Een gedeelde straat

Onze projectpartner was een groep bewoners van de Roetersstraat, de straat waar de universiteit ligt. 

Het is een drukke straat: elke dag komen er zo’n 30.000 mensen langs. Iedereen gebruikt het op een andere manier. Voor ons is het een plek om te studeren, naar de film te gaan bij Kriterion of te lunchen. Voor de bewoners is het de plek waar ze wonen en hun kinderen naar school brengen. 

Hun eerste vraag was: “Onze straat is te druk. Wat kunnen we doen?” Maar het ging niet alleen over verkeer. Er was ook veel ontevredenheid over hoe de straat aanvoelt. Daarom zijn we begonnen met gesprekken en observaties om beter te begrijpen wat er echt speelt. 

Van data naar design 

Een groepsgenoot sprak bijvoorbeeld met een bewoner die slechtziend is. Voor hem is het erg lastig om over straat te lopen. Er zijn geen voelbare lijnen op de stoep, en de straat is onduidelijk en ongelijk. Kleine veranderingen in de infrastructuur maken dan een groot verschil. 

We keken ook naar plekken zoals Kriterion. Dat is belangrijk voor de buurt, maar geeft soms ook overlast, bijvoorbeeld door geluid. 

’s Ochtends komen er veel fietsers tegelijk, auto’s rijden hard, en voetgangers voelen zich vaak onveilig. 

We wilden deze problemen beter begrijpen. Daarom hebben we een tool gebouwd waarmee je ideeën kunt testen: wat als we dit of dat veranderen, wat gebeurt er dan? 

Ons project begon met data verzamelen. We bekeken de roosters van de universiteit, observeerden wie wanneer op straat is, en ontdekten bijvoorbeeld dat studenten vaak precies om 8:56 aankomen. 

We gebruikten ook andere data: van de basisschool, van de gemeente. Zo kregen we een goed beeld van hoeveel mensen er op elk moment van de dag zijn. Die gegevens gebruikten we voor onze simulatie. 

Een soort Sims, maar dan echt 

We kozen voor een agent-based model. Dat betekent dat je geen grote groepen simuleert, maar juist elke persoon apart. Elke persoon (een ‘agent’) heeft een eigen dagritme. Het lijkt een beetje op The Sims. 

We maakten een model van het gebied tussen Waterlooplein en Oosterpark. Elke stip in de simulatie was iemand: rood voor auto’s, blauw voor voetgangers, groen voor fietsers. We gebruikten A/B Street (open software), maar bouwden ons eigen model erin. 

Je kunt met het model allerlei scenario’s proberen. Wat gebeurt er als de straat autovrij is? Of als er éénrichtingsverkeer is? Dan zie je bijvoorbeeld dat fietsers sneller zijn, maar auto’s vertraging hebben. 

We testten ook een ‘schoolstraat’: een straat waar geen auto’s mogen komen tijdens schooltijd. Dat bleek veiliger én sneller voor kinderen. 

Het was niet alleen leerzaam, maar ook leuk. Je ziet de straat tot leven komen in de simulatie, om 9 uur ’s ochtends bijvoorbeeld. Je ziet meteen wat er verandert. 

Samen werken aan oplossingen 

Het doel was niet om dé perfecte oplossing te vinden. Het doel was om een hulpmiddel voor community science te maken. Met deze tool kunnen zij zelf plannen maken en testen wat werkt. 

We gaven het model aan de bewonersgroep, samen met een handleiding. Zo kunnen zij er zelf mee verder. Ze waren heel blij met het resultaat. 

Ze hoeven nu niet te wachten op lange rapporten of beleid. Ze kunnen zelf een idee testen: wil je een fietspad? Minder auto’s? De straat aanpassen? Met deze tool zie je meteen het effect. 

Het lijkt een beetje op een spel, zoals een stad bouwen op de computer, maar dan met echte data. Dat maakt het krachtig: het is duidelijk, speels en geeft mensen controle. 

Vrijheid om iets nieuws te proberen 

Wat ik fijn vond aan deze cursus, is dat we iets nieuws mochten proberen. Agent-based modelling zat niet echt in het programma. We kregen er maar één college over. De opdracht was eigenlijk een machine learning-project, maar wij vroegen of we dit mochten doen. Onze docent zei: ‘doe maar!’ 

We spraken hem twee keer per week en kregen vaak feedback. Dat hielp enorm, want we deden iets anders dan de meeste groepen. De andere groepen werkten met standaardmodellen. Wij begonnen echt vanaf nul. 

Leren in de praktijk 

Ik kon al een beetje programmeren, maar dit project leerde me veel meer. We werkten met grote datasets en bouwden zelf een database. De helft van onze groep had nog nooit gecodeerd, behalve wat we in de les hadden gedaan. Dus we leerden al doende. Ik heb zelfs de broncode van A/B Street aangepast omdat het anders niet goed werkte voor ons model. 

Maar ik leerde niet alleen technische dingen. Ook communicatie was belangrijk. We werkten niet alleen voor onze docent, maar ook voor de bewoners. We moesten uitleggen wat we deden, samenwerken, en goed luisteren. 

Technologie en maatschappij samenbrengen 

Ik wil zeker verder met agent-based modelling. Het is een veelbelovende techniek, vooral als je het combineert met nieuwe AI-technologie, zoals taalmodellen. 

Een van onze docenten gebruikte onlangs zo’n taalmodel om tweets te analyseren. Hij kon daarmee het stemgedrag in de VS voorspellen, beter dan traditionele peilingen. 

Dat soort werk inspireert me. De combinatie van AI en sociale wetenschappen heeft enorme mogelijkheden.