Machine learning inzetten om beïnvloedingsmechanismen in de dubbele intentie‑-gedragskloof voor pro‑milieuhandelingen te onderzoeken

Waarom goede groene voornemens vaak tekortschieten

Velen van ons zeggen bezorgd te zijn over het klimaat, en vergeten toch wel eens afval te scheiden, laten lichten aan te laten of de auto te pakken terwijl we hadden kunnen lopen. Deze mismatch tussen wat mensen van plan zijn te doen voor het milieu en wat ze daadwerkelijk doen staat centraal in deze studie. De onderzoekers wilden begrijpen waarom sterke intenties soms niet in actie uitmonden, maar ook waarom mensen soms milieuvriendelijk handelen terwijl ze zelf weinig bewuste intentie rapporteren.

Alledaagse keuzes die het klimaat vormen

Het artikel richt zich op gewone pro‑milieuhandelingen zoals apparaten uitzetten, recyclen, openbaar vervoer gebruiken en vrienden of familie aanmoedigen milieubewuster te zijn. Deze kleine acties kunnen, vermenigvuldigd over miljoenen mensen, de CO2‑uitstoot aanzienlijk verminderen en samenlevingen naar een laag‑koolstofontwikkeling helpen. Eerder onderzoek bekeek vooral wat intenties drijft, en niet zozeer de vaak verrassende kloof tussen wat mensen zeggen en wat ze doen. Deze studie gaat verder door beide kanten van die kloof gedetailleerd te onderzoeken, gebruikmakend van gegevens van 2.216 stadsbewoners in China.

Vier typen groen gedragspatronen

Om deze intentie‑actie‑mismatches te begrijpen, verdelen de auteurs mensen in vier groepen met een eenvoudig kleurgecodeerd model. “Groen” zijn personen met zowel hoge intenties als frequent pro‑milieugedrag. “Rood” zijn personen met lage intenties en zelden milieuvriendelijk gedrag. Interessant zijn de twee “grijze” groepen die de dubbele kloof laten zien: één waarin mensen vaak groene handelingen verrichten ondanks lage gerapporteerde intentie (een positieve kloof), en een andere waarin mensen sterke intenties uiten maar zelden in actie komen (een negatieve kloof). Ongeveer één op de vijf respondenten viel in een van deze kloofgroepen, wat de alledaagsheid van zulke mismatches benadrukt.

Wat geest en omgeving ermee te maken hebben

De onderzoekers onderzoeken vervolgens welke persoonlijke eigenschappen en externe omstandigheden deze vier patronen helpen verklaren. Ze kijken naar iemands milieukenis, gevoel over milieuvriendelijk handelen, gevoel van persoonlijke verantwoordelijkheid, geloof in het eigen vermogen om verschil te maken, en percepties van sociale druk. Ook worden situationele factoren meegenomen, zoals hoe zichtbaar en toegankelijk groene infrastructuur—bijvoorbeeld recyclingpunten of openbaar vervoer—schijnt te zijn. In plaats van traditionele statistiek die eenvoudige, rechte lijnrelaties veronderstelt, gebruiken ze moderne machine learning‑methoden en identificeren LightGBM als het best presterende algoritme om complexe, niet‑lineaire patronen te detecteren.

Verborgen kantelpunten en een verrassende rol voor infrastructuur

De machine learning‑resultaten laten zien dat houding ten aanzien van pro‑milieugedrag consequent het belangrijkst is, maar niet op een eenvoudige “meer is altijd beter”‑manier. Voor mensen in de positieve kloofgroep—zij die groen handelen ondanks lage intenties—volgen houding en verantwoordelijkheidsgevoel een omgekeerde U‑vorm: tot op een bepaald punt ondersteunen ze groen gedrag, maar boven een drempel keren hun effecten om. Voor de negatieve kloofgroep—hoge intenties maar weinig actie—lijkt een zeer sterke pro‑milieuhouding aanvankelijk geassocieerd met een grotere kloof, totdat die houding zo sterk wordt dat het gedrag uiteindelijk begint bij te benen. Een sterk verantwoordelijkheidsgevoel en zelfvertrouwen helpen de negatieve kloof te verkleinen, terwijl zeer zichtbare infrastructuur die kloof juist kan vergroten, mogelijk omdat mensen denken dat “het systeem” het overneemt en hun eigen inspanningen minder van belang zijn.

Wat dit betekent voor klimaatactie

Voor niet‑specialisten is de conclusie dat mensen duurzaam laten leven meer vraagt dan alleen bewustwording vergroten of betere infrastructuur bouwen. De studie suggereert dat er psychologische kantelpunten bestaan: houding, verantwoordelijkheidsgevoel en zelfvertrouwen moeten zorgvuldig worden gekoesterd zodat ze gedrag vooruit helpen in plaats van frustratie of het gevoel dat “iemand anders het zal regelen” te veroorzaken. Aangepaste strategieën werken waarschijnlijk het beste: de al groene groep ondersteunen en versterken, praktische barrières verlagen voor wie moeite heeft in actie te komen, rollen thuis en op het werk inzetten om stille doeners te stimuleren, en publieke systemen ontwerpen die persoonlijke betrokkenheid uitnodigen in plaats van deze te verdunnen. Door deze genuanceerde patronen te onthullen, biedt het artikel een realistischer stappenplan om klimaatbezorgdheid om te zetten in blijvende dagelijkse actie.

Bronvermelding: Dong, Z., Zhang, Y., Mao, Y. et al. Harnessing machine learning to explore influencing mechanism in the dual pro-environmental intention-behavior gap. Sci Rep 16, 12082 (2026). https://doi.org/10.1038/s41598-026-42468-1

Trefwoorden: pro‑milieugedrag, intentie–gedragskloof, machine learning, milieugedragpsychologie, laag‑koolstof levensstijl