect of C on E might be due to a spurious confounder, e.g., a common cause of E and C.

In our example of Simpson’s paradox we could estimate conditional probabilities P(Passed|Prof)  from the contingency tables.

From the inequality

P(Passed=True|Prof = A) > P(Passed=True| Prof=B)

derived from the combined table we could conclude that the Professor has a causal influence on Passed, i.e. on the exam results. If we do this we give the inequality a causal interpretation. And this is clearly wrong! There could be other mechanisms (confounders) that make Passed dependent on Professor.

Why is Simpson’s reversal surprising?

Consider the following statement.

If a certain property holds for all members of a group of entities then that same property also holds for all members of all subgroups of the group and vice versa.

This seems to me logically sound. It holds for whatever property. The statement differs from the following.

If a certain property holds for a group of entities then that same property also holds for all subgroups of the group and vice versa.

The second one is about properties of aggregates. This is not a sound logical rule. It depends on the property if it holds truth.

If a student sees the contigency tables of the school exams and notices the reversal he might perceive this as surprising and see it as contradicting the first statement.. On second thought, he might notice that it is not applicable: there is no property that holds for all students. The student might think then that it is contradicting the second statement. But then he realizes that this is not sound logic. Simpson’s paradox makes him aware that the second rule, the one about aggragates does not apply here. The reason is that the property is not “stable’’. The property changes when we consider subgroups instead of the whole group. The property is a comparison of relative frequencies of events. In our example:

 6/600 < 8/600 and 57/1500 < 8/200

and for the merged group it holds that:

(6+57)/(600+ 1500)  > (8+8)/(600+200)

The abstract property hides, in a sense, the differences that occur in the underlying relative frequencies. The situation is like winning a tennis match: a player can win the match although her opponent wins most of the games. The outcomes of the games are hidden by counting the number of sets that each of the players wins. With set scores 6-5, 0-6 and 6-5 player A wins 2 sets to 1, but player B wins with 16 games to 12.

Indeed, “Simpson’s reversal is a purely numerical fact”.

What has Simpson’s paradox to do with causality?

Pearl’s claims that for those who give a physical causal interpretation of the statistical data, there is a paradox. “Causal paradoxes shine a spotlight onto patterns of intuitive causal reasoning that clash with the logic of probability and statistics” (p.190).

In The Book of Why he writes that it cost him “almost twenty years to convince the scientific community that the confusion over Simpson’s paradox is a result of incorrect application of causal principles to statistical proportions.”

It looks like it depends not only on the rhetorical way an argument is brought but also on the receiver if an argument or construct is perceived as a paradox.

The heading “ Most people involved in car accidents have a driver’s license’’ is conceived as funny by the reader in as far as it suggests for the reader a causal relation, i.e. that having a driver’s license causes car accidents.’’

How would a student of the Jeffrey’s and Jaynes’ school, i.e. some one who has an epistemological concept of probability perceive Simpson’s paradox?

When I saw Simpson’s paradox for the first time I was surprised. Why? Because of the suggestion the tables offer, namely that they tell something about general categories. Subconsciously we generalize from the finite set of data in the tables to general categories. If we compute (estimate) probabilities based on relative frequencies we in fact infer general conclusions from the finite data counts. The probabilities hide the numbers. In my view the paradox could very well be caused by this inductive step. We need not interpret probabilistic relations as causal to conceive the paradoxical character.

What are probabilities about?

At the time I was a student, probability theory and statistics was not my most popular topic. On the contrary! My interest in the topic were waken up when I read E.T. Jaynes’ Probability Theory. Jaynes is an out and out Bayesian with a logical interpretation of the concept op probability. According to this view probability theory is an extension of classical logic. Probabilities are measures of the plausibility of a statement expressing a state of mind. P(H|D) denotes the plausibility of our belief in H given that we know D. I use H for Hypotheses and D for Data. P(H|D) can stand for how plausible we find H after having observed D. Bayes’ rule tells us how we should update our beliefs after we have obtained new information. Bayes’ rule is a mathematical theorem within probability theory. It allows us to compute P(H|D) from P(D|H), the probability of D given some hypothesis, and P(H), the prior probability of H.

