AI die ook Vlaams verstaat

Wat wilden jullie met Maarallee bereiken?

Isaak Vandermaesen: “NELF, het Corpus Gesproken Vlaams, wilde vooral voldoende diverse Vlaamse spraak crowdsourcen, met de correcte toestemming om er later een AI-model op te kunnen trainen. Scivil werd gevraagd om daarvoor de publiekscampagne te ontwerpen en uit te dragen, die we uiteindelijk Maarallee hebben gedoopt.

Voor ons zat daar ook een interessante vraag achter: kunnen we op basis van de goodwill van burgers voldoende Vlaamse spraak verzamelen om een AI-dataset te trainen? En vooral: hoe doe je dat?”

Waarom is het zo belangrijk om specifiek Vlaamse spraak te verzamelen?

Isaak Vandermaesen: “Zoals bij alle AI-technologieën zijn de hoeveelheid en kwaliteit van de data heel belangrijk voor de uiteindelijke toepassing. Spraakherkenning die Vlaams moet kunnen verstaan, moet rekening kunnen houden met de enorme geografische verscheidenheid binnen het Vlaamse taalgebied. West-Vlaams klinkt bijvoorbeeld anders dan Limburgs. Van al die accenten heb je dus veel data nodig, en die is op dit moment niet publiek beschikbaar.

Vlaams is bovendien taalkundig een variant van het Nederlands. Voor buitenlandse ontwikkelaars, bijvoorbeeld in China of Amerika, volstaat het vaak om hun modellen op Nederlands te trainen. Die toepassingen begrijpen dan misschien wel standaardtaal, maar spraak met meer accentaspecten wordt minder goed of zelfs niet begrepen.

Als we in de toekomst bijvoorbeeld in de zorg of entertainmentsector AI-systemen willen gebruiken die Vlaamse sprekers goed verstaan, moeten we dus zorgen dat er meer publieke, accentrijke en diverse Vlaamse spraak beschikbaar is. Zeker in de zorg kan dat bijzonder belangrijk worden. Als AI-toepassingen daar steeds vaker hun weg vinden, wil je dat een patiënt gewoon in zijn of haar eigen taal en met het eigen accent kan spreken en begrepen wordt.”

Toestemming vanaf dag één

Bij het verzamelen van stemopnames duikt al snel de vraag naar privacy op. Hoe zijn jullie daarmee omgegaan?

Isaak Vandermaesen: “Privacy was vanaf het begin een essentieel aspect van Maarallee. Er bestaat natuurlijk al veel opgenomen Vlaamse spraak met accenten, denk bijvoorbeeld aan programma’s als Man bijt hond of recentere fictiereeksen waarin heel uitgesproken dialect wordt gesproken, zoals Nonkels. Maar die sprekers hebben nooit expliciet toestemming gegeven om hun opnames te gebruiken om AI-spraakherkenning mee te trainen.

Bij Maarallee doen we dat wel. Het project is van bij het begin opgebouwd rond een dataverwerkingsplan dat specifiek gericht is op dat trainingsdoel. Iedereen die spraak opneemt voor Maarallee stemt dus in met het publicatie- en trainingsdoel. We hebben ook veel contact gehad met advocaten om ervoor te zorgen dat we deelnemers op de correcte en meest verantwoorde manier konden informeren en de data correct konden verzamelen.”

Van klassieke campagne naar herkenbare mascotte

Een goede dataset vraagt natuurlijk voldoende én verschillende deelnemers. Hoe hebben jullie geprobeerd om hen te bereiken?

Isaak Vandermaesen: “We zochten eerst naar een manier om snel veel spraakopnames te verzamelen op verschillende plaatsen tegelijk, waarmee burgers ook zelfstandig aan de slag konden. Uiteindelijk kozen we voor een app die mensen op hun smartphone konden gebruiken. Zo konden deelnemers inspreken wanneer en waar ze zich daar zelf comfortabel bij voelden.

