Hardlopen: een besmettelijke ziekte?

Dit is een blog van Jonas Moons, docent bij de opleiding Communicatie en bij het PubLab betrokken als methodoloog. Leestijd: +/- 5 minuten.

Goed voorbeeld doet volgen. Zien eten, doet eten. Als het eerste schaap over de dam is, volgen er meer. Onze taal zit vol uitdrukkingen die het idee onder woorden brengen dat we het gedrag van anderen kopiëren. Onderzoek laat zien dat zaken als roken en obesitas zich door ‘besmetting’ in een sociaal netwerk kunnen verspreiden.

Zou dat ook gelden voor gezond gedrag, zoals hardlopen? De makers van de Fitbit, Apple Watch, Samsung Health, Runkeeper en dergelijke, denken in ieder geval van wel. Via deze apps en ‘wearables’ (stappentellers en smartwatches) krijg je voortdurend vergelijkingen te zien: je hebt bijna net zo veel stappen gezet als Stijn, maar Susan is je alweer ruim voorbij! Door zo’n bericht zou jij een stapje meer moeten zetten. Of dat ook echt werkt, is onderzocht in een interessante studie van Aral en Nicolaides, die in april in Nature Communications verscheen. Dit onderzoek weerspiegelt een aantal trends in onderzoek naar gedragsverandering:

  1. Het gebruik van een ‘directe’ meting van gedrag door sensoren (stappentellers), in plaats van vragenlijsten. (Sander Hermsen, Peter Kerkhof, Carina WiekensMartijn de Groot en ik onderzoeken momenteel wat het gebruik van stappentellers voorspelt).
  2. Het gebruik van grote datasets (hardloopgegevens van 1,1 miljoen personen) en machine learning (zie mijn eerdere blog hierover).
  3. Innovatieve meetmethodes om de oorzaak van gedrag vast te stellen ‘in het wild’, zonder experimenteel onderzoek.

In deze blog bespreek ik dit onderzoek, en dan vooral de meetmethode. Daarna ga ik in op de resultaten: ga je echt harder lopen door wat een ander doet? En maakt het dan nog uit of hij meer of minder dan jij loopt en of het een man of een vrouw is?

Sociale besmetting… of toch niet?
Voordat we het effect van sociale besmetting kunnen bepalen, moeten we eerst vaststellen wanneer er sprake is van besmetting. Als uit de data blijkt dat jij op dezelfde dag hebt hardgelopen als een vriend, dan zal je wel ‘besmet’ zijn, toch?

Nee, dat gaat te snel. Misschien heeft die vriend niet jou tot lopen aangezet, maar juist andersom.
Kun je dan niet kijken wie als eerste begon met lopen? Dat moet toch duidelijk maken wie het hardloopvirus heeft verspreid?
Helaas werkt ook dat niet. Misschien was het die dag wel prachtig weer, wat jullie allebei heeft verleid de hardloopschoenen aan te trekken. Of misschien was het zondag, voor jullie allebei een mooie dag om een stukje te lopen.

Zo zijn er veel denkbare invloeden van buitenaf. Het lijkt bijna onmogelijk om ‘in het wild’ vast te stellen in hoeverre sociale invloed niet alleen samenhangt met jouw beweging, maar ook daadwerkelijk de oorzaak daarvan is. Samenhang is immers nog geen oorzaak (‘correlation is not causation’). Als er meer ijs verkocht wordt, verdrinken er meer mensen (een samenhang). Maar dat komt niet doordat het ijs zo zwaar op de maag ligt (oorzaak), maar doordat mensen meer zwemmen én meer ijs eten als het warm is.

Methodologische tovertruc
Toch zijn Aral en Nicolaides erin geslaagd te bewijzen dat het effect van sociale besmetting wel degelijk oorzakelijk kan zijn. Dit deden ze via een soort methodologische tovertruc: een ‘instrumentele variabele’.

