Je gsm trilt, pingt en bliept de hele dag door. Voor een nieuw bericht, een app-update, een like op je foto… Handig, ja, maar wat doen al die meldingen eigenlijk met je brein? Word je er gestresst van? Zijn wij allemaal digitaal overprikkeld? Verslaafd misschien? Of kan je er net veel sneller door werken en beter door focussen? Prof. dr. Sebastiaan Engelborghs, neuroloog aan de VUB en UAntwerpen, legt het uit aan Xavier Taveirne in ARhus, in Roeselare.
In 2022 werd ‘gaslighting’ door Merriam-Webster uitgeroepen tot woord van het jaar. Sindsdien is de term overal: in media, in gesprekken over relaties, op het werk en zelfs in politieke debatten. Gaslighting is synoniem geworden met een manier van manipuleren waarbij iemand systematisch doet twijfelen aan zijn of haar eigen waarneming of herinneringen. Maar hoe goed begrijpen we dit fenomeen eigenlijk vanuit de psychologie?
Van film naar wetenschap
De term gaslighting gaat terug op de film Gaslight (1944), waarin een man zijn vrouw gek maakt door subtiele manipulaties: lampen die hij dimt, dingen die verdwijnen, herinneringen die hij ontkent. Sinds de jaren zestig en zeventig werd gaslighting ook in de psychiatrie gebruikt, maar vaak op een vrij losse manier. Het bleef lang hangen in het psychodynamisch jargon en in de populaire cultuur. Pas de laatste tien jaar is er een golf aan academische belangstelling ontstaan, onder meer in de context van romantische relaties, ouder-kindrelaties en zelfs in instituties en de medische wereld.
Een theoretisch model
De auteurs stellen dat gaslighting verklaard kan worden door normale leer- en sociale mechanismen die in een atypische situatie verkeerd worden ingezet. Ze gebruiken daarvoor de theorie van prediction error minimization (PEM). Die stelt dat ons brein voortdurend voorspellingen maakt over de wereld en die bijstelt als er iets niet klopt. Normaal helpt dit ons leren en functioneren. Maar in een relatie waar veel vertrouwen is – bijvoorbeeld een intieme partnerrelatie – heeft de ander een bevoorrechte positie. Als die ander systematisch alternatieve verklaringen geeft (“Je vergist je, dat heb je je verbeeld”), ga je je eigen waarneming steeds minder vertrouwen en de ander steeds meer.
Gaslighting ontstaat dus niet omdat het slachtoffer ‘zwak’ zou zijn, maar omdat nauwe relaties nu eenmaal gebouwd zijn op epistemisch vertrouwen: we gaan er automatisch van uit dat een geliefde of een ouder ons helpt de werkelijkheid beter te begrijpen. Precies dat mechanisme kan misbruikt worden.
Van twijfel naar verlies van agency
Het model beschrijft gaslighting als een cyclus. Eerst wordt er verwarring gecreëerd – vaak door kleine, alledaagse discrepanties (de verdwenen sleutelbos, een herinnering die zogezegd fout zit). Vervolgens komt de verklaring van de gaslighter: “Je vergeet weer wat”, “Je bent te emotioneel”, “Je interpreteert dingen verkeerd”. Als dat vaak genoeg gebeurt, neemt het vertrouwen in de eigen waarneming af. Langzaam wordt de agency – het gevoel dat je zelf grip hebt op de werkelijkheid – ondermijnd.
Opmerkelijk is dat dit mechanisme volgens de auteurs ook kan verklaren waarom mensen in gaslightingrelaties niet zomaar ‘wakker worden’. Eens er een sterk vertrouwen is opgebouwd, zijn tegenstrijdige signalen minder zwaarwegend dan bevestigingen. Je gelooft liever dat je jezelf vergist, dan dat je moet toegeven dat je partner onbetrouwbaar of zelfs kwaadaardig is.
Herstel en kritische kanttekeningen
De auteurs schetsen ook hoe herstel eruit kan zien. Vaak is er een katalysator nodig van buitenaf: iemand die als betrouwbaar alternatief fungeert en bevestigt dat je waarnemingen kloppen. Ook activiteiten die je terug in contact brengen met je eigen ervaringen en lichaam – zoals sport, kunst of mindfulness – zouden kunnen helpen om opnieuw zelfvertrouwen op te bouwen.
