A transparent process for creating behavioural systems maps to inform population simulation models which aim to explain and predict public health policy effects: the case of smoking cessation in England

Stel je voor dat je de toekomst van een bruisende stad probeert te voorspellen, maar in plaats van verkeersopstoppingen en weerpatronen, volg je iets dat veel persoonlijker is: waarom mensen de keuzes maken die ze maken. Dit is de wereld van het publieke gezondheidsbeleid, waar wetenschappers optreden als detectives die proberen uit te vogelen welke wetten en campagnes daadwerkelijk mensen gezonder zullen helpen. Om dit te doen, gebruiken ze "simulatiemodellen", die lijken op supergeavanceerde videogames. In deze games kun je een virtuele populatie bouwen, een regel aanpassen (zoals het verhogen van de prijs van sigaretten) en zien wat er over jaren gebeurt zonder echte levens te riskeren. Maar hier komt het lastige deel bij: deze games zijn slechts zo goed als de regels die je ze geeft. Als het spel niet begrijpt waarom iemand besluit te stoppen met roken, kan het niet voorspellen of een nieuw beleid zal werken. Dat is waar een speciaal raamwerk genaamd COM-B om de hoek komt kijken. Denk aan het als een driepotig krukje dat elk menselijk gedrag ondersteunt: je hebt Capability (kun je het?) (Capaciteit), Opportunity (laat de wereld je het doen?) (Gelegenheid) en Motivation (wil je het wel doen?) (Motivatie) nodig. Zonder al deze drie poten valt het gedrag omver.

Stel je nu een team wetenschappers voor dat probeert de ultieme "Quit Smoking Simulator" voor Engeland te bouwen. Ze realiseerden zich dat alleen maar gokken hoe beleid werkt niet genoeg was; ze hadden een transparant, stapsgewijs recept nodig om precies in kaart te brengen hoe een beleid de Capaciteit, Gelegenheid of Motivatie van een persoon verandert. Dit is het verhaal van hun nieuwe methode, een proces dat ze "behavioral systems mapping" noemen. Ze bouwden niet alleen een model; ze bouwden een blauwdruk voor hoe je het model bouwt, waarbij ze de complexe reis van het stoppen met roken als hun testcase gebruikten. Ze ontdekten dat stoppen met roken niet zomaets één grote gebeurtenis is; het zijn twee verschillende gevechten met verschillende regels. En door deze regels op een kaart uit te tekenen, lieten ze zien hoe je een simulatie kunt maken die daadwerkelijk de langetermijneffecten van publiek gezondheidsbeleid kan voorspellen, waardoor leiders geld kunnen uitgeven aan de plekken waar het het meeste goed doet.

De Blauwdruk voor een Revolutie in Stoppen met Roken

De onderzoekers, een mix van computerwizards en gedragsexperts, begonnen met een simpele maar enorme vraag: Hoe bouwen we een computersimulatie die niet alleen gokt, maar ook echt begrijpt waarom mensen stoppen met roken? Ze wisten dat traditionele modellen een beetje als platte kaarten waren; ze konden laten zien waar mensen waren, maar ze konden je niet de heuvels en dalen laten zien die de reis moeilijk of makkelijk maakten. Om dit op te lossen, ontwikkelden ze een nieuw, transparant proces met behulp van "behavioral systems maps". Denk aan deze kaarten als een gigantisch, interactief stroomdiagram dat de punten verbindt tussen een overheidsbeleid, de psychologische raderen die in iemands hoofd draaien, en de uiteindelijke actie van een sigaret uitdoen.

Het proces dat ze creëerden heeft vier hoofdfasen, zoals een recept voor een zeer ingewikkelde taart. Ten eerste moesten ze beslissen welke "gedragingen" ze zouden modelleren. Ze realiseerden zich dat stoppen met roken niet zomaat één ding is. Het is eigenlijk twee verschillende fasen: het moment waarop je besluit te proberen te stoppen (de "poging tot stoppen" of "quit attempt") en de lange, zware strijd om rookvrij te blijven (het "behouden van de stoppende status" of "quit maintenance"). Ze ontdekten dat de factoren die deze twee fasen aansturen totaal verschillend zijn, alsof de ingrediënten voor een cakebeslag anders zijn dan de ingrediënten voor de glazuur.

Vervolgens gebruikten ze het COM-B-raamwerk om hun theoriegebaseerde kaart te bouwen. Ze namen honderden kleine, observeerbare zaken – zoals hoeveel iemand van roken geniet, of iemand advies krijgt van een arts, of hoeveel rokers er in hun vriendengroep zitten – en sorteerden deze in de drie categorieën: Capaciteit, Gelegenheid of Motivatie. Zo ontdekten ze bijvoorbeeld dat voor iemand die net probeert te stoppen, de motivatie enorm groot is. Dingen zoals hoeveel iemand van roken geniet of hoeveel geld ze aan sigaretten uitgeven, drijven die beslissing aan. Maar voor iemand die probeert rookvrij te blijven, speelt motivatie minder een rol en neemt "capaciteit" de leiding over. Dingen zoals een identiteit als niet-roker hebben, nicotinepleisters gebruiken of een lager niveau van verslaving zijn hier de sleutelspelers.

