donderdag, januari 15, 2026 | Headlines
Op 19 januari worden in Haarlem de KHMW Brouwer Vertrouwensprijzen uitgereikt. De KHMW Brouwer Vertrouwensprijzen zijn bestemd voor maatschappelijke initiatieven die het onderling vertrouwen in de samenleving versterken. Dit jaar gaat de eerste prijs (€ 100.000) naar Algorithm Audit en de tweede prijs (€ 50.000) naar Deel de Duif.
1e prijs: Algorithm Audit
Technologie neemt steeds vaker besluiten die direct ingrijpen in het leven van burgers. Algorithm Audit, winnaar van de eerste prijs van de KHMW Brouwer Vertrouwensprijzen 2026, wil voorkomen dat technologische systemen mensen buitensluiten of het contact met de overheid ontmenselijken. De stichting brengt onafhankelijke adviescommissies bij elkaar waarin wetenschappelijke experts en burgervertegenwoordigers samen concrete AI-toepassingen, hoofdzakelijk bij de overheid, beoordelen. De inzichten uit deze beoordelingen zijn vaak ook toepasbaar voor andere organisaties.
In de afgelopen jaren onderzocht de stichting onder meer risicoprofileringsalgoritmen bij gemeenten, DUO en een platform voor leenauto’s. Dat leidde tot concrete adviezen aan overheden, publieke verantwoording en aantoonbare verbeteringen in beleid en uitvoering. De instrumenten die Algorithm Audit ontwikkelt om systematische vertekening op te sporen, worden door de organisatie open source beschikbaar gesteld. Als groeiend nationaal en Europees kennisplatform deelt de organisatie haar expertise via onderzoek, whitepapers, workshops en lezingen, met als doel het vertrouwen van burgers in digitale besluitvorming en overheidshandelen te versterken.
Jurriaan Parie, mede-initiatiefnemer en directeur van Algorithm Audit, is niet tegen technologische vooruitgang. ‘Maar’, zegt hij in een interview op de website van de KHMW, ‘het is belangrijk om expliciet aandacht te houden voor menselijkheid: efficiëntie en innovatie zijn niet de enige criteria. Mens en machine moeten goed leren samenwerken, met medemenselijkheid als kern.’
👉 Lees hier een interview met Jurriaan Parie, directeur van Algorithm Audit.
2e prijs: Deel de Duif
Deel de Duif is een dialooginitiatief van joodse en islamitische jongeren die zich gezamenlijk verzetten tegen maatschappelijke verharding. Door consequent te zoeken naar overeenkomsten in plaats van verschillen laat de stichting zien dat vertrouwen en verbinding mogelijk blijven, ook wanneer spanningen hoog oplopen. Sinds de oprichting weet Deel de Duif met een heldere, persoonlijke boodschap een breed publiek te bereiken.
Vanuit Amsterdam is Deel de Duif actief door het hele land en daarbuiten. De organisatie werkt met scholen, overheden, bedrijven en maatschappelijke instellingen en is daarnaast zichtbaar in het publieke debat en in de media. In 2024 verzorgde Deel de Duif tientallen gastlessen op middelbare scholen, workshops voor docententeams en trainingen binnen de publieke sector. In dialoogsessies en nagesprekken over gevoelige thema’s – zoals de impact van het conflict in het Midden-Oosten op jongeren en professionals in Nederland – biedt de stichting concrete handvatten om moeilijke gesprekken veilig en constructief te voeren. Zo draagt Deel de Duif bij aan meer onderling begrip, saamhorigheid en vertrouwen in een gepolariseerde samenleving.
‘Verschillen van opvatting bestonden vroeger ook al. Maar je ziet dat mensen emotioneel steeds verder uit elkaar zijn geraakt’, zegt David Roos, een van de vier jongeren die samen het gezicht van Deel de Duif vormen, in een interview op de KHMW-website. ‘Het vertrouwen in de ander is afgenomen. Dialoog kan die kloof verkleinen, door te laten zien dat de ander vanuit goede intenties denkt, ook als je het oneens bent.’ Zijn collega Oumaima al Abdellaoui vult aan: ‘We beginnen altijd met onszelf kwetsbaar op te stellen. Een jood en een moslim komen samen binnen, vaak doet dat al veel in een ruimte. We vertellen onze persoonlijke verhalen en laten zien dat we, ondanks grote verschillen, samen naast elkaar staan.’