Maar we moeten dit artikel vooral lezen als een theoretisch voorstel. Het biedt een elegant raamwerk dat gaslighting verbindt met bekende psychologische concepten (zoals hechting, self-verification en shared reality), maar het blijft grotendeels speculatief. Er is nog weinig empirisch onderzoek dat deze mechanismen hard maakt. Toch is dit waardevol: het maakt gaslighting beter onderzoekbaar en biedt aanknopingspunten voor nieuw onderzoek.
Waarom dit relevant is
Gaslighting is geen modewoord dat we zomaar mogen wegwuiven. Het raakt aan fundamentele vragen: hoe leren we wie we zijn? Hoe afhankelijk zijn we van anderen om de werkelijkheid te begrijpen? En hoe kan dat vertrouwen misbruikt worden? Het nieuwe model laat zien dat gaslighting niet iets exotisch is, maar een perverse exploitatie van normale menselijke mechanismen. Precies daarom verdient het onze aandacht – in de wetenschap én in het publieke debat.
P.S. voor mijn laatste plaat tot nu toe van mijn band Blue and Broke schreef ik een song over dit fenomeen:
Het boek draait rond de beruchte “signing first”-studie, die ooit een enorme impact had. Het idee leek briljant eenvoudig: laat mensen eerst hun handtekening zetten bovenaan een formulier, en ze zouden eerlijker antwoorden geven. Het werd wereldwijd opgepikt door onderzoekers, bedrijven en zelfs overheden. Alleen: het bleek allemaal gebouwd op gefabriceerde data. Francesca Gino en Dan Ariely, twee grote namen in de gedragswetenschappen, bleken de datasets te hebben gemanipuleerd.
Dat maakt het verhaal niet alleen pijnlijk, maar ook fascinerend. Want Ariely is niet zomaar iemand. Hij is een van de bekendste en meest gelezen gedragswetenschappers van de afgelopen decennia. Zijn boeken over irrationeel gedrag zijn wereldwijd bestsellers, zijn TED-talks miljoenen keren bekeken. Juist daarom komt de val zo hard aan: als zelfs een naam als Ariely niet boven verdenking staat, wat zegt dat dan over de rest van het veld?
De recensies leggen verschillende accenten. In Science lees je vooral een feitelijke reconstructie: Bazerman, co-auteur maar zelf niet betrokken bij de fraude, beschrijft minutieus wat er gebeurd is en hoe hij er middenin verzeild raakte. Education Next is veel scherper en stelt de bredere vraag: wat als sociale wetenschap in haar geheel minder betrouwbaar is dan we denken?
Die combinatie maakt dat ik het boek echt zelf wil lezen. Niet enkel om een inkijk te krijgen in hoe fraude kon plaatsvinden, maar ook om de bredere discussie te volgen over de staat van de sociale wetenschappen. Want of je nu fan was van Ariely of sceptisch tegenover behavioral economics en gedragspsychologie: dit verhaal raakt aan iets groters.
De aanleiding is opvallend: eind 2023 besloot Clarivate – de club; of eerder het bedrijf, achter Web of Science, waarmee je bijvoorbeeld van zien wie highly cited researchers zijn – om het hele vakgebied wiskunde te schrappen. Niet omdat er te weinig wiskundigen waren, maar omdat de cijfers in hun databank zó besmet waren geraakt door nep journals en citatiekartels dat je de waarde van die lijst niet meer kon vertrouwen.
Wat is er misgegaan? Bibliometrie, het geheel van impactfactoren, citatie-aantallen, rankings, is te dominant geworden. In een vak als wiskunde, waar sowieso minder wordt gepubliceerd en geciteerd dan in andere wetenschappen, maakt dat de cijfers extra kwetsbaar. En waar cijfers belangrijk worden, ontstaat ruimte voor manipulatie. Denk aan tijdschriften die tegen betaling alles publiceren, onderzoekers die elkaar systematisch citeren om de eigen impact op te krikken, of dubieuze “bewijzen” van beroemde vermoedens die zonder degelijke peer review worden geplaatst.
