Waar mensen in ontwikkelingslanden hun tijd aan besteden vertelt ons iets over de verdeling van werk en ongelijkheid daarin tussen mannen en vrouwen. Maar hoe onderzoek je die tijdsbesteding zonder mensen elke dag vragenlijsten te laten invullen? Data scientists van Centerdata ontwikkelden een manier om met machine learning dagelijkse bezigheden te herkennen uit data van beweegmeters. In opdracht van de Wereldbank testen we daarvoor nu een nieuw, verbeterd model met data verzameld op het platteland van Malawi.

Innovatief onderzoek met beweegmeters

Onderzoek naar tijdsbesteding is niet nieuw. Meestal worden hiervoor vragenlijsten gebruikt. Respondenten moeten dan bijvoorbeeld aan het eind van de dag opschrijven wat ze die dag gedaan hebben. Aan die onderzoeksmethode kleven echter nadelen: het kost veel tijd en levert niet altijd de beste data op. Dat geldt zeker bij respondenten die moeite hebben met lezen en schrijven of waarvoor het dagritme niet zo duidelijk bepaald wordt door de tijd op de klok.

Ook onderzoek met beweegmeters is niet nieuw. Onderzoekers geïnteresseerd in gezondheid proberen regelmatig met draagbare sensoren of smartwatches te achterhalen of mensen voldoende beweging krijgen.

Wat wél nieuw is, is de combinatie: tijdsbestedingsonderzoek met beweegmeters. Die combinatie lijkt een veelbelovende manier te bieden om meer inzicht te krijgen in tijdsbesteding in delen van de wereld waar weinig mensen een opleiding gevolgd hebben en de inkomens laag zijn.

Verschillen in tijdsbesteding tussen mannen en vrouwen

In die gebieden zijn de verschillen in activiteiten tussen mannen en vrouwen vaak groot. Mannen houden zich vaak meer bezig met werk dat geld oplevert, zoals het verkopen van eten op de markt. Vrouwen zijn juist vaker thuis, waar ze onbetaald werk doen.

De mogelijkheid om dat in kaart te brengen met beweegmeters kan een belangrijke bijdrage leveren aan onderzoek. Het kan ons bijvoorbeeld iets vertellen over armoede onder vrouwen en de invloed daarvan op hun kinderen.

Kunnen beweegmeters vragenlijsten vervangen?

Inzichten uit dergelijk onderzoek zijn van belang voor beleidsmakers. De Wereldbank vroeg ons daarom al eerder om te kijken naar de mogelijkheden om op een eenvoudige, objectieve en goedkope manier inzichten te verkrijgen met beweegmeters.

In 2014 startten we al een intern project waarin we gegevens uit beweegmeters koppelden aan gegevens over de gezondheid van leden van het LISS panel. Op verzoek van de Wereldbank pasten we de ontwikkelde technieken toe op data uit een groot onderzoek in Malawi in 2019.

In dat onderzoek vulden zo’n 400 mensen uit agrarische gemeenschappen in Malawi vragenlijsten in. Daarnaast werden hun activiteiten gemeten met beweegmeters. En hoewel de data uit beweegmeters niet zomaar af te lezen zijn, lukte het om een machine learning model te ontwikkelen dat op basis van de data voorspelde met welke activiteit iemand bezig was. In dat onderzoek kwamen al duidelijke verschillen tussen mannen en vrouwen naar voren. Onderzoek met beweegmeters bleek dus een kansrijke manier om meer te weten te komen over tijdsbesteding.

Verdere ontwikkeling van het voorspellingsmodel

In het nieuwe project zetten we in op nóg betere inschattingen van wat mensen doen. De Wereldbank verzamelde daarvoor opnieuw data in Malawi. Nu werden bij ruim 1440 mensen onder andere hoogfrequente sensordata verzameld. Dat wil zeggen dat in plaats van één meting per minuut er dit keer 60 metingen per seconde werden gedaan.

Daarmee verbeteren onze data scientists het voorspellingsmodel. Zo hopen we uiteindelijk nog meer en preciezer inzicht te krijgen in de leefomstandigheden van mensen in ontwikkelingslanden én de techniek van tijdsbestedingsonderzoek met beweegmeters verder te ontwikkelen.