Mag ik vragen hoe je de spel- en regie-lagen heb opgebouwd? Met welke data feed je die lagen?
Ja, ik kan zeker een tipje van de sluier oplichten.
De zes belangrijkste spellagen in DidM zijn: Sleutelposities, FTM, Klassiek Molgedrag, Niet-de-Mol gedrag, Nepmolgedrag en Verdenkingen kandidaten. Er is ook een laag Verdenkingen app. Niet verbazingwekkend voor velen hier: wat Nederland gemiddeld vindt van de mol blijkt een hele goede niet-de-Mol indicator te zijn, vooral in het eerste deel van het seizoen.
Ik heb DidM opgezet als een 'conservatief model'. Ik bedoel daarmee dat DidM zich richt op observeerbaar gedrag en eventueel de directe conclusies die je op basis van dat gedrag kunt trekken. Er is dus geen ruimte in het model voor aanwijzingen die sterk leunen op aannames of speculatie.
Vóór elk van de lagen zit daarom een selectiefilter met criteria op basis waarvan je kunt bepalen of een aanwijzing 'hard' genoeg is om het model te halen of niet. Ik moet dus regelmatig op m'n handjes gaan zitten en mooie hints en theorieën voorbij laten gaan als die teveel aannames nodig hebben.
Door deze 'conservatieve benadering' is er dus ook geen plek in DiDM voor de verborgen hints. Dat vind ik wel jammer, maar ik heb tot nu toe geen manier gevonden om de subjectiviteit van deze hints naar een niveau terug te brengen zodat de statische engine er iets zinnigs mee kan.
Het voordeel van deze benadering zou in principe moeten zijn dat je je eigen tunnelvisie een beetje onder controle houdt en je eigen biases niet projecteert op het model. Dat gaat natuurlijk nooit helemaal lukken maar ik denk wel dat deze aanpak een redelijk goed slot op de deur vormt.
Dan de regielagen, daarin zit onder andere een laag met een Molprofiel en een aantal lagen met veelvoorkomende gedragspatronen in de productie en de edits. Denk bijvoorbeeld aan de mate waarin kandidaten in beeld worden gebracht.
Op deze regielagen wil ik hier liever niet te diep ingaan. Niet om flauw te zijn, maar ik ga ervan uit de de makers ook meelezen op dit forum. Als ze bereid zijn een heel afvallershotel te organiseren om te voorkomen dat een paar malloten gaan speuren op de socials, dan maak ik me verder niet al te veel illusies.
Een in mijn ogen sterke feature van DidM is dat het een stevige statistische basis heeft in bayesesiaanse logica. Kort gezegd komt die erop neer dat je constant kleine brokjes informatie (bewijs) toevoegt om een bepaalde overtuiging die je hebt aan te scherpen. In ons geval is die overtuiging: de kans dat kandidaat X de Mol = Y.
Bayesiaanse modellen bestaan al best lang, meer dan een eeuw, maar hebben pas vrij recent een grote vlucht genomen. Ze zijn onder andere gebruikt om een vermiste waterstofbom op de bodem van de oceaan mee op te sporen. Als dat kan, dan zou het toch ook moeten ook lukken om hiermee een Mol te ontmaskeren