Het resultaat? Goede onderzoekers verliezen kansen op financiering of jobs omdat anderen hun cv kunstmatig oppompen. Middelen gaan naar kwantiteit in plaats van kwaliteit. En misschien nog belangrijker: vertrouwen in wetenschap brokkelt af – niet alleen binnen de academische wereld, maar ook daarbuiten.
Het rapport doet gelukkig meer dan klagen. Beleidsmakers krijgen het advies om minder naar rankings en lijstjes te kijken en meer te investeren in expertbeoordeling. Universiteiten worden aangemoedigd om onderzoekers te beoordelen op hun beste werk, niet op aantallen publicaties. En individuele onderzoekers krijgen een duidelijke oproep: vermijd predatory journals, spreek collega’s aan op dubieuze praktijken, en leer jonge onderzoekers hoe ze nep van echt onderscheiden. Iets wat vandaag de dag moeilijker en moeilijker wordt door AI, natuurlijk.
Maar tegelijk blijven er vragen. Hoe organiseer je expertbeoordeling op grote schaal zonder dat het systeem vastloopt? Hoe overtuig je universiteiten die internationale rankings als marketing gebruiken? En hoe help je jonge onderzoekers die predatory journals soms als enige kans zien om mee te tellen? De aanbevelingen zijn een belangrijke stap, maar het grotere spanningsveld – tussen bibliometrie, ongelijkheid en de macht van uitgevers – blijft voorlopig bestaan.
De boodschap blijft dus dubbel: dit rapport is een wake-up call én een uitnodiging. Minder blind vertrouwen op cijfers, meer oog voor kwaliteit en integriteit. Alleen dan zorgen we ervoor dat wetenschap – zelfs in de wiskunde – een bron van vertrouwen blijft.
Sorry voor de derde post op een dag terwijl het niet meer het begin van het schooljaar is, maar deze reclame wou ik je niet onthouden. Wel ergens een goeie reclame, want het deed me direct opzoeken wat de tool precies is:
Cluely AI wordt op de markt gebracht als “realtime coaching” voor alles, van sollicitatiegesprekken tot verkoopgesprekken. Cluely is een AI-gestuurde app die naar je scherm en microfoon luistert en je vervolgens suggesties voor antwoorden geeft via een verborgen overlay. In theorie is het een stille boost voor je zelfvertrouwen. In de praktijk? Het is een hightech spiekbriefje. (bron)
Angst om te bellen; het is niet alleen vervelend, maar kan je ook serieus in de weg zitten. Voor veel banen is het onpraktisch en onderzoek laat zien dat mensen met belangst zelfs gemiddeld een lager inkomen hebben. In deze aflevering vertelt psychiater Tim van Dijl (Universiteit Tilburg | GGZ Breburg) hoe belangst ontstaat, welke rol hormonen daarbij spelen én vooral: hoe je er weer vanaf kunt komen. Natuurlijk deelt hij ook praktische tips die je direct kunt toepassen.
Blootstellingsoefening:
Stap 1: Schrijf op een briefje waar je écht bang voor bent en wat je wil overwinnen (dus niet hakkelen of stotteren, maar de angst die daaronder zit zoals: “anderen vinden me dom” of “iemand wil me na dit telefoontje niet meer zien”)
Stap 2: Iedere keer nadat je gebeld hebt, ga je na of datgene waar je bang voor was is uitgekomen
Stap 3: Sta er bewust bij stil dat die angst niet is uitgekomen. Door dit steeds te herhalen, zul je merken dat de angst langzaam minder wordt
Tip: Richt je tijdens het gesprek steeds op het onderwerp van het gesprek. Laat je niet afleiden door gedachten als: “Hoe kom ik over?” of “Wat als er een stilte valt?”. Hoe meer je met jezelf bezig bent, hoe minder je écht hoort wat de ander zegt.
Bonustip: Daag jezelf uit met nog extremere sociale blootstellingsopdrachten. Bijvoorbeeld: loop rond met een stuk wc-papier uit je broek, of zing een lied op een plein. Als je dát kunt, voelt een telefoontje ineens een stuk makkelijker.
