Het is inmiddels een belegen grap: sommige mensen schijnen hun Fitbit bij hun hond om te doen om de praktijkondersteuner om de tuin te leiden. Coolblue laat in zijn commercial een hamster rennen met een tracker. Bavaria haakte vorig jaar met een reclamespot ook al in op fitness-bedrog : een stel kroegvrienden geeft één hardloper alle smartphones mee. Thuis kunnen ze dan laten zien dat ze tien kilometer met Runkeeper hebben gelopen.
Het doet me dan ook deugd dat de wetenschap het fenomeen van frauduleuze fitnessfans serieus aanpakt. Making Activity Recognition Robust against Deceptive Behavior heet het artikel dat drie Amerikaanse onderzoekers onlangs publiceerden op het Open Access platform Plos.
"An increasing motivation to cheat"
De achtergrond voor hun artikel, zo zeggen de auteurs in hun inleiding, is dat fitness trackers een steeds belangrijker rol in de zorg gaan spelen. Sommige verzekeraars geven bijvoorbeeld korting als je een minimum bewegingsdoel haalt met de gratis tracker die ze weggeven bij hun polis. "Therefore, there is an increasing motivation for individuals to cheat, by making activity trackers detect activities that increase their benefits rather than the ones they actually do", stellen de onderzoekers handenwrijvend vast. Want wat is er mooier om te kijken of je slimmer kunt zijn dan die linkmiegels die korting willen zonder van hun luie kont af te komen?
Stoelwandelen
Het onderzoek vond plaats met een smartphone app die door de wetenschappers zelf is ontwikkeld. Daarmee proberen ze op basis van allerlei slimme algoritmen vast te stellen of iemand zit of wandelt. Dat lijkt nog geen rocket science, apps als Moves of Human en tientallen anderen doen dat eigenlijk al vrij goed. Ook trackers in de vorm van een armband of smartwatch worden steeds beter in het automatisch herkennen van zitten, lopen, wandelen of fietsen. Mijn eerste Fitbit Flex telde een avond gitaarspelen nog als een halve marathon, maar daar kom je nu niet meer mee weg.
Het onderzoek richtte zich echter niet op het herkennen van een activiteit, maar op het herkennen van iemand die een activiteit probeert na te doen (terwijl hij of zij iets heel anders aan het doen is). Concreet: je zit lekker Netflix te kijken, maar je zwaait je éne arm (die zonder een biertje) ritmisch naast je op en neer. In het begin konden de veertien proefpersonen de app heel vaak om de tuin leiden. Maar met de nieuwe data die dat bedrog opleverde maakten de onderzoekers hun algoritme weer slimmer. Op den duur slaagden ze er in om - naar eigen zeggen - het grootste deel van alle gesimuleerde activiteiten te herkennen. Alleen enkele motorisch zeer getalenteerde proefpersonen konden kennelijk toch net doen of ze wandelden terwijl ze lekker op de bank lagen.
Lopen terwijl je op bed ligt?
Hoe verder?
De onderzoekers concluderen dat de twee activiteiten (zitten en lopen) nogal beperkt zijn. Je zult op den duur ook willen weten of iemand wel echt die trappen heeft beklommen. En eigenlijk wil je niet alleen apps, maar ook fysieke fitness trackers als armbandjes betrekken in je onderzoek. Het wordt er allemaal niet gemakkelijker op, maar de onderzoekers hebben goede hoop. Wanneer je bijvoorbeeld ook stemherkenning meeneemt in de detectie, kun je herkennen of de proefpersoon uit de Bavaria-reclame zijn telefoon niet aan een ander heeft meegegeven, opperen de wetenschappers. Om daar meteen weer aan toe te voegen: "However, the other person may be able to hack the software by imitating the owner’s voice."
Mooi vak, wetenschapper.
wellicht ook interessant
Wetenschapper zijn is zeker een mooi vak, vooral als je bedenkt dat dit soort algoritmes mensen prikkelt tot nieuwe, innovatieve manieren om technologie te misleiden. First, we shape our tools and thereafter they shape us!
Misleidend gedrag is natuurlijk van alle tijden en raakt alle domeinen die de mens door de jaren heen ontwikkelt heeft. Het sociale domein, het financiële domein, het onderwijsdomein enz. Technologie biedt evenveel mogelijkheden om te misleiden als om misleiding te detecteren. Bij voorbaat kunnen we dus al stellen dat voor elke maatregel een tegenmaatregel bedacht zal worden en dat deze vicieuze cirkel ons jaren zal intrigeren.
Ik vraag me dan ook oprecht af of je als verzekeraar een incentive of disincentive moet willen instellen op basis van data over voortkomend uit het gebruik (of misbruik) van een technologisch middel.
Bij de ontwikkeling van onze stoppen-met-roken app komt de koppeling naar verzekeraars vanuit de (ex)roker ook weleens naar voren: "wat nu als ik met de app aan mijn verzekeraar kan laten zien dat ik echt gestopt ben met roken, dan wil ik mijn zorgpremie wel omlaag zien gaan!"
Hartstikke goed natuurlijk, elke motivatie om gestopt te blijven is er een. Aan de andere kant: als je het stoppen met roken ophangt aan een paar euro per maand voordeel bij je verzekeraar in plaats van bijvoorbeeld het voorkomen van COPD (incl. zuurstoffles) dan gaat er in je redenering ergens iets mis.
In mindere mate geldt dit ook voor bewegen. Je beweegt, omdat dit je een goed gevoel geeft, een positieve invloed heeft op je lichaamsgewicht of whatever the reason... maar je moet niet gaan bewegen, omdat je dit enkele euro's in de maand scheelt bij je zorgverzekeraar. Wrong motivation!
We kunnen slimme algoritmes bedenken voor misleidend gedrag, maar waarom? Wie wordt er nu eigenlijk misleid, de zorgverzekeraar of de misleider zelf? Want als je denkt dat je door al die (onterecht) bespaarde euro's te spenderen aan bier, fast-food, sigaretten of andere genotsmiddelen de zorgverzekeraar te slim af bent, think again!
Unfit-Bits natuurlijk: http://www.unfitbits.com/ 😉