Jaynes warns his readers to distinguish between the concept of physical (or causal) dependency and the concept of probabilistic dependency. Jaynes theory concerns the latter, epistemological (in)dependencies, not causal dependencies.

Neither involves the other. “Two events may be in fact causally dependent (i.e. one influences the other); but for a scientist who has not yet discovered this, the probabilities representing his state of knowledge – which determines the only inferences he is able to make – might be independent. On the other hand, two events may be causally independent in the sense that neither exerts any causal influence on the other (for example, the apple crop and the peach crop); yet we perceive a logical connection between them, so that new information about one changes our state of knowledge about the other. Then for us their probabilities are not independent.’’ (Jaynes, Probability Theory, p. 92).

Jaynes’ Mind Projection Fallacy is the confusion between reality and a state of knowledge about reality. The causal interpretation of probabilistic relations is an instance of this fallacy. Logical inferences can be applied in many cases where there is no assumption of physical causes.

According to Pearl the inequalities of Simpson’s paradox are paradoxical for someone who gives them a causal interpretation. I guess Jaynes would say: the fact that these inequalities hold shows that we cannot given them a causal interpretation; they express different states of knowledge. You cannot be in a knowledge state in which they all hold true.

But how would Jaynes resolve the puzzle of the school exam? Which of the two Professors should win the award? Jaynes was certainly interested in paradoxes, but he didn’t write about Simpson’s paradox, as far as I am aware of. I think, he would not consider it a well-posed problem. Jaynes considered the following puzzle of Bertrand’s not well-posed:

Consider an equilateral triangle inscribed in a circle. Suppose a chord of the circle is chosen at random. What is the probability that the chord is longer than a side of the triangle?

Bertrand’s problem can only be solved when we know the physical process that selects the cord. The Monty Hall paradox discussed by Pearl, is also not well-posed, and hence unsolvable, if we don’t have information about the way the quiz master decides which door he will open. The outcome depends on the mechanism. Jaynes and Pearl very much agree on this. Jaynes relies on his Principle of Maximum Entropy to “solve” Bertrands’paradox. I don’t see how this could solve the puzzle of the school exam. Somehow Jaynes must put causal information in the priors.

How can Jaynes theory help the scientist in finding if two events are “in fact causally dependent’’ when probabilities are about the scientist’s “state of knowledge’’ and not about reality? After all scientist aim at knowledge about the real causes. We are not forbidden, Jaynes says, to introduce the notion of physical causation. We can test any well-defined hypothesis. “Indeed, one of the most common and important applications of probability theory is to decide whether there is evidence for a causal influence: is a new medicine more effective, or a new engineering design more reliable?’’ (Jaynes, p.62).

The only thing we can do is compare hypothesis given some data and compute which of the hypothesis best fits the data. Where do the hypothesis come from? We create them using our imagination and the knowledge we have already gained about the subject.

The validation of causal models

Causal diagrams are hypothetical constructs designed by the scientist based on his state of knowledge. Which of the two causal diagrams of school exam case fits the data best? We have learned that we cannot tell based on the data in the contingency tables: both hypothetical models fit the data. Gathering more data will not help us in deciding which of the two represents reality. We can only decide when we have extra-statistical information, i.e. information about the processes that made the data. Jaynes advocates the use of his principle of maximum entropy when we have to make a choice for the best prior. But the causal direction is not testable by data. So I do not see how this can solve the school’s problem.

But how does Pearl justify the causal knowledge presented in a causal model? How can we decide that this model is better than that one? The hypothetical causal models are in fact theories about how reality works. We cannot evaluate and compare them by hypothesis testing. Data cannot decide about causation issues. How do we validate such a theory then? It seems that we can at best falsify them.

Pearl doesn’t give an explicit answer to this critical question in The Book of Why. The answer is implicit in the historical episodes of scientific inquiries that he writes about; the quests and quarrels of researchers searching for causes. If there is something like the truth, it is in these historical dialectical processes. Not outside this process. Although it helps that now and then someone stubbornly believes that she has seen the light and fights against the establishment’s doctrine. Those are the ones that make science progress. The Book of Why contains a few examples of such stubborn characters. To quote Jaynes: “In an field, the Establishment is seldom in pursuit of the truth, because it is composed of those who sincerely believe that they are already in possession of it.” (Jaynes, p.613). Eventually, it is history that decides about the truth.