Het team moest vervolgens de realiteit opzoeken. Ze keken naar hun chique theoretische kaart en vroegen zich af: "Wat kunnen we daadwerkelijk meten met data?" Dit leidde tot hun "data-gebaseerde" kaart. Ze moesten sommige coole theoretische ideeën schrappen omdat er niet genoeg data was om ze te onderbouwen. Zo ontdekten ze bijvoorbeeld dat hoewel het begrijpen van de schadelijkheid van roken belangrijk is, ze in de huidige Engelse context niet genoeg bewijs konden vinden om te bewijzen dat het een belangrijke drijfveer was, dus lieten ze het uit de definitieve simulatie. Ze moesten ook beslissen welke beleidspunten ze zouden testen. Ze kozen voor een "massamedia-campagne" om mensen aan te moedigen te proberen te stoppen (het vergroten van de motivatie) en "meer financiering voor hulp bij stoppen met roken" om mensen te helpen rookvrij te blijven (het vergroten van de capaciteit).

Een van de meest opwindende onderdelen van hun werk is hoe ze de "feedbackloops" aanpakten. In het echte leven verandert stoppen met roken de wereld om je heen, wat vervolgens weer invloed heeft op jou. Als je stopt, heb je misschien minder rokende vrienden, wat het voor je vrienden ook makkelijker maakt om te stoppen. Of, als je probeert te stoppen en faalt, ben je de volgende keer misschien minder gemotiveerd. Het team bouwde deze loops in hun kaart, waardoor een complex, levend systeem ontstond waarin het gedrag van één persoon uitstraalt naar de hele populatie. Ze namen zelfs een "synthetische populatie" op, een virtuele menigte die de echte Britse bevolking weerspiegelt, compleet met verschillende leeftijden, banen en sociale kringen. Dit betekent dat hun model kan laten zien hoe een beleid een rijk persoon anders kan helpen dan een arm persoon, of hoe de reis van een jongere verschilt van die van een oudere.

Wat Ze Vonden (en Wat Ze Niet Vonden)

De grote ontdekking hier is geen magische pil die iedereen direct laat stoppen. In plaats daarvan suggereert het artikel dat de manier waarop we deze problemen modelleren een serieuze upgrade nodig heeft. Door hun nieuwe mappingproces te gebruiken, ontdekte het team dat het een fout is om "stoppen met roken" als één enkele gebeurtenis te modelleren. De factoren die je ertoe brengen om te proberen te stoppen, zijn verschillend van de factoren die je helpen om niet terug te vallen. Zo ontdekten ze bijvoorbeeld dat terwijl het gebruik van nicotinevervanging (NRT) helpt bij een eerste poging, het juist de voorgeschreven versie van NRT en andere hulpmiddelen is die iemand helpt om de status van rookvrij te behouden.

Ze sloten ook expliciet de gedachte uit dat we simpelweg elke mogelijke factor in een model kunnen gooien en dan maar hopen op het beste. Ze toonden aan dat zonder een duidelijke kaart die beleid verbindt met specifieke psychologische drijfveren, de simulatie een "black box" wordt. Ze merkten ook op dat hoewel hun model geavanceerd is, het nog steeds een simulatie is. Het suggereert hoe dingen zouden kunnen werken op basis van de data die ze hebben, maar het heeft nog niet "bewezen" dat deze beleidspunten ook daadwerkelijk in de echte wereld zullen werken. Het model is een instrument om beleidsmakers te helpen betere gissingen te doen, geen kristallen bol.

Bovendien waren ze voorzichtig in hun uitspraak dat hun huidige kaart niet alles dekt. Ze hebben de complexe dans tussen roken en vapen niet in detail gemodelleerd, noch hebben ze elke mogelijke beleidswijziging opgenomen, zoals prijsverhogingen voor tabak, omdat ze wilden focussen op de gedragsmechanismen zelf. Ze gaven ook toe dat hun model sterk leunde op bestaande data, en als die data een stukje mist, dan heeft de kaart ook een gat.

Waarom Dit Er Toe Doet

Dus, waarom zou een nieuwsgierige tiener geven om een hoop computer modellen en stroomdiagrammen? Omdat dit proces de manier waarop we grote problemen oplossen verandert. Voorheen was het proberen te voorspellen of een nieuwe wet zou helpen bij het stoppen met roken als het navigeren door een doolhof in het donker. Je gokte welke kant je op moest, en als je tegen een muur aanliep, probeerde je het gewoon opnieuw. Deze nieuwe methode geeft je een zaklamp en een kaart. Het stelt wetenschappers en beleidsmakers in staat om de verborgen verbindingen te zien tussen een overheidsbesluit en het dagelijks leven van een persoon.

Door het "proberen" te scheiden van het "behouden", laat het model zien dat we verschillende instrumenten nodig hebben voor verschillende delen van de reis. Je kunt niet alleen een motiverende poster gebruiken voor iemand die al een jaar rookvrij is; die persoon heeft andere ondersteuning nodig, zoals betere toegang tot medische hulpmiddelen. En omdat het model rekening houdt met hoe mensen elkaar beïnvloeden, kan het voorspellen hoe een beleid een hele gemeenschap kan helpen, en niet alleen één persoon.

De auteurs zijn hoopvol dat dit transparante proces kan worden gebruikt voor andere gezondheidskwesties, zoals alcoholgebruik of obesitas. Ze geloven dat door het "recept" voor deze modellen helder en openbaar te maken, we in de toekomst betere simulaties kunnen bouwen. Deze simulaties zullen niet alleen fancy games zijn; het zullen krachtige instrumenten zijn die leiders helpen beslissingen te nemen die eerlijker en effectiever zijn, zodat publiek geld wordt uitgegeven aan de strategieën die daadwerkelijk werken voor de mensen die ze het hardst nodig hebben. Het is een stap naar een toekomst waarin we niet alleen gokken wat werkt, maar weten waarom het werkt.