Wat is Null Hypothesis?

Wat is een null hypothesis eigenlijk?

Stel je voor: je wilt weten of een nieuwe AI-chatbot echt beter is dan de oude. In plaats van te beginnen met "ja, hij ís beter", begin je juist met het tegenovergestelde: "er is géén verschil tussen de oude en de nieuwe". Dat startpunt — dat er niks aan de hand is — noemen we de null hypothesis (nullhypothese).

Het werkt precies zoals in een rechtszaak: iemand is onschuldig totdat schuld bewezen is. In onderzoek is de "onschuldige" standaard dat er géén effect, géén verschil, géén verband is. Pas als de data overtuigend genoeg zijn, verwerp je die nullhypothese en zeg je: oké, er ís wel degelijk iets aan de hand.

Dit concept komt uit de statistiek, maar AI-ontwikkelaars gebruiken het voortdurend — vaak zonder dat je het merkt. Elke keer dat iemand een nieuw model test, een training-methode vergelijkt, of checkt of een bias-correctie werkt, begint het verhaal met een null hypothesis.

Hoe werkt het in de praktijk?

Je formuleert twee hypotheses:

• Null hypothesis (H₀): er is géén effect, géén verschil, géén verband. Bijvoorbeeld: "De nieuwe chatbot scoort niet beter dan de oude."

• Alternatieve hypothesis (H₁): er ís wel een effect. Bijvoorbeeld: "De nieuwe chatbot scoort wél beter."

Vervolgens verzamel je data en reken je uit: hoe waarschijnlijk is het dat ik deze resultaten zou zien als de null hypothesis waar was? Als die kans heel klein is (vaak kleiner dan 5%), verwerp je de null hypothesis. Dan concludeer je: er is waarschijnlijk wel degelijk een verschil.

In AI-onderzoek zie je dit bijvoorbeeld bij:

• A/B-testen: je test twee versies van een model en begint met "ze presteren hetzelfde" als nulpunt

• Bias-onderzoek: je test of een model echt discrimineert of dat verschillen toeval zijn

• Fairness-checks: je controleert of aanpassingen daadwerkelijk leiden tot eerlijkere output

Waarom zou jij hier iets aan hebben?

Je hoeft niet zelf statistiek te doen om dit concept te begrijpen — maar het helpt wél om AI-rapporten en onderzoeksclaims kritisch te lezen. Als iemand zegt "ons model is beter", vraag je jezelf af: vergeleken met wat? En hoe zeker weten ze dat?

Als een onderzoeker schrijft "we hebben de null hypothesis verworpen", betekent dat: we hebben statistisch bewijs dat er echt iets aan de hand is — het is niet gewoon toeval. Dat geeft je houvast bij vragen als:

• Is deze AI-tool echt betrouwbaarder geworden?

• Maakt die nieuwe training-techniek werkelijk verschil?

• Is het verschil in prestatie tussen twee modellen toeval of echt?

Het is een bescheiden, voorzichtige manier van denken: we nemen niks aan totdat de data ons overtuigen. Dat is precies waarom serieuze AI-onderzoekers het gebruiken.

Waar kom je het tegen?

Je ziet de null hypothesis vooral in:

• Wetenschappelijke papers over AI — de methode-sectie beschrijft vaak welke nullhypothese ze testen

• Benchmarks en vergelijkingen tussen modellen (GPT, Claude, Gemini, Llama e.a.) — de vraag is altijd: is het verschil echt of toeval?

• Bias- en fairness-onderzoek — bijvoorbeeld: discrimineert een recruitment-AI écht op basis van geslacht, of lijkt het alleen zo?

• A/B-tests bij bedrijven die AI inzetten — twee versies draaien parallel, data bepalen of de nieuwe versie echt beter is

Het is een onzichtbare standaard in het hele veld — de statistische fundering onder claims als "dit model werkt beter" of "deze methode vermindert bias".

Begin met gezonde scepsis

De null hypothesis is eigenlijk een wetenschappelijke vorm van gezonde twijfel: begin met "er is niks aan de hand" en laat de data je overtuigen. Voor jou als lezer betekent het: als iemand zegt dat hun AI-oplossing revolutionair is, vraag dan: vergeleken met wat, en hoe hard is dat bewijs?

Die vraag — "hoe zeker weten we dit?" — is precies waar de null hypothesis voor dient. Het houdt onderzoekers, en bedrijven, eerlijk.