In discussies en ook in posts op deze blog over AI gaat het vaak over wat er mis kan lopen: hallucinaties, bias, foute toepassingen in de klas of in de zorg. Maar soms verschijnt er een studie die laat zien dat AI ook op een verstandige manier kan worden ingezet om net de kwaliteit van wetenschap te bewaken. Een mooi voorbeeld daarvan verscheen onlangs in Science Advances (Zhuang, Liang & Acuña, 2025).
Hun vraag: kan AI helpen om zogenaamde “predatory journals” of beter gezegd “questionable open-access journals” te detecteren? Het probleem is je misschien niet bekend, maar sinds de doorbraak van open access – waar ik zelf voor ben – zijn er steeds meer uitgeverijen die wetenschappers geld vragen om te publiceren, zonder echte peer review of redactie. Vaak gebruiken ze misleidende namen die lijken op gevestigde wetenschappelijke tijdschriften. Ze beloven publicatie binnen een week en er verschijnen artikels die inhoudelijk nauwelijks gecontroleerd zijn. Voor auteurs die publicatiedruk voelen of weinig ervaring hebben, lijken deze tijdschriften een snelle oplossing – maar in werkelijkheid ondermijnen ze de integriteit van wetenschap.
Om te helpen het kaf van het koren te scheiden zijn er gelukkig wel wat hulpbronnen: denk aan de Directory of Open Access Journals (DOAJ) die strenge criteria hanteert voor opname, of de historische maar inmiddels stopgezette Beall’s List. Ook commerciële spelers zoals Cabell’s proberen onderzoekers wegwijs te maken. Maar het probleem blijft dat dit werk traag en arbeidsintensief is. Nieuwe neptijdschriften schieten als paddenstoelen uit de grond, vaak onder bijna identieke namen.
En hier kan dus AI potentieel helpen. De onderzoekers bouwden een model dat niet zomaar op één kenmerk afgaat, maar combineert:
websitecontent (bestaat er een duidelijke peer review policy? staat er iets over copyright of ethiek? wie zit er in de redactie?);
websiteontwerp (patronen in broncode of zelfs het uiterlijk van de homepage, vaak hergebruikt door malafide uitgevers);
bibliometrische gegevens (hoeveel zelfcitatie, hoe zit het met h-indexen van auteurs, hoeveel diversiteit in citaties en instellingen?).
Hun model bereikte een behoorlijke nauwkeurigheid. Bij een realistische drempel konden ze ruim 1.000 verdachte tijdschriften identificeren, die samen honderdduizenden artikelen publiceren en miljoenen citaties ontvangen. Niet onbelangrijk: het model werd ook vergeleken met menselijke experts, en de overlap was groot. Uiteraard zijn er nog fouten (ongeveer een kwart van de verdachte titels bleek vals alarm), maar de onderzoekers benadrukken dat dit niet bedoeld is als eindbeslissing. Het is een triagesysteem: een manier om de stapel kleiner te maken zodat experts hun tijd beter kunnen inzetten.
Dit is dus een voorbeeld van AI op z’n best: niet om de mens te vervangen, maar om schaal te creëren waar handwerk te traag en te reactief is. Tegelijk waarschuwen de auteurs voor overhaaste conclusies: je mag de detectie niet volledig automatiseren. Er blijven subtiele gevallen en contexten waarin enkel domeinexperts een afgewogen oordeel kunnen vellen.
Wat ik sterk vind, is dat het onderzoek ook de begrippen helder uit elkaar houdt. Predatory publishing is geen zwart-wit verhaal: er zijn tijdschriften die tijdelijk van de DOAJ-lijst verdwijnen zonder frauduleus te zijn. En er bestaan ook wellicht hybride en zelfs traditionele uitgevers met dubieuze praktijken. Maar dat er een probleem is, daar twijfelt intussen niemand meer aan.
De les voor ons? Als onderzoekers, instellingen of financiers moeten we alert blijven waar we publiceren en wie we citeren. AI kan daarbij een handig hulpmiddel zijn, maar we moeten tegelijk waakzaam blijven dat zulke tools transparant, uitlegbaar en eerlijk blijven. En misschien is dit net de manier waarop AI kan hier dus helpen om ruis te filteren en integriteit te beschermen. Precies waar wetenschap volgens mij zo nood aan heeft.