👉 Lees hier een interview met David en Oumaima van Deel de Duif.
KHMW Brouwer Vertrouwensprijzen
De KHMW Brouwer Vertrouwensprijzen bekronen maatschappelijke initiatieven die het onderling vertrouwen in de Nederlandse samenleving versterken. Hiermee stimuleert de KHMW de verdere ontwikkeling van bestaande projecten die bewezen succesvol bijdragen aan het versterken van het maatschappelijk vertrouwen.
De KHMW Brouwer Vertrouwensprijs wordt uitgereikt sinds 2017. Sinds 2025 worden er twee prijzen uitgereikt: een eerste prijs van € 100.000 en een tweede prijs van € 50.000. In 2026 waren er 54 inzendingen. De jury bestond uit ir. Marcel Belt, Dick Boer, prof. dr. Hans Boutellier, prof. dr. Marileen Dogterom, prof. dr. Karen van Oudenhoven-van der Zee en drs. Marlies Veldhuijzen van Zanten-Hyllner. Juryvoorzitter was mr. Rutger Schimmelpenninck.
KHMW
De KHMW, opgericht in 1752, is het oudste wetenschappelijke genootschap van Nederland. De KHMW heeft als doel de wetenschap te bevorderen en een brug te slaan tussen wetenschap en samenleving. Dat doet de organisatie onder meer door het uitreiken van prijzen en het organiseren van lezingen en symposia. De KHMW is gezeteld in het Hodshonhuis in Haarlem.
De uitreiking van de KHMW Brouwer Vertrouwensprijzen 2026 vindt op maandag 19 januari plaats in het Hodshonhuis. De prijsuitreiking maakt deel uit van de Jan Brouwer Conferentie. Deze conferentie heeft als thema ‘Samen werken aan vertrouwen’. Sprekers zijn prof. dr. Hans Boutellier, bijzonder hoogleraar Polarisatie & Veerkracht, Vrije Universiteit Amsterdam, en lid van de jury voor de Vertrouwensprijs, prof. dr. Jet Bussemaker, voorzitter van de Raad voor Volksgezondheid & Samenleving en hoogleraar Wetenschap, beleid en maatschappelijke impact, Universiteit Leiden, en prof. dr. Tine De Moor, initiatiefnemer CollectieveKracht (laureaat Vertrouwensprijs 2025) en hoogleraar Social Enterprise and Institutions for Collective Action, Rotterdam School of Management.
donderdag, januari 8, 2026 | Headlines, Interviews
De Kees Schouhamer Immink Proefschriftprijs 2026 is toegekend aan Thom Badings. Hij promoveerde in maart 2025 aan de Radboud Universiteit op het proefschrift Robust Verification of Stochastic Systems: Guarantees in the Presence of Uncertainty. De jury prees niet alleen de wetenschappelijke diepgang van zijn onderzoek, maar ook zijn indrukwekkende publicatielijst en de heldere, toegankelijke opzet van zijn proefschrift.
Je promotieonderzoek maakte deel uit van het PrimaVera-project. Wat houdt dat project in, welke partijen zijn erbij betrokken en wat was jouw rol?
“PRIMAVERA was een groot onderzoeksconsortium rond predictive maintenance, oftewel voorspellend onderhoud: het voorspellen van systeemfalen – bijvoorbeeld bij treinen of productiemachines – met behulp van wiskundige modellen. Het project liep van 2019 tot 2025 en bracht universiteiten, hogescholen en bedrijven samen. Naast de Radboud Universiteit waren onder meer de Universiteit Twente, de TU Eindhoven, Saxion Hogeschool en De Haagse Hogeschool betrokken, evenals partners als NS, ASML en de Koninklijke Marine. Mijn bijdrage lag vooral bij het modelleren van zulke systemen en bij het ontwikkelen van algoritmen die op basis van die modellen onderbouwde beslissingen mogelijk maken.”
Je onderzoek raakt aan AI-systemen zonder harde veiligheidsgaranties. Waar kan dat in de praktijk misgaan?
“Dat zie je vooral bij autonome systemen: zelfrijdende auto’s, drones of robots in magazijnen. Dat zijn systemen die op basis van algoritmes zelfstandig beslissingen nemen in de echte wereld, vaak in de nabijheid van mensen. Als daar iets misgaat, kan dat serieuze gevolgen hebben.”
