Samenvattingen · InformaticaNL · HAVO

Keuze Q: Maatschappelijke en individuele invloed van informatica

Dit is het keuzethema Q van het schoolexamenvak informatica: de maatschappelijke en individuele invloed van informatica. Omdat informatica op de HAVO geen landelijk eindexamen kent, wordt ook dit keuzethema volledig via het schoolexamen (SE) getoetst. Je leert privacy en de AVG, de ethiek van algoritmen, de impact van AI en automatisering en de bredere gevolgen van digitalisering — steeds met oog voor zowel de kansen als de risico's.

4Onderdelenca. 23min leestijd4VaardighedenNiveauBasis 1 · Standaard 2 · Verdieping 1

T·121212 / 12

Examenprofiel

Uitleggen wat persoonsgegevens zijn en hoe de AVG (sinds 2018) de verwerking ervan begrenst met kernbeginselen en rechten.De ethische kanten van een informatiesysteem beoordelen: algoritmische bias, transparantie, verantwoordelijkheid en gevolgen voor belanghebbenden.Kansen én risico's van AI en automatisering afwegen en de rol van de mens (mens in de lus) beredeneren.Maatschappelijke gevolgen van digitalisering benoemen: auteursrecht en licenties, duurzaamheid, de digitale kloof en online burgerschap (keuzethema Q, alleen SE).

Operatoren:leg uitberedeneerbeschrijfbeoordeelvergelijkweeg afpas toe

basisniveau

Zorg dat je de kernbegrippen (persoonsgegevens, de AVG-beginselen, bias, open source) kunt definiëren en telkens met een concreet voorbeeld kunt illustreren.

verhoogd niveau

Weeg kansen en risico's expliciet tegen elkaar af, breng de belanghebbenden in kaart en onderbouw een genuanceerd oordeel over een concreet systeem met een aanbeveling.

Diepte

Schrift

Inhalt · 4 onderdelen

Keuze Q: Maatschappelijke en individuele invloed van informatica

Privacy en persoonsgegevens#

Standardexamenblad-nl

Datastroom van persoonsgegevens

Afb. 1Afb. 1 — Hoe persoonsgegevens van de gebruiker via een dienst bij derde partijen terechtkomen. De verkoop aan een databroker is het punt waarop de gebruiker de controle het snelst verliest.

Een persoonsgegeven is elk gegeven dat te herleiden is tot een identificeerbaar, levend natuurlijk persoon. Dat is een ruimer begrip dan veel mensen denken: niet alleen je naam, adres, geboortedatum of pasfoto vallen eronder, maar ook indirecte gegevens waarmee je iemand kunt aanwijzen — een IP-adres, een cookie-identifier, een locatie, een kenteken of het unieke patroon van iemands surfgedrag. De wet onderscheidt daarbij gewone van bijzondere persoonsgegevens: gevoelige categorieën zoals gezondheid, ras of etnische afkomst, geloof, politieke voorkeur en seksuele geaardheid, die extra streng beschermd zijn omdat misbruik ervan iemand ernstig kan schaden. Dat onderscheid is belangrijk, want de mate van bescherming beweegt mee met de gevoeligheid van het gegeven.

Sinds 25 mei 2018 wordt de verwerking van persoonsgegevens in de hele Europese Unie geregeld door de Algemene verordening gegevensbescherming (AVG), internationaal bekend als de GDPR. „Verwerken” is opnieuw een breed begrip: verzamelen, opslaan, ordenen, raadplegen, delen, combineren en verwijderen vallen er allemaal onder. De AVG keert het vanzelfsprekende om: een organisatie mag jouw gegevens niet zomaar gebruiken, maar heeft daarvoor telkens een geldige grondslag nodig, bijvoorbeeld jouw toestemming, een overeenkomst of een wettelijke plicht. In Nederland houdt de Autoriteit Persoonsgegevens toezicht op de naleving, en bij zware overtredingen kan een toezichthouder forse boetes opleggen. De wet geldt bovendien voor elke organisatie die gegevens van EU-burgers verwerkt, ook als het bedrijf buiten Europa gevestigd is.

De AVG rust op een handvol kernbeginselen die je moet kunnen toepassen op een casus. Doelbinding betekent dat gegevens alleen mogen worden gebruikt voor het vooraf vastgestelde, welbepaalde doel — een adres dat je opgeeft om een pakket te laten bezorgen, mag niet zomaar worden doorverkocht voor reclame. Dataminimalisatie schrijft voor dat een organisatie niet méér gegevens verzamelt dan strikt nodig is voor dat doel; een zaklamp-app heeft geen contactenlijst nodig. Toestemming moet vrij, specifiek, geïnformeerd en ondubbelzinnig zijn, en je moet die net zo makkelijk kunnen intrekken als geven — een vooraf aangevinkt vakje is dus geen geldige toestemming. Daarnaast gelden juistheid (gegevens moeten kloppen en actueel zijn), opslagbeperking (niet langer bewaren dan nodig) en beveiliging (passende technische bescherming).