Hoe werkt deze methode? Een voorbeeld: stel dat ik regelmatig hardloop en dat ik via mijn app de prestaties van Barbara volg, een vriendin in Rio de Janeiro.
Als het mooi weer is, gaat Barbara hardlopen. Het weer in Rio en Utrecht hangt (helaas) niet samen. In statistiektermen: het is niet gecorreleerd. Het feit dat het mooi weer is in Rio de Janeiro, zegt niets over het weer in Nederland. Het weer in Rio (de instrumentele variabele) voorspelt dus ook niets van mijn beweging, behalve via sociale besmetting door het wel of niet hardlopen van Barbara. En hier komt de truc: de prestaties van Barbara die voorspeld kunnen worden vanuit het weer in Rio, kunnen dus alleen de oorzaak zijn van een verandering in mijn beweging.  Zo kan ik alsnog het oorzakelijk effect van sociale besmetting vaststellen. In een stroomschema ziet dit oorzakelijke verband er zo uit:


Deze methode werkt alleen als er geen samenhang (geen correlatie) bestaat tussen het weer dat beide personen ervaren. Aral en Nicolaides hebben dus voor elk bevriend duo in hun dataset precies berekend of en wanneer hun weer ongecorreleerd was, en alleen die data gebruikt. Zo konden ze het effect van sociale besmetting meten én er zeker van zijn dat het verband ook oorzakelijk was.

Wie heeft het meeste invloed op jouw beweging?
Oké, genoeg methodologie. Wat waren de resultaten? Voordat ik deze blog schreef, heb ik via Twitter een enquête uitgezet onder mensen die hun beweging (wandelen, hardlopen, fietsen) via een app met anderen vergeleken. Hiermee wilde ik onderzoeken hoe mensen met een stappenteller beïnvloed dáchten te worden. Geen serieus onderzoek, maar gewoon voor de lol; de steekproef is sowieso te klein om zinnige uitspraken te doen. Niettemin is opvallend dat vrijwel iedereen (14 van de 15) denkt het meest te worden beïnvloed door mensen die meer lopen. Dat was ook mijn intuïtie: wat werkt meer motiverend dan jacht maken op iemand die je in kan halen?

Toch is dat niet wat Aral en Nicolaides vonden. Navelstaren is dus niet genoeg, gedragsverandering blijft gelukkig een wetenschap! In de grafiek hieronder zie je dat vrienden die minder bewegen juist een veel grotere invloed op je uitoefenen. Het effect lijkt bijna ongeloofwaardig groot: een kilometer van een inactieve vriend kan leiden tot bijna een halve kilometer van mij. We vinden het blijkbaar nodig zo’n slome vriend eens even op z’n nummer te zetten.


Het effect van sociale invloed van minder actieve en actievere vrienden. De horizontale as geeft de verhouding tussen de activiteit van beiden weer. De verticale as is de ‘social influence coefficient’. Dit is het sociale effect op afstand, snelheid of duur (effecten vergelijkbaar). Detail van een figuur uit Aral en Nicolaides (2017). Creative Commons BY 4.0.

Dan de strijd tussen de seksen. Zou haantjesgedrag er voor zorgen dat mannen zich sterker laten beïnvloeden door hun geslachtsgenoten? Mijn respondenten waren er niet van overtuigd. Slechts 2 van de 6 mannen dachten dat ze sterker werden beïnvloed door andere mannen; 1 van de 9 vrouwen dacht hetzelfde over andere vrouwen, en nog 1 vrouw werd sterker beïnvloed door mannen. De resultaten van Aral en Nicolaides laten zien dat het effect van geslachtsgenoten sterker is. Vrouwen laten zich door mannen zelfs helemaal niet gek maken.


Detail van een figuur uit Aral en Nicolaides (2017). Creative Commons BY 4.0.

Conclusie
Het onderzoek van Aral en Nicolaides laat overtuigend zien dat er zoiets bestaat als sociale invloed via bewegingsapps. Of de effecten bij gemiddelde mensen net zo groot zijn als bij de fanatieke hardlopers uit de dataset, dat staat nog te bezien. Maar je hoeft je in ieder geval minder schuldig te voelen als je de slomerd in je Fitbitgroepje flink op z’n plaats zet. Dat is blijkbaar normaal.

Lees ook Jonas´ eerdere blog over Big data en machine learning