Zijn daar al concrete voorbeelden van?
“Zeker, bijvoorbeeld bij zelfrijdende auto’s. Het is natuurlijk zo dat ook mensen fouten maken, dus je kunt niet elk incident direct aan software wijten. Maar er zijn wel degelijk situaties geweest waarin fouten in de AI of de software hebben geleid tot ongelukken of vreemde impasses.”
Je werkt met zogenoemde stochastische systemen: systemen met onvoorspelbaar gedrag. Wat maakt die zo lastig?
“Die systemen opereren in omgevingen die voortdurend veranderen. Ze moeten telkens opnieuw beslissingen nemen op basis van onvolledige of onzekere informatie. Dat maakt het moeilijk om vooraf harde garanties te geven over hun gedrag.”
In je proefschrift laat je zien hoe zulke complexe systemen toch controleerbaar kunnen worden. Waar zit de winst daarvan?
“Wij ontwikkelen robuuste verificatiemethoden. Die zijn bedoeld voor systemen die worden ingezet in omstandigheden die je vooraf niet precies kent. Neem een drone: bij het ontwerpen van het besturingsalgoritme weet je nog niet in welke weersomstandigheden hij precies zal vliegen. Je wilt dan kunnen garanderen dat het systeem binnen een hele bandbreedte aan omstandigheden veilig blijft functioneren. Met robuuste verificatiemethoden kijk je vervolgens naar het slechtste geval uit deze bandbreedte. Als ook in dat slechtste geval je systeem zich nog veilig genoeg gedraagt, dan kun je concluderen dat het systeem robuust tegen elk scenario uit de bandbreedte.”
Wanneer wordt dat echt relevant?
“Vooral wanneer systemen buiten sterk gecontroleerde omgevingen worden gebruikt. Een robot in een volledig afgeschermde fabriekshal kun je relatief goed modelleren. Maar zodra een systeem ‘in the wild’ opereert – op straat, in de lucht, tussen mensen – nemen de onzekerheden snel toe. Juist daar maken robuuste methoden het verschil.”
Waarom werk jij zonder aannames over kansverdelingen, zoals de bekende normale verdeling?
“Veel klassieke methoden nemen aan dat onzekerheden netjes volgens een bepaalde kansverdeling verlopen, bijvoorbeeld een normale verdeling. In de praktijk klopt dat vaak niet. Bij turbulentie rond een drone bijvoorbeeld is het gedrag veel complexer. Bovendien is er vaak tijdsafhankelijkheid: wat nu gebeurt, zegt iets over wat er over een paar seconden gebeurt. Dat past niet bij simpele aannames. In plaats van expliciet met zo’n verdeling te werken, gebruiken wij data die daaruit voortkomen. Dat maakt het model flexibeler en realistischer.”
Je onderzoekt ook welke parameters in een model er echt toe doen. Wat levert dat op?
“Dat helpt om efficiënter te leren uit data. In complexe systemen zijn veel parameters van invloed, zoals wind, gewicht of batterijstatus. Klassieke methoden behandelen al die situaties vaak los van elkaar. Wij proberen juist de onderliggende structuur van het model te benutten, zodat informatie uit de ene situatie ook iets zegt over een vergelijkbare situatie. Daardoor heb je minder data nodig om een model accuraat te laten leren en daarmee het autonome systeem betere beslissingen te laten nemen.”
Wat betekent jouw onderzoek voor het vertrouwen in AI-systemen?
“Het is belangrijk om onderscheid te maken tussen grote generatieve AI-modellen, zoals taalmodellen, en de veel kleinere AI-modellen die wij gebruiken voor besturing van systemen. Die laatste zijn specifiek en overzichtelijker. Juist daar kun je formele garanties geven over het gedrag, ondanks onzekerheden. Dat is cruciaal voor toezichthouders en gebruikers.”
Kun je ooit volledig vertrouwen op zo’n systeem?
“Altijd binnen expliciete aannames. Je begint met een model, en dat is op zichzelf al een vereenvoudiging van de werkelijkheid. Wat wij doen, is die aannames zo transparant mogelijk maken. We laten zien: als deze voorwaarden gelden, dan werkt het systeem zelfs in het slechtste geval nog veilig genoeg. Dat maakt vertrouwen beter onderbouwd, al blijft het nooit absoluut.”