Tegenover de plichten van organisaties staan concrete rechten van de betrokkene. Het recht op inzage laat je opvragen wélke gegevens een organisatie over je heeft en waarom. Het recht op rectificatie laat je onjuiste gegevens corrigeren. Het recht op gegevenswissing — in de volksmond het „recht om vergeten te worden” — laat je onder voorwaarden eisen dat gegevens worden verwijderd, bijvoorbeeld als het doel is vervallen of de toestemming is ingetrokken. Het recht op dataportabiliteit laat je je gegevens in een leesbaar formaat meenemen naar een andere dienst, en met het recht van bezwaar kun je je verzetten tegen bepaalde verwerkingen, zoals profilering voor reclame. Deze rechten maken privacy praktisch: ze geven de burger echte knoppen in handen in plaats van een abstracte belofte.

In de praktijk botsen die regels het vaakst op tracking en profilering. Een cookie is een klein tekstbestandje dat een website op jouw apparaat plaatst; functionele cookies zijn nodig om de site te laten werken (bijvoorbeeld je winkelmandje onthouden), maar tracking-cookies volgen je surfgedrag over veel websites heen en bouwen zo een profiel op van je interesses. Met dat profiel kan gepersonaliseerde reclame worden getoond of kan zelfs de prijs die je ziet worden aangepast. Hier ligt het centrale spanningsveld van dit keuzethema: gratis diensten en gemak — een app die je route onthoudt, een feed vol dingen die je leuk vindt — worden vaak „betaald” met je gegevens. Vóór dat model pleiten het gebruiksgemak en de gratis toegang; ertegen pleiten het verlies aan controle, het risico op manipulatie en de macht die databedrijven zo opbouwen. Een geïnformeerde burger weegt dat gemak bewust af tegen wat hij prijsgeeft.

Uitgewerkt voorbeeld

Een gratis app die veel data vraagt

„LichtNu” is een gratis zaklamp-app. Bij installatie vraagt de app toegang tot je locatie, contactenlijst en agenda, en de privacyverklaring vermeldt dat „gegevens met partners kunnen worden gedeeld voor advertenties”. Analyseer deze app aan de hand van de AVG.

1. Bepaal het doel
De kernfunctie van een zaklamp-app is de flitser van de camera aansturen. Daarvoor is geen locatie, contactenlijst of agenda nodig. Het opgegeven doel (licht geven) en de gevraagde gegevens lopen dus sterk uiteen.
2. Toets aan dataminimalisatie
Omdat er veel meer gegevens worden gevraagd dan de functie vereist, schendt de app het beginsel van dataminimalisatie: er wordt niet het minimum, maar juist een maximum aan gegevens verzameld.
3. Toets aan doelbinding
De gegevens worden gebruikt en gedeeld voor advertenties, een ander doel dan waarvoor de gebruiker de app installeerde. Dat is strijdig met doelbinding, tenzij de gebruiker daar apart, vrij en geïnformeerd toestemming voor heeft gegeven.
4. Toets de toestemming
„Kunnen worden gedeeld” in een lange verklaring is vaag en niet specifiek; echte toestemming moet ondubbelzinnig en per doel zijn. Een alles-of-niets-installatie waarbij je de app anders niet kunt gebruiken, maakt de toestemming bovendien niet vrij.
5. Benoem de rechten
De gebruiker kan zijn recht op inzage inroepen om te zien welke gegevens zijn verzameld, en zijn recht op gegevenswissing (vergetelheid) om ze te laten verwijderen; ook kan hij bezwaar maken tegen de profilering voor reclame.

Resultaat: De app schendt dataminimalisatie en doelbinding en leunt op ongeldige, te vage toestemming. Een verantwoorde keuze is de app niet te installeren of de overbodige permissies te weigeren; de gebruiker kan daarnaast inzage, wissing en bezwaar inroepen.

Veelgemaakte fouten

Denken dat alleen je naam of adres een persoonsgegeven is — ook een IP-adres, locatie of cookie-id valt eronder.
Toestemming en doelbinding door elkaar halen, of aannemen dat een vooraf aangevinkt vakje geldige toestemming is.
Aannemen dat een gratis dienst „niets kost”, terwijl er vaak met persoonsgegevens wordt betaald.

Actieve herhaling

Een populaire, gratis spelletjes-app vraagt bij installatie toegang tot je contacten, locatie en microfoon. Leg uit welke AVG-beginselen hier onder druk staan en beschrijf twee rechten die je als gebruiker kunt inroepen.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica (HAVO) (CvTE / Examenblad)

Ethiek van informatica#

Vertiefungexamenblad-nl

Ethische impact-analyse: belanghebbenden en gevolgen

Afb. 2Afb. 2 — Een systeem beoordeel je via zijn belanghebbenden en de gevolgen voor elk van hen. De onterechte afwijzing van de sollicitant is hier het zwaarstwegende risico.