Onze lancering via de klassieke media heeft ons dankzij één algemeen persbericht ook heel wat data opgeleverd. Het chauvinistische aspect van Maarallee speelde daarin volgens mij een belangrijke rol, zowel heel lokaal rond dialecten als op Vlaams niveau. Het is geen toeval dat Maarallee bijvoorbeeld aandacht kreeg in de Krant van West-Vlaanderen en Het Belang van Limburg.

Daarnaast zet Scivil sterk in op wetenschapscommunicatie en publieksoutreach, waardoor we met Maarallee konden aansluiten bij heel wat evenementen en activiteiten. Zo waren we onder andere aanwezig bij Technopolis, Thomas More, Ekoli, op het FTI-festival en bij de Dag van de Wetenschap. Naast onze online campagnes boden die momenten heel wat kansen om rechtstreeks met mensen in gesprek te gaan en hen te motiveren om hun stem te laten horen.”

Alyssa Lambrecht: “Mijn rol binnen Scivil is sociale media, dus ik heb vooral geprobeerd om deelnemers via verschillende online kanalen te bereiken. We maakten aparte kanalen op Instagram, Facebook en TikTok, zodat we volop over Maarallee konden communiceren zonder de Scivil-kanalen te overladen.

In het begin werkten we vooral met klassieke visuals in de huisstijl, maar die bleken wat droog. Daarom zijn we meer filmpjes en reels gaan maken, met Isaak als een soort mascotte. Die speelse, alledaagse stijl met veel humor paste veel beter bij Maarallee en lokte warmere reacties uit.

We experimenteerden ook met advertenties. Vooral de gerichte campagne voor de lesbundel voor leerkrachten werkte goed. Mijn belangrijkste les daaruit is: communiceer liever gericht dan gewoon zoveel mogelijk te posten. Denk eerst goed na over wie je wil bereiken en hoe die doelgroep bereikt wil worden.”

Experimenteren om jongeren te bereiken

Jongeren bleken een moeilijker bereikbare doelgroep. Hoe hebben jullie geprobeerd om hen toch bij Maarallee te betrekken?

Isaak Vandermaesen: “We hebben verschillende dingen uitgeprobeerd om buiten de standaarddoelgroepen voor citizen science te treden en meer jongeren te bereiken. Zo organiseerden we via sociale media een wedstrijd waarbij deelnemers een airfryer konden winnen. Die had bijna onmiddellijk het gewenste effect om meer studenten te bereiken. Naast onze eigen socialemediakanalen maakten we daarvoor ook reclame via studentenmedia zoals Veto en de Winagenda.

TikTok bleek een stuk onvoorspelbaarder. Door het algoritme is heel moeilijk te voorspellen waarom en wanneer een filmpje wordt opgepikt. We hebben video’s uit de beginperiode met heel veel bereik, maar ook latere filmpjes met veel minder views. Uiteindelijk bleek het onderwijs misschien toch de makkelijkste manier om jongerenstemmen te bereiken.”

Alyssa Lambrecht: “Die airfryerwedstrijd leverde voor mij vooral een interessant inzicht op. De wedstrijd werd bedacht door studenten binnen het vak Wetenschapscommunicatie aan KU Leuven. Het was dus een wedstrijd voor studenten, bedacht door studenten. Daarna zagen we ook meer opnames bij die doelgroep, die we voordien moeilijker bereikten.

Voor mij toont dat hoe waardevol het is om je doelgroep niet alleen te proberen bereiken, maar hen ook te laten meedenken over hoe je dat doet.”

De klas als toegang tot een moeilijk bereikbare doelgroep

Ook scholen werden uiteindelijk een belangrijke manier om jongeren te bereiken. Hoe is die samenwerking gegroeid?

Isaak Vandermaesen: “Die samenwerking werkt momenteel heel goed, hoewel ze in het begin stroef verliep. De lesbundel was pas midden april klaar en aanvankelijk waren er nauwelijks leerkrachten die ermee werkten. Aan het begin van dit schooljaar lanceerden we daarom een nieuwe socialemediacampagne, waarop heel wat enthousiaste reacties kwamen. Sindsdien hebben we veel contacten gehad met scholen die er al mee aan de slag zijn gegaan of dat nog gaan doen.