The Big Questions: Can machines think ?

In the final chapter of The Book of Why Pearl shares some thoughts about what the Causal Revolution might bring to the making of Artificial Intelligence. “Are we getting any closer to the day when computers or robots will understand causal conversations?’’ Although he has the opinion that machines are not able to think yet, he believes that it is possible to make them think and that we can have causal conversations with machines in the future.

Can we ever build a machine that passes the Turing test, a machine that we can have an intelligent conversation with as we have with other humans? To see what it means to build such a machine and what this has to do with the ability to understand causality, consider the following two sentences (from Terry Winograd, cited in Dennett (2004)).

“The committee denied the group a parade because they advocated violence.’’

“The committee denied the group a parade because they feared violence.’’

If a sentence like these occurs in a conversation with a machine it must figure out the intended referent of the (ambiguous) pronoun “they”, if it will be able to respond intelligently.

It will be clear that in order to do this, the machine must have causal world knowledge, not just about a few sentences, or about some “part or aspect of the world’’ (which part or aspect then?).  Such a machine might also be able to see the pun in “Most drivers that are involved in a car accident have a driver’s license.’’.

I worked for quite some time in the field of Natural Language Processing, building dialogue systems and artificial conversational agents. We haven’t succeeded up to now in making such machine, although results are sometimes impressive. Will we ever be able to build such a machine? It is an academic issue often leading to quarreling about the semantics, something that Turing tried to prevent with his imitation game.

What about responsibility?

What is not an academic issue, but a real practical one, is the responsibility that we have when using machines; computers and robots that we call intelligent and that we assign more and more autonomy and even moral intelligence.

I end my note about Simpson’s paradox that became a sort of review of Pearl’s The Book of Why, with emphatically citing another giant in the philosophy of science, Daniel C. Dennett.

“It is of more than academic importance that we learn to think clearly about the actual cognitive powers of computers, for they are now being introduced into a variety of sensitive social roles, where their powers will be put to the ultimate test: In a wide variety of areas, we are on the verge of making ourselves dependent upon their cognitive powers. The cost of overestimating them could be enormous.’’ (D.C. Dennett in: Can Machines Think?).

“The real danger is basically clueless machines being ceded authority far beyond their competence.” (D.C.Dennett in: The Singularity—an Urban Legend? 2015)

Great books are books that make you critically reflect and revisit your ideas. The Book of Why is a great book and I would definitely recommend my students to read it.

References

Daniel C. Dennett (2004) Can Machines Think? In: Teuscher C. (eds) Alan Turing: Life and Legacy of a Great Thinker. Springer, Berlin, Heidelberg (pp. 295-316)  https://link.springer.com/chapter/10.1007%2F978-3-662-05642-4_12  

Daniel C. Dennett(2015) The Singularity – an urban legend?  Published in What do you think about machines that think? Edge.com  https://www.edge.org/response-detail/26035

E.T. Jaynes (2003) Probability Theory: the logic of science. Cambridge University Press, UK, 2003.

Judea Pearl(2001) Causality: models, reasoning, and inference. Cambridge University Press, UK, reprint 2001.

Judea Pearl and Dana Mackenzie(2019) The Book of Why: the new science of cause and effect. First published by Basic Books 2018. Published by Penguin Random House, UK, 2019.

Stuart Russell and Peter Norvig(2009) Artificial Intelligence: A Modern Approach, 3rd edition. Published by Pearson, 2009.

E.H. Simpson(1951) The Interpretation of Interaction in Contingency Tables. Source: Journal of the Royal Statistical Society. Series B (Methodological), Vol. 13, No. 2 (1951), pp. 238-241. Published by: Blackwell Publishing for the Royal Statistical Society. Stable URL: http://www.jstor.org/stable/2984065

Van de maan af gezien zijn we allen even groot

In de serie Denken in tijden van Corona gaat het deze keer over de kwestie wat we met onze ouderen moeten.