Je benadrukt steeds ‘wij’. Hoe belangrijk is samenwerking in jouw werk?
“Essentieel. Onderzoek is vrijwel nooit een solo-activiteit. In mijn werk komen informatica, formele methoden, AI en regeltechniek samen, en dat kan alleen in teamverband. Juist die samenwerking – vaak internationaal en met sterk gemotiveerde collega’s – maakt dit werk voor mij zo aantrekkelijk.”
Je zit nu als postdoc in Oxford. Wat doe je daar?
“Ik bouw voort op mijn promotieonderzoek, samen met een groep waarmee ik al eerder samenwerkte. Hier ben ik onderdeel van de Erlangen AI Hub, een groot onderzoeksproject met als doel om een betere wiskundige basis te ontwikkelen voor AI. Tegelijk is dit een fase om te verbreden en te bepalen welke richting ik met mijn onderzoek op wil. In maart begin ik als postdoctoraal onderzoeker aan de universiteit in Aken, RWTH Aachen University. Ook hier zal ik doorbouwen op mijn huidige onderzoek, maar daarnaast ga ik er meer de focus op leggen om onze verificatiemethoden schaalbaarder te maken en ze daarmee echt in de praktijk te kunnen brengen.”
En hoe zie je je toekomst?
“Idealiter zou ik ooit graag hoogleraar worden aan een Nederlandse universiteit. Een positie als assistent-professor is daarvoor de logische volgende stap. De financiële omstandigheden in de academische wereld zijn nu niet eenvoudig. Maar voorlopig ben ik heel tevreden met het werk dat ik nu doe.”
De KHMW Schouhamer Immink Proefschriftprijs wordt op donderdag 16 april 2026 uitgereikt tijdens ICT Open in De Doelen, Rotterdam.
maandag, november 17, 2025 | Interviews
Nederlandse vertaling
Daniel Cortild investigates why classic learning algorithms like the Stochastic Gradient Descent truly work. His fresh theoretical insights help explain what practitioners have observed for years.
What makes your research relevant?
That’s a broad question, but I think there are two sides to it. On the one hand, learning algorithms such as Stochastic Gradient Descent (SGD) are everywhere now – they’re essential for modern machine learning. On the other hand, understanding why and when they work is still surprisingly incomplete.
My research contributes to that theoretical understanding. Many algorithms perform well in practice, but the mathematical guarantees behind them are often missing. If we can prove under which conditions they really converge or remain stable, we can identify which methods are reliable – and where we might still be missing something. So in a way, the theory helps guide the practice.
You felt there was a gap in existing research?
Yes. Most analyses of SGD make very strong assumptions about the variance of the stochastic gradients – assumptions that are almost never satisfied in real-world machine learning. So we wanted to see what happens if you remove those assumptions entirely. The gap was precisely there: between what works in theory under idealized conditions, and what actually happens in practice.
And you worked on this together with a PhD student?
Yes, exactly. During my Master’s I collaborated closely with a PhD student who was studying a similar problem. We worked side by side and exchanged ideas constantly. It was a very natural and productive collaboration.
What challenges did you encounter while trying to remove those assumptions?
It was extremely challenging. Many of the standard mathematical tools used to analyse SGD rely directly on those strong assumptions. Once you remove them, a lot of familiar inequalities and techniques simply don’t apply anymore.
The difficulty was figuring out which tools we still had access to, and how far we could push them. Eventually we realised that by using these remaining tools very carefully, we could still prove new, tight bounds for SGD. They’re not identical to the classical results, but they come surprisingly close — showing that meaningful theoretical guarantees are possible even without the usual assumptions.
How can your results be applied?
SGD itself is not new – it’s been around since the 1950s – but it remains the foundation of most modern machine learning. Our results don’t change how people implement SGD, but they explain why certain things happen when we use it. That deeper understanding can help design new algorithms inspired by SGD but more complex, for which theoretical guarantees are still lacking.
In addition, our analysis shows that the algorithm can actually work well with larger step sizes than previously thought, which could make training faster in practice. So it’s a small but concrete improvement.
Where does your fascination for mathematics and optimization come from?
I’ve always been drawn to mathematics because it allows you to build entire worlds from a few basic rules. You start with a handful of assumptions, and from there you explore what must logically follow — it’s a beautiful, self-contained system.