Het is heel motiverend om te zien dat elke les bijna twintig minuten gesproken data oplevert van jongeren onder de 18 jaar, een groep die we anders heel moeilijk konden bereiken.

Qua return on investment blijkt dus dat zo’n samenwerking met scholen enorm goed kan werken, als je binnen je project rekening houdt met de timing van leerkrachten en met de leerdoelen die zij moeten behalen. Als je die twee naadloos kunt combineren in een kant-en-klaar lespakket, kan de return heel groot zijn.”

Durven bijsturen

Als jullie terugkijken op al die verschillende experimenten, wat hebben jullie daar zelf vooral uit geleerd?

Isaak Vandermaesen: “Voor mij heeft dit project veel lessen opgeleverd over perspectiefname en engagement. Je kunt een app bouwen zoals jij die zelf wil of zomaar een post online gooien, maar dan houd je niet noodzakelijk rekening met je doelgroep. En bij een gloednieuw project als Maarallee moesten we die doelgroep eigenlijk nog vinden.

Door te experimenteren, mensen te ontmoeten en na te denken over wat de brede groep van Vlaamse sprekers kon motiveren om met onze app aan de slag te gaan, hebben we de Maarallee-spraakdataset kunnen doen groeien.”

Alyssa Lambrecht: “Je hoeft niet ontzettend veel te posten als je vanaf het begin nadenkt vanuit je doelgroep: wat zouden zij leuk vinden? Met beperkte tijd en middelen kun je beter investeren in een paar sterke ideeën die echt bij je doelgroep passen.

We begonnen met klassieke, droge visuals en merkten snel dat die niet helemaal werkten. Daarna hebben we durven experimenteren en ontdekten we dat gerichte, menselijke en speelse communicatie beter werkte. En ten slotte: durf er ook plezier mee te hebben.”

Een dataset van nul opgebouwd

Waar zijn jullie het meest trots op?

Isaak Vandermaesen: “Ik ben vooral trots op de eigenheid die we aan Maarallee hebben meegegeven. De carte blanche die we van KU Leuven kregen om de campagne vorm te geven, zorgde ervoor dat we echt konden onderzoeken hoe we burgerwetenschappers konden motiveren rond een complex en nieuw onderwerp. Voor Scivil als kennis- en onderzoekscentrum was dat een bijzondere en zinvolle ervaring. Het mooie eindresultaat, een tamelijk grote dataset die we volledig van nul hebben opgebouwd dankzij ons harde werk en de keuzes die we als team konden maken, maakt me erg trots. Het getuigt ook van de kracht van citizen science.

Met extra middelen voor bijvoorbeeld jobstudenten hadden we wellicht sneller meer data kunnen verzamelen. Maar dankzij de brede campagne hebben we volgens mij wel een veel diversere en representatievere dataset kunnen opbouwen.”

Alyssa Lambrecht: “Ik ben vooral trots op de filmpjes die we met Isaak hebben gemaakt. Die hebben Maarallee online een heel eigen, herkenbare stijl gegeven en de reacties erop waren positief.

Daarnaast ben ik blij dat we hebben geëxperimenteerd met advertenties en daar ook resultaat van zagen. Vooral de gerichte campagne voor de lesbundel voor leerkrachten werkte goed.”

Van burgerstem naar nieuwe spraaktechnologie

Wat gebeurt er uiteindelijk met alle stemmen die via Maarallee zijn verzameld?

Isaak Vandermaesen: “De dataset wordt via het Instituut voor de Nederlandse Taal verder verdeeld als corpus, een taaldataset. Onderzoekers en start-ups kunnen die dataset opvragen wanneer ze daar een legitiem belang bij hebben. Ze krijgen vervolgens een correcte licentie om de data op een privacyvriendelijke manier te gebruiken.

Zo krijgt de bijdrage van de deelnemers ook na Maarallee een vervolg: de verzamelde Vlaamse stemmen vormen een basis waarop onderzoekers en ontwikkelaars verder kunnen bouwen aan spraaktechnologie die beter met Vlaamse taalvariatie kan omgaan.”