Questionable journals threaten global research integrity, yet manual vetting can be slow and inflexible. Here, we explore the potential of artificial intelligence (AI) to systematically identify such venues by analyzing website design, content, and publication metadata. Evaluated against extensive human-annotated datasets, our method achieves practical accuracy and uncovers previously overlooked indicators of journal legitimacy. By adjusting the decision threshold, our method can prioritize either comprehensive screening or precise, low-noise identification. At a balanced threshold, we flag over 1000 suspect journals, which collectively publish hundreds of thousands of articles, receive millions of citations, acknowledge funding from major agencies, and attract authors from developing countries. Error analysis reveals challenges involving discontinued titles, book series misclassified as journals, and small society outlets with limited online presence, which are issues addressable with improved data quality. Our findings demonstrate AI’s potential for scalable integrity checks, while also highlighting the need to pair automated triage with expert review.
Ze doken in de loondata van miljoenen Amerikanen en keken: wie werkt waar, en wat is er gebeurd sinds generatieve AI (lees: ChatGPT en co) eind 2022 doorbrak? Het resultaat: jonge werknemers van 22 tot 25 in AI-gevoelige beroepen – denk softwareontwikkeling en klantendienst – zagen hun kansen op werk met zo’n 13% dalen. Hun oudere collega’s? Die bleven wél netjes aan boord.
Het zijn dus niet zozeer de banen zelf die verdwijnen, maar vooral de instroom van nieuwkomers die stokt. Salarissen blijven min of meer gelijk, maar de toegangspoort voor starters gaat dicht. Bedrijven houden liever vast aan wie ervaring heeft.
En er zit nog een belangrijk verschil: in sectoren waar AI vooral automatiseert, gaat het mis. Daar krimpt de werkgelegenheid voor jongeren. Maar waar AI taken aanvult in plaats van overneemt, zien de onderzoekers zelfs groei. De boodschap is duidelijk: AI als collega is oké, AI als vervanger is een probleem.
Waarom treft het net jongeren? Omdat AI vooral goed is in het repliceren van “boekkennis” – de theoretische bagage waarmee je de arbeidsmarkt opkomt. Wat AI veel minder goed kan, is de praktijkervaring, de shortcuts en de intuïtie die je pas na jaren opdoet. De onderzoekers vermoeden dat dit oudere werknemers net minder kwetsbaar maakt.
Het blijft opletten met grote conclusies. Dit is nog maar het begin, en andere factoren (pandemie, economische schokken) spelen ook mee. Maar de kanarie in de koolmijn fluit nog, maar hoe lang nog?. Wie vandaag als starter een carrière bouwt in een AI-gevoelige sector, merkt nu al dat de spelregels veranderd zijn.
This paper examines changes in the labor market for occupations exposed to generative artificial intelligence using high-frequency administrative data from the largest payroll software provider in the United States. We present six facts that characterize these shifts. We find that since the widespread adoption of generative AI, early-career workers (ages 22-25) in the most AI-exposed occupations have experienced a 13 percent relative decline in employment even after controlling for firm-level shocks. In contrast, employment for workers in less exposed fields and more experienced workers in the same occupations has remained stable or continued to grow. We also find that adjustments occur primarily through employment rather than compensation. Furthermore, employment declines are concentrated in occupations where AI is more likely to automate, rather than augment, human labor. Our results are robust to alternative explanations, such as excluding technology-related firms and excluding occupations amenable to remote work. These six facts provide early, large-scale evidence consistent with the hypothesis that the AI revolution is beginning to have a significant and disproportionate impact on entry-level workers in the American labor market.
AI-tools zoals ChatGPT zijn in een paar jaar tijd ingeburgerd geraakt op de werkvloer. Driekwart van de professionals zegt ze te gebruiken, en vaak gaat het dan om e-mails of andere vormen van zakelijke communicatie. Maar wat doet dat eigenlijk met de manier waarop we elkaar zien? Een nieuw onderzoek van Cardon en Coman (2025) keek niet naar de kwaliteit van AI-teksten zelf – die blijkt meestal professioneel en foutloos – maar naar hoe mensen hun collega of leidinggevende beoordelen als die AI inzet.