Optimization attracted me in particular because it sits between theory and application. It’s very abstract, but it directly connects to real problems — from the electricity field to machine learning. I like that balance: working on something that’s fundamentally mathematical, yet useful in practice.
Would you ever want to move toward more applied work?
Maybe later. For now I’m mainly focused on theory, but I do like the idea that the mathematics I work on has applications. Knowing that my results might one day improve real systems makes the theoretical work more meaningful.
What does the future hold?
My Master’s thesis has been turned into a research paper, which feels like closing a chapter. But the methods we developed can also be applied within other scenario’s, so the collaboration with my co-author continues in some form.
At Oxford I’m now starting a PhD in optimization, focusing on the complexity average-case analysis of deterministic algorithms — in other words, understanding why certain algorithms perform better in practice than their theoretical guarantees predict. That’s something I’m really curious about.
And after Oxford?
I’m keeping an open mind. I’d love to stay close to research, whether in academia or in a research-oriented company. What matters to me is working on problems that are intellectually challenging and have a clear purpose. I’m less drawn to the start-up world — it’s usually more about rapid development than deep research — but who knows what the future brings.
Finally, do you have any advice for younger students?
Yes: do what you truly enjoy. Don’t choose your studies only for job prospects — there will always be jobs. What matters most is that you enjoy what you’re doing every day. I’ve followed that philosophy myself, and it has made my studies and research very rewarding.
donderdag, november 13, 2025 | Interviews
De natuurkunde van het geheugen: dat onderzocht Ruben Hendriks (RUG), winnaar van de KHMW Jong Talent Afstudeerprijs Natuurkunde 2025. Hij bestudeerde hoe hersenen patronen opslaan en herkennen – met wiskundige modellen die ook worden gebruikt om de structuur van materialen te begrijpen. “Het zijn verschillende systemen, maar dezelfde principes spelen.”
Kun je kort uitleggen waar jouw onderzoek over ging?
Mijn masteronderzoek deed ik bij het CogniGron Instituut in Groningen. Daar proberen we de rekenkracht van het brein na te bootsen in hardware – computers dus. Ik werkte aan het Hopfield-model, genoemd naar Nobelprijswinnaar John Hopfield. Dat beschrijft een netwerk van neuronen die elkaar via synapsen versterken of onderdrukken. Door die verbindingen goed af te stemmen, kun je patronen opslaan – een wiskundig model van het geheugen.
Wat kun je met zo’n model doen?
Het helpt te begrijpen hoe uit veel eenvoudige onderdelen – neuronen – een functionerend geheel ontstaat. Ik heb het model aangepast zodat het niet alleen herinneringen kan ophalen, maar ook kan wisselen tussen herinneringen, zoals wij in een gesprek voortdurend van het ene idee naar het andere springen.
Wat voegt het perspectief van een theoretisch natuurkundige toe aan hersenonderzoek?
Theoretische natuurkunde maakt complexe systemen hanteerbaar. Biologen kijken naar de werkelijkheid, theoretisch natuurkundigen abstraheren die eerst. Je gebruikt wiskunde om te begrijpen wat je niet intuïtief kunt bevatten. Zo ontdek je welke principes belangrijk zijn voordat je met echte hersendata werkt.
En daarna toets je die modellen weer aan de werkelijkheid?
Precies. Eerst ontwikkel je de taal en concepten om zo’n systeem te beschrijven. Daarna bouw je realistischere modellen en vergelijk je die met experimenten – in samenwerking met biologen en neurowetenschappers.
Waarom koos je als theoretisch natuurkundige juist voor dit onderwerp?
Tijdens mijn studie raakte ik gefascineerd door statistische mechanica, de theorie achter faseovergangen van bijvoorbeeld water en ijs. Diezelfde wiskunde blijkt ook te werken voor hersennetwerken. Dat vond ik geweldig: één theorie die zulke uiteenlopende verschijnselen kan beschrijven.
Krijgt jouw onderzoek een vervolg?
Misschien publiceren we het nog. Intussen ben ik begonnen met een promotieonderzoek aan de Universiteit Utrecht, over willekeurige netwerken. Dat is verwant aan het brein, maar speelt ook een rol in de materiaalkunde: hoe de structuur van een netwerk bepaalt of een materiaal bijvoorbeeld elastisch of juist stijf is.
Zie je jezelf in de wetenschap blijven?
