Naar de content
Faces of Science
Faces of Science

Kan een algoritme een scout vervangen?

Pixabay CC0

Topclubs gebruiken veelvuldig data om spelers te scouten. Toch nemen traditionele scouts nog een belangrijke plaats in bij het scoutingsproces. Wat zegt dit over de bredere discussie rondom algoritmes en expertise in selectiebeslissingen?

13 september 2021

Wat is de kans dat jouw droombaan in de toekomst vervangen wordt door een robot, algoritme, of kunstmatige intelligentie? De website will robots take my job schat deze kans in voor een divers aantal banen. Zo suggereert de website dat er een grote kans is dat het werk van vrachtwagenchauffeurs (87 procent) en mondhygiënisten (78 procent) in de toekomst geautomatiseerd raakt. Advocaat (5 procent) en computerspelletjesontwerper (4 procent) zijn voorbeelden van beroepen die juist relatief ‘veilig’ zijn. Een ander beroep dat erg veilig lijkt is dat van een sportscout, met een geschatte kans van slechts 3 procent om vervangen te worden door een robot of algoritme. Maar is die kans echt zo klein?

Kan een algoritme een scout vervangen?

Pixabay CC0

Data en algoritmen zijn inmiddels niet meer weg te denken uit de topsport. Ze worden op verschillende gebieden ingezet, bijvoorbeeld in het scoutingsproces van voetbalclubs. Net zoals Spotify algoritmes gebruikt om nummers aan te bevelen op basis van jouw muzikale geschiedenis, zijn er al algoritmes die voetbalspelers matchen met de wensen en speelstijlen van een club. Ze verwerken enorme bergen data en maken zo op efficiënte wijze een selectie van mogelijk interessante spelers in competities over de hele wereld.

Het blijkt echter dat clubs vaak niet blind vertrouwen op zulke algoritmes. Integendeel, het ‘oog van de meester’ van de traditionele scout neemt nog steeds een belangrijke plaats in bij het scoutingsproces. In 2019 vroeg NEMO Kennislinkredacteur Robert Visscher aan AZ hoe zij data inzetten om spelers te scouten. Technisch directeur Mark Huiberts gaf aan dat de data het startpunt is, maar dat (video)scouts uiteindelijk bepalen of een speler ‘geschikt’ is.

Volgens Huiberts kijken scouts naar zaken die ‘niet uit de data naar voren komen,’ bijvoorbeeld of die ene speler een goede ‘klik’ zal hebben met de huidige centrale verdediger van de club. Ook topscout Nikos Overheul beaamt dat scouts belangrijk zijn om bijvoorbeeld in te schatten of een speler een harde werker is. Kortom, de scout is blijkbaar nog niet vervangen door het algoritme.

Vertrouwen in de menselijke expertise

Het vertrouwen van clubs in scouts om zaken te beoordelen die mogelijk niet uit de data naar voren komen is gerelateerd aan een bredere discussie over algoritmes en menselijke expertise in selectieprocessen. Hierin is de vraag eigenlijk niet óf algoritmes de mens in het selectieproces kunnen vervangen, maar of wij dat willen.

Het antwoord daarop lijkt ‘nee.’ Psychologisch onderzoek heeft aangetoond dat mensen niet blind willen vertrouwen op de suggestie van een algoritme, omdat zij dan het gevoel hebben autonomie te verliezen. Net zoals in het voorbeeld van voetbalclubs- en scouts, zijn we als mensen geneigd om nog een menselijk oordeel te vellen over de suggestie van het algoritme. In de personeelsselectie zie je dit bijvoorbeeld terug in het open sollicitatiegesprek. Na het gebruik van algoritmes en tests in een eerste screening, geeft een sollicitatiegesprek – waarin de werkgever een ‘feel’ krijgt voor de werknemer – meestal de doorslag om een kandidaat wel of niet te selecteren.

Dit lijkt logisch. Algoritmes zijn niet perfect. Er zijn nare verhalen over hoe het gebruik van algoritmes bijdragen aan discriminatie. Ook is het inderdaad zo dat – in het voorbeeld van het beoordelen van een voetbalspeler – de data nooit alles vangen. Echter, de assumptie dat mensen beter kunnen selecteren omdat zij wél deze zaken mee nemen is ook vaak niet gegrond.

Onderzoek heeft aangetoond dat mensen (jij en ik) namelijk enorm gevoelig zijn voor allerlei soorten denkfouten – zogenaamde biases. Zo zijn we vaak geneigd om ook allemaal informatie mee te nemen die er niet toe doet. In sommige gevallen leidt dit tot een beoordeling die juist slechter wordt dan de suggestie van het algoritme. Deze zijde van de discussie is vaak onderbelicht in de kritiek op algoritmes.

Denkfouten

Er zijn talloze voorbeelden uit de sport waarin denkfouten leidden tot verkeerde beslissingen. In een eerder blog besprak ik al het gerucht dat Manchester United Matthijs de Ligt niet wilde kopen, omdat zijn vader te dik zou zijn. Ook vertelde ik over basketbalsuperster Kawhi Leonard, die niet geselecteerd werd door de Phoenix Suns omdat hij van de zenuwen door zijn pak heen zweette tijdens een verkennend gesprek.

Recent kwam er weer een mooi voorbeeld bij. Manchester United-coach Ole Gunnar Solskjær vertelt over een scoutingtripje waarin hij een speler moest beoordelen. Toen de speler het veld betrad met een hanenkam was hij er snel klaar mee: “Let’s go home” zei hij tegen z’n assistent. Blijkbaar kon hij de speler niet serieus nemen. Hierbij leek hij echter te vergeten dat er tal van getalenteerde voetbalspelers zijn geweest die ooit een hanenkam rockten, waaronder David Beckham, Neymar, en Arturo Vidal.

Bovenstaande voorbeelden zijn natuurlijk wat extreem en moeten met een korreltje zout genomen worden. Toch zijn ze kenmerkend voor menselijke denkprocessen tijdens selectiebeslissingen. Het boek en de film Moneyball worden vaak geassocieerd met de opkomst van data in sport, maar een groot gedeelte gaat over vergelijkbare denkfouten van de traditionele scouts.

Kortom, algoritmes zijn niet feilloos en de data vangt nooit alles. Tegelijkertijd moeten we voorzichtig zijn met veronderstellen dat het menselijk oordeel altijd een goede aanvulling is daar waar de data te kort schiet: beslissingen kunnen ook slechter worden door je intuïtie. Wees je dus bewust van je denkfouten, ook al is het menselijk om die te maken!

ReactiesReageer