Het resultaat is dubbel. Enerzijds worden berichten die (deels) met AI geschreven zijn vaak net zo professioneel en effectief gevonden als puur menselijke berichten, soms zelfs beter. AI haalt immers typfouten weg en kan een saaie mail zakelijk en strak laten klinken. Wie ooit een onbeholpen e-mail van een leidinggevende kreeg, weet dat dat geen detail is.
Maar er zit ook een schaduwkant. Hoe meer AI wordt ingezet, hoe sterker de indruk dat de schrijver zelf minder betrouwbaar, minder warm of minder betrokken is. Vooral leidinggevenden die AI op een intensieve manier gebruiken, verliezen aan geloofwaardigheid: ze lijken minder oprecht, minder zorgzaam en soms zelfs minder competent. Voor veel respondenten lag er een soort drempel rond de 30 à 50%: als minder dan de helft van de tekst door AI is opgesteld, blijft de auteur nog steeds de ‘echte’ auteur. Daarboven wordt het moeilijker.
Dat roept een interessant spanningsveld op. Want waar AI de cognitieve kant van vertrouwen kan versterken – helderheid, foutloosheid, efficiëntie – lijkt het de affectieve kant van vertrouwen te ondermijnen: warmte, integriteit, authenticiteit. Zeker bij relationele communicatie, zoals het uitspreken van waardering, komt dat naar voren. Veel werknemers gaven aan dat ze zich minder gezien zouden voelen als ze wisten dat hun baas een felicitatie-mail door ChatGPT had laten opstellen.
Het onderzoek is knap opgezet, met meer dan 1.100 professionals in verschillende condities, maar tegelijk blijft er een beperking: het gaat om een hypothetisch scenario. Respondenten kregen een specifieke boodschap te lezen en moesten zich voorstellen dat die van hun leidinggevende kwam. De vraag blijft hoe dat uitpakt in echte werkrelaties, waar context, toon en de opgebouwde band minstens even belangrijk zijn. Bovendien speelt gewenning een rol: wat vandaag nog als “onecht” voelt, kan morgen de norm zijn.
De studie leert ons vooral dat AI-gebruik in communicatie niet neutraal is. Het is niet alleen de tekst die telt, maar ook wat die tekst doet met het beeld van de schrijver. En dat beeld kan kantelen zodra AI meer is dan een hulpmiddel. Misschien is dat wel de kern: AI kan prima helpen bij het structureren of polijsten van teksten, maar zodra het menselijke gebaar – de erkenning, het kleine stukje authenticiteit – wordt overgenomen, verliezen we meer dan we winnen.
En hier stel ik me meteen de vraag bij die relevant is voor het onderwijs: nu ook steeds meer leerkrachten AI gebruiken om feedback te geven op het werk van hun leerlingen, zouden daar dezelfde mechanismen kunnen spelen? Als leerlingen merken dat hun feedback grotendeels door een AI gegenereerd werd, voelen ze zich dan minder gezien of minder serieus genomen – precies zoals werknemers hun leidinggevende als minder betrokken ervaren? Dat is voorlopig nog een open vraag, maar wél een die me de moeite waard lijkt te onderzoeken.
This study explores perceptions of managers who use AI-assisted writing for workplace communication tasks. Prior scholarship has established the professionalism of the text of AI-generated workplace writing, but perceptions of message senders who use AI have not previously been explored. To capture professionals’ perceptions of email authorship, a survey was conducted of 1,100 working professionals. In a two (directionality of communication) by four (levels of AI assistance) study, respondents were asked to evaluate the authorship of an AI-assisted message congratulating a team for meeting goals and setting new objectives. The results suggest that, despite positive impressions of professionalism in AI-assisted writing, managers who use AI for routine communication tasks put their trustworthiness at risk when using medium- to high-levels of AI assistance, as respondents in these conditions begin to question the authorship, confidence, caring, sincerity, and ability of senders. These results contribute to ongoing research into the effectiveness of AI-mediated interpersonal workplace communication by suggesting parameters for practical use and directions for future research.
