Milieuvoorlichting als middel tegen toenemende milieuhinder: een geoptimaliseerde uitlegbare kunstmatige intelligentie (XAI)-benadering

Waarom milieueducatie ertoe doet

Over de hele wereld schaden vuile lucht, onveilig water en steeds meer afval mensen en natuur. Libië kampt met al deze problemen tegelijk, van vervuilde kusten tot door olie aangetaste woestijnen. Deze studie stelt een eenvoudige maar krachtige vraag: kan betere milieueducatie helpen het tij te keren — en kan moderne kunstmatige intelligentie (AI) ons laten zien welke vormen van onderwijs echt verschil maken?

Vervuilingsdruk dicht bij huis

Het milieu in Libië staat onder druk vanuit meerdere hoeken. Onbehandeld rioolwater en industriële lozingen verontreinigen rivieren, grondwater en zee. Olie- en gasactiviteiten, cementfabrieken en verkeer verslechteren de luchtkwaliteit in steden, terwijl gebrekkige afvalinzameling leidt tot dumping en verbranding van vuilnis in de openlucht. Deze trends bedreigen het zeeleven, drinkwater en de volksgezondheid en dragen bij aan luchtwegaandoeningen, kanker en door water overgedragen infecties. Tegen deze achtergrond is het land begonnen milieuonderwerpen in school- en universitaire programma’s op te nemen, in de hoop dat goed geïnformeerde burgers zullen aandringen op schonere praktijken en beleid.

Naar de volgende generatie luisteren

De onderzoekers richtten zich op studenten in milieuwetenschappen en onderwijsprogramma’s aan twee Libische universiteiten. Meer dan 400 studenten vulden een online vragenlijst in die vroeg naar hun achtergrond, hoe bezorgd ze zijn over kwesties als lucht- en watervervuiling of klimaatverandering, wat ze in het dagelijks leven daadwerkelijk doen — zoals recyclen, deelnemen aan opruimacties of producten met minder verpakking kopen — en hoeveel ze denken te weten over vervuiling, de oorzaken ervan en mogelijke oplossingen. De meeste studenten gaven aan sterk bezorgd te zijn over lucht- en waterkwaliteit en klimaatverandering, en velen zeiden dat ze al pro-milieu gewoonten hebben, zoals het scheiden van recyclebaar afval of deelnemen aan opruimacties. Het zelfgerapporteerde kennisniveau was ook hoog: grote meerderheden zeiden dat ze de belangrijkste verontreinigende stoffen, de belangrijkste oorzaken van vervuiling en mogelijke remedies begrepen.

Slimme middelen gebruiken om te ontdekken wat echt telt

Om verder te gaan dan eenvoudige gemiddelden wendde het team zich tot geavanceerde AI-methoden. Ze beschouwden de kennis van studenten over oplossingen voor milieuvervuiling als de hoofduitkomst die ze wilden voorspellen, en alle andere antwoorden uit de enquête — bezorgdheid, bereidheid tot handelen en gerapporteerd gedrag — als mogelijke beïnvloedende factoren. Ze bouwden verschillende computermodellen, waaronder neurale netwerken, boosted decision trees en een methode genaamd Gaussian process regression. Vervolgens gebruikten ze een techniek die bekendstaat als Bayesian optimalisatie om deze modellen automatisch fijn af te stemmen zodat hun voorspellingen zo nauwkeurig mogelijk werden. Daarbovenop pasten ze een "explainable AI"-benadering toe, die elke enquêfactor een bijdragenscore toekent en laat zien hoe sterk die helpt het model te laten voorspellen hoeveel een student weet over vervuilingsoplossingen.

Wat studentenbegrip van het milieu vormt

De uitlegbare AI-analyse toonde aan dat niet alle vragen even belangrijk waren. De sterkste verbanden met het weten hoe vervuiling aan te pakken kwamen voort uit enkele kernfactoren: of studenten de belangrijkste oorzaken van vervuiling en de grootste verontreinigende stoffen kenden; of ze routinematig aparte containers voor recyclebaar afval gebruikten; of ze bereid waren hun eigen afval te verminderen; en of ze bereid waren samen te werken met groepen die zich inzetten voor milieubescherming. Met andere woorden: zowel concrete kennis als praktische, gemeenschapsgerichte gewoonten lijken centraal te staan voor een dieper begrip. Wanneer de modellen opnieuw werden opgebouwd met alleen deze kleine set invloedrijke factoren, presteerden ze even goed of beter dan wanneer ze waren gevoed met de volledige enquête — vooral het geoptimaliseerde Gaussian process regression-model, dat de scores voor kennis over oplossingen van studenten met zeer hoge nauwkeurigheid voorspelde.

Van data naar actie voor een schonere toekomst

Voor niet‑specialisten is de belangrijkste boodschap dat onderwijs het milieu niet automatisch helpt door simpelweg meer feiten aan leerboeken toe te voegen. Wat er het meest toe lijkt te doen, is onderwijs dat echte lokale problemen koppelt aan alledaagse handelingen en collectieve inspanningen, en dat duidelijk inzicht opbouwt in wat vervuiling in de eerste plaats veroorzaakt. Door uitlegbare AI te gebruiken, laat deze studie zien hoe scholen, universiteiten en beleidsmakers kunnen vaststellen welke houdingen en gedragingen ze moeten stimuleren als ze willen dat studenten capabele rentmeesters van hun omgeving worden. Hoewel het werk gebaseerd is op Libische universiteiten en steunt op zelfgerapporteerde enquêgegevens, biedt de aanpak een blauwdruk: combineer doordachte milieueducatie met transparante AI-analyse om slimmere, meer gerichte programma’s te ontwerpen die helpen bezorgdheid om te zetten in effectieve actie.

Bronvermelding: Hamad, O.A.M., Baysen, E. & Usman, A.G. Environmental education as a means of combating growing environmental pollution: an optimized- explainable artificial intelligence (XAI) approach. Sci Rep 16, 12647 (2026). https://doi.org/10.1038/s41598-026-42335-z

Trefwoorden: milieuvoorlichting, vervuiling, Libya, kunstmatige intelligentie, studentengedrag