Dat weet ik nog niet. Ik wil graag iets doen dat maatschappelijk betekenis heeft – onderzoek of toepassingen die mensen echt helpen.
In de voordracht werd je geprezen om je zelfstandigheid. Hoe bepaal jij welke richting je uitgaat?
Door veel te doen en goed te luisteren. Soms ontdek je toevallig een patroon of wiskundig verband dat tot iets groters leidt. Wetenschap is puzzelen, volhouden en reflecteren – en veel praten met anderen.
Werk je tijdens je promotie ook samen?
Ja, ik heb fijne collega-promovendi en een supervisor met wie ik vaak letterlijk bij het krijtbord sta. We rekenen ook nog echt met krijt – precies het romantische beeld van wetenschap.
Heb je genoeg ruimte om te experimenteren?
Zeker. Mijn promotie wordt gefinancierd door NWO, en binnen onze groep is er veel vrijheid om te proberen en te falen. Dat is cruciaal voor echte ontdekkingen.
Wat wil je dat lezers vooral meenemen?
Dat wetenschap niet ophoudt bij disciplinaire grenzen. Fysica, wiskunde, biologie, psychologie – het zijn allemaal manieren om hetzelfde te begrijpen: hoe uit iets eenvoudigs iets verbazingwekkend complex kan ontstaan.
dinsdag, november 4, 2025 | Interviews
Pranav Prasun voltooide onlangs zijn researchmaster Design for Interaction aan de Technische Universiteit Delft. Met zijn project Ally SenseScape ontwierp hij een slim hulpmiddel dat blinden en slechtzienden helpt de weg te vinden op plekken die ze vaak bezoeken, zoals hun werk of universiteit. Voor dit project ontving hij de KHMW Jong Talent Afstudeerprijs 2025 voor Health Care Innovations for Underserved Communities.
Read English translation
Je afstudeerproject, Ally SenseScape, richt zich op navigatie binnenshuis voor blinden en slechtzienden. Hoe raakte je in dit onderwerp geïnteresseerd?
Het was een geleidelijk proces. Ik wilde altijd al werken aan projecten met een positieve maatschappelijke impact. Tijdens mijn studie Industrieel Ontwerpen aan de TU Delft maakte ik deel uit van een commissie die studenten meenam naar casusdagen bij Nederlandse bedrijven. Tijdens een van die dagen kreeg ik de kans om mee te werken aan een project bij de Koninklijke Bibliotheek, dat zich richtte op het toegankelijk maken van afbeeldingen in boeken voor blinden en slechtzienden. Ik realiseerde me hoe weinig ik eigenlijk wist over hun ervaringen en was onder de indruk van hun vindingrijkheid bij het vinden van hun weg in de wereld, ondanks wat wij vaak als een beperking zien. Dat raakte me.
Later, voor mijn afstudeerproject, kwam ik in contact met Envision Technologies, een bedrijf dat AI-toepassingen voor toegankelijkheid ontwikkelt. Zij waren net begonnen met onderzoek naar ‘toegankelijke AI’, en dat werd het vertrekpunt van mijn ontwerp.
Kun je in eenvoudige bewoordingen uitleggen hoe Ally SenseScape werkt, en wat het anders maakt dan bestaande navigatiehulpmiddelen?
Veel bestaande hulpmiddelen zijn technologisch geavanceerd, maar vragen te veel oefening of sluiten niet goed aan bij wat voor gebruikers al werkt – zoals een geleidehond of taststok. Mijn idee was niet om die hulpmiddelen te vervangen, maar om ze te versterken.
Een geleidehond kan bijvoorbeeld geen borden lezen, maar AI kan dat wel. Ally SenseScape bouwt voort op wat gebruikers al van nature doen. Het systeem gebruikt AI om plattegronden te analyseren en te begrijpen hoe de omgeving eruitziet en aanvoelt. Het begeleidt de gebruiker met zintuiglijke signalen – veranderingen in vloertextuur, geluiden of geuren – en geeft gesproken aanwijzingen in het tempo van de gebruiker. Het kan bijvoorbeeld zeggen: “Over ongeveer vijftien stappen verandert de vloer van hout naar tapijt – wat de gebruiker al waarneemt met zijn taststok – en daarna slaat u rechtsaf.” Het systeem vult dus de zintuiglijke waarneming van de gebruiker aan, in plaats van die over te nemen.