Het Corona-virus waart door Europa. Nee, niet door Europa. Over de hele aardbol. Het begon onder de Chinezen, nog ver weg. Maar nu is het hier en bij de buren. Overal zit het. Zelfs in Amerika zit het al terwijl ze daar de boel zo goed dicht houden voor binnendringend gespuis. Het is er, maar je ziet het niet. Zoals meestal bij oorzaken.

Wat we wel zien zijn de gevolgen. De beelden van door het virus getroffenen op overvolle intensive-care afdelingen. De lijkkisten in rijen opgesteld wachtend om ter aarde besteld te worden. We mogen de deur niet meer uit van de regering die daarin geadviseerd wordt door de wetenschappers die dagelijks hun grafieken tonen en zich laten verleiden tot uitspraken waarvan ze weten dat ze die, hoe voorzichtig die ook zijn, niet waar kunnen maken.

Oma en opa, moeder en vader, tante en oom. De kinderen en kleinkinderen; we mogen ze niet meer opzoeken. Niet naar ons zomerhuisje in het buitenland. De media overspoelen ons bijna 24 uur per dag, 7 dagen per week met de aantallen positieve (dat is niet best) gevallen, IC-opnames en doden. En met meningen, heel veel meningen over hoe het anders had gemoeten, en over hoe het verder moet nu het gaat zoals het gaat.

Het is voorjaar. Normaal is dit de tijd voor de schoolexamens. Vorige week kwam het onvermijdelijke bericht dat de eindexamens dit jaar niet doorgaan. Wat een enorme teleurstelling voor al die examen-leerlingen. Ik kan me dat goed voorstellen. Het is alsof je te horen krijgt dat een belangrijke wedstrijd waar je al weken naar toe hebt geleefd is afgelast. Maar dan anders, veel erger.

Het bericht deed me denken aan mijn eindexamen. Voor Nederlands moesten we een opstel schrijven (misschien heette het wel essay). Je kon kiezen uit een aantal onderwerpen aangegeven door een stelling. Ik weet niet meer welke, maar mijn keus viel op: “Van de maan af gezien zijn we allen even groot.” (Ik heb het nog even opgezocht: het is een citaat van Eduard Douwes Dekker beter bekend als Multatuli.)

Ik kan me geen ene zin meer uit mijn opstel herinneren. Maar had ik er nu voor gestaan, in tijden van Corona, dan had het er misschien wel zo uit gezien.

Voor Asha.

Van de maan af gezien zijn we allen even groot

Dat klopt. Als je je maar ver genoeg van de mensen op aarde verwijdert, dan vallen de verschillen je niet meer op. Dan zijn alle mensen Chinezen. Dan zijn alle Turken en Marokkanen hetzelfde en precies Chinezen. Dan zijn alle Nederlanders even lang en even dik. Net als alle Chinezen.

Maar kom je dichterbij. Dan lijkt ieder mens anders te zijn dan de anderen. De een is 2 meter, de ander slechts 1 meter 50. De een heeft blauwe ogen, de ander groene. De een is dik, de ander dun. Die heeft een lange neus, de ander een houten been, een bril of een slecht gehoor. En als je heel goed kijkt dan zie je dat de een slechte vaten heeft, de ander slechtwerkende nieren of een gen-mutant dat de belofte inhoudt van een op handen zijnde bloedziekte, een prostaat- of borstkanker. De een is overmoedig en opgewekt van karakter en loopt de kans jong te sterven bij een tragisch ongeval, de ander is depressief en loopt rond met een gevoel van was ik maar niet hier.

Maar vanaf de maan gezien zijn we allemaal gelijk. Soms is het goed om die afstand te nemen. Door afstand te nemen kun je relativeren. Je ziet dan misschien beter de grote lijn, niet verblind door onbenullige details.

Ik moest daar aan denken in verband met de discussie over de triage naar aanleiding van de crisis in de ziekenhuizen ten gevolge van de Corona.

Corona legt veel problemen onder een vergrootglas. Een nijpend probleem is het tekort aan IC-bedden en IC-personeel. Niet alleen corona-zieken worden door dit tekort getroffen, ook anderen die behoefte hebben aan medische zorg. Er is een tekort aan medische zorg; aan mondkapjes, aan test-materiaal. Het eigenlijke probleem is dat al die voorzieningen net als de levens van de mensen eindig zijn en dat we moeten kiezen.

Asha ten Broeke maakt in haar column in de Volkskrant melding van de sluipende opkomst van een ander levensbedreigend virus. Ze schijft.

De NOS meldde dat ‘mensen die compleet hulpbehoevend zijn voor hun dagelijkse verzorging’ volgens richtlijnen bij ic-beddenschaarste niet meer worden opgenomen. Dat was onjuist, maar alarmbellen waren blijkbaar niet afgegaan ter ­redactie, zo normaal is zo’n notie inmiddels. Enkele Amerikaanse staten stelden in protocollen dat gehandicapte mensen geen goede kandidaten zijn voor beademing. Bert Wagendorp liet weten dat hij liever niet heeft dat schransende zwaarlijvigen ic-bedden bezet houden wanneer een geliefde van hem er een nodig heeft.

Asha werd boos.

Laat artsen aan het bed beslissen over leven en dood, en laten wij hen en elkaar respecteren door niet te speculeren over wie de moeite van het redden waard is. Laten we mensen blijven; mensen die we herkennen. Anders verliezen we tijdens deze crisis meer dan levens; dan verliezen we ons hart.

Ze kreeg veel bijval. Maar er waren ook die de noodzaak inzien van een protocol. Eerder was er Bij Nader Inzien al een discussie tussen ethici en moralisten, en wie is dat niet, over de kwestie of het nu, nu midden in de crisis, wel de tijd is voor zo’n discussie. Wat is de geschikte afstand tot de zaak om hier een goede beslissing over te nemen? Moeten we het aan de arts aan het bed over laten, zoals Asha betoogt? Of moeten we het aan een commissie van medici en medisch ethici, theologen en juristen over laten? Die ergens in een vergaderzaaltje op de maan een protocol produceren dat de arts daar beneden aan het bed voorschrijft of ze de stekker er uit moet trekken of door moet gaan met behandelen. Met een berekende kans op nog een jaartje voortleven; tot de dood er eventueel op volgt?

Ik ben erg benieuwd naar het algoritme. Welke factoren worden meegenomen in de afwegingen? Leeftijd? BMI? Chronische ziektes: diabetes, obesitas, hoge bloeddruk, lage rugpijn? Verwachte levensduur? Waarschijnlijk wel. Kwaliteit van leven? Maar welke factoren bepalen de kwaliteit van een mensenleven? Van mijn leven? Van het leven van Asha, van Marion, van Miriam, van Harm, van Jelle, van Roos, van Liesbeth. En wie bepaalt dat? En met welke vragenlijst? Ik zie dat helemaal niet zitten, zo’n protocol.

En dan is er nog de vraag of zo’n protocol dwingend wordt opgelegd. Of gaat het zo van: er is een protocol maar ga er verstandig mee om, dames en heren doctoren. In dat geval zou het nog acceptabel zijn. Maar is de arts aan het bed geholpen met een protocol waaraan hij niet gehouden is? Misschien wel.

Asha wil dat artsen aan het bed beslissen over leven en dood. Dat lijkt me een verkeerde voorstelling van zaken (ik zou 50 jaar geleden in mijn opstel hier het woord framing hebben gebruikt). Artsen beslissen niet over leven en dood. Dat doen moordenaars en rechters die een doodstraf opleggen. Artsen overleggen met alle betrokkenen, met hun geweten en zo mogelijk in de eerste plaats met de patient (wij dus, Asha) wat het beste is voor de patient. Niet voor de economie maar voor deze mens waar het hier en nu om gaat. Dat de artsen daarbij in overweging zullen moeten nemen welke middelen hun ter beschikking staan, dat zal duidelijk zijn. Geen mens mag het leven van een ander wegnemen. Geen mens kan de tragiek van de eindigheid van het leven en van de beperktheid van de middelen waarvan dat leven afhankelijk is wegnemen. Die tragiek hoort bij ons leven.

Ik hoop dat het helpt. Het ga je goed.