Voor je onderzoek heb je samengewerkt met mensen die zelf blind of slechtziend zijn. Hoe ging dat in zijn werk?
Ik organiseerde sessies waarin deelnemers prototypes konden testen en hun ervaringen deelden. Dat waren de meest waardevolle momenten van mijn project. Alleen al door te luisteren en te observeren heb ik veel geleerd.
Een deelnemer vertelde dat zijn geleidehond niet begrijpt wat ‘de derde bocht rechts’ betekent, dus telt hij de bochten zelf en geeft pas daarna het commando. Een ander zei dat ze in de winter het aanraakpaneel van haar slimme bril vermijdt, omdat ze haar handschoenen moet uittrekken om de bediening te kunnen gebruiken. Soms hadden deelnemers tijdens de sessies hun handen vol – met een taststok, een kop koffie of een laptop – waardoor bediening via aanraking gewoon niet praktisch was.
Door dat soort observaties realiseerde ik me dat echte toegankelijkheid vaak afhangt van kleine, praktische ontwerpkeuzes – zoals het gebruik van spraakbediening in plaats van aanraakbediening.
Je combineerde AI, draagbare technologie en zintuiglijke prikkels zoals geluid en textuur. Wat waren de grootste uitdagingen om die samen te brengen?
De grootste uitdaging was om het systeem echt bruikbaar te maken. Ik wilde dat het slim zou zijn, maar niet ingewikkeld. Er waren steeds weer technische obstakels: wat gebeurt er als de internetverbinding wegvalt, of als iemand een kamer noemt die niet op dezelfde verdieping ligt? Het was een voortdurende afweging tussen technologische ambitie en praktische haalbaarheid.
Omdat het project slechts honderd dagen duurde, was er niet veel tijd voor uitgebreide tests. Daarom heb ik me gericht op het ontwikkelen van een concept dat Envision na mijn afstuderen verder kon ontwikkelen.
Je scriptie werd geprezen om haar maatschappelijke impact en inclusiviteit. Wat drijft jou persoonlijk om te ontwerpen voor kwetsbare groepen?
Ik ben van mening dat toegankelijkheid nooit een bijzaak mag zijn, maar een vanzelfsprekend onderdeel van elk ontwerp. Een Paralympische atleet zei ooit dat Olympische stadions pas na de Spelen toegankelijk worden gemaakt – wanneer deuren worden verbreed en hellingbanen worden aangebracht om ze geschikt te maken voor de Paralympics. Dat is symbolisch voor hoe we ontwerpen: eerst voor de meerderheid en pas daarna voor alle anderen.
Ontwerpen met het oog op toegankelijkheid helpt niet alleen mensen met een beperking. Het helpt ook mensen die tijdelijk geblesseerd zijn of hun handen niet vrij hebben. Inclusief ontwerpen maakt de wereld gewoon leefbaarder voor iedereen.
Welke persoonlijke eigenschappen hebben jou bij dit project geholpen?
Ik ben van nature kalm en opmerkzaam – ik luister meer dan ik praat. Daardoor zie ik details die anderen misschien over het hoofd zien. Ik mediteer ook al jaren. Dat helpt me om situaties vanuit een breder perspectief te bekijken en echt contact te maken met de mensen voor wie ik ontwerp. Ik probeer me in hun positie te verplaatsen, niet om hun ervaring na te bootsen, maar om met oprechte empathie te ontwerpen.
Je komt uit India. Hoe ben je aan de TU Delft beland?
In India ontwierp ik schoenen en kleding – elke paar maanden een nieuwe collectie. Het was creatief werk, maar ik begon me af te vragen wat de echte impact daarvan was. Ik wilde producten ontwerpen die het leven van mensen echt verbeteren. De master Design for Interaction in Delft sprak me aan omdat daar niet wordt voorgeschreven wat je moet ontwerpen – fysiek of digitaal – maar het onderzoek bepaalt het resultaat.
Wat gebeurt er nu met Ally SenseScape? En wat ga je zelf doen?
Envision Technologies heeft aangegeven het project verder te willen ontwikkelen, wat me erg blij maakt. Zelf wil ik graag blijven werken aan projecten op het snijvlak van inclusief ontwerp en nieuwe technologie. Daarin zie ik zowel de grootste uitdaging als de grootste kans om iets te betekenen.