Ethiek gaat over de vraag wat goed en verantwoord handelen is. In de informatica draait het om de morele vragen die opkomen zodra software beslissingen neemt die mensen raken: mag een systeem dat doen, voor wie pakt het goed of slecht uit, en wie is verantwoordelijk als het misgaat? Die vragen zijn urgent geworden omdat algoritmen steeds vaker meebeslissen over dingen die er echt toe doen — wie een lening of uitkering krijgt, welke sollicitant wordt uitgenodigd, welke video je als volgende ziet, of welke wijk extra politietoezicht krijgt. Een systeem is nooit „neutraal” alleen omdat het een computer is: de keuzes van de makers, de gebruikte data en de context zitten er onlosmakelijk in verweven. Juist daarom hoort ethiek bij het ontwerp thuis, niet als bijzaak achteraf.

Een centraal ethisch probleem is algoritmische bias: het systematisch bevoordelen of benadelen van bepaalde groepen. Bias is zelden kwade opzet; het sluipt langs verschillende wegen binnen. De belangrijkste bron is de data: een model dat leert uit historische gegevens neemt de vooroordelen uit het verleden over. Nam een bedrijf jarenlang vooral mannen aan voor technische functies, dan leert een selectie-algoritme dat op die data traint om vrouwen lager te scoren — het herhaalt de discriminatie in plaats van die te doorbreken. Een tweede bron is het ontwerp: welke kenmerken kiest de maker als invoer, hoe wordt „succes” gedefinieerd, en welke groepen zitten wel of niet in de trainingsdata (denk aan gezichtsherkenning die slecht werkt voor donkere huidskleuren omdat die ondervertegenwoordigd waren). Een derde bron zijn terugkoppelingslussen: surveilleert de politie meer waar het model misdaad voorspelt, dan worden daar meer feiten geregistreerd, wat het model in zijn „gelijk” bevestigt.

Een tweede ethische dimensie is transparantie en uitlegbaarheid. Veel moderne systemen, vooral die met machine learning, werken als een „black box”: ze geven wel een uitkomst, maar niet een voor mensen navolgbare reden. Dat is problematisch zodra de uitkomst iemand raakt: als je wordt afgewezen voor een hypotheek „omdat het model dat zegt”, kun je je daar niet tegen verweren en de fout niet aanwijzen. Uitlegbaarheid — het vermogen om te verantwoorden waaróm een systeem tot een besluit kwam — is daarom een ethische en, bij besluiten met rechtsgevolgen, vaak ook een wettelijke eis; de AVG geeft mensen het recht om niet zomaar aan een louter geautomatiseerd besluit te worden onderworpen. Tegenover uitlegbaarheid staat soms de nauwkeurigheid: de best presterende modellen zijn vaak juist het minst doorzichtig, en die spanning moet een ontwerper bewust afwegen.

Wie is verantwoordelijk als een systeem schade veroorzaakt — de programmeur, het bedrijf, de gebruiker, of „de computer”? Het antwoord „de computer deed het” is ethisch een doodlopende weg, want een systeem heeft geen geweten en kan niet ter verantwoording worden geroepen. Verantwoordelijkheid ligt bij de mensen en organisaties die het systeem ontwerpen, in gebruik nemen en er beslissingen op baseren. Denk aan een zelfrijdende auto die een ongeluk veroorzaakt: dan komen de fabrikant (ontwerp en tests), de eigenaar (onderhoud, oplettendheid) en soms de wetgever (welke normen gelden) in beeld. Een goed ontwerp maakt die verantwoordelijkheid vooraf expliciet en zorgt voor controleerbaarheid — logging, tests en de mogelijkheid om in te grijpen — zodat achteraf navolgbaar is wat er precies gebeurde.

Op maatschappelijke schaal spelen filterbubbels en desinformatie. Aanbevelingsalgoritmen tonen je bij voorkeur wat je aandacht vasthoudt; daardoor kun je terechtkomen in een „filterbubbel” of „echokamer” waarin je vooral meer van hetzelfde ziet en tegengeluid verdwijnt, wat polarisatie kan versterken. Bovendien verspreidt opvallende, emotionele of onware informatie zich online vaak sneller dan genuanceerde feiten. Om een systeem ethisch te beoordelen gebruik je een vast stramien: breng eerst de belanghebbenden in kaart (wie gebruikt het, wie ondergaat de gevolgen, wie profiteert?), analyseer dan de gevolgen voor elk van hen op korte en lange termijn, en weeg die tegen elkaar af aan de hand van waarden als eerlijkheid, autonomie, veiligheid en privacy. Zo'n analyse levert zelden een simpel „goed” of „fout” op, maar wel een onderbouwd oordeel met aanbevelingen — en dat is precies wat het schoolexamen van je vraagt.

Uitgewerkt voorbeeld

Een selectie-algoritme voor sollicitanten beoordelen

Een bedrijf zet een algoritme in dat cv's automatisch rangschikt en alleen de beste 10% doorstuurt naar een recruiter. Het model is getraind op de cv's van werknemers die het bedrijf de afgelopen tien jaar heeft aangenomen. Beoordeel dit systeem op bias en transparantie en doe een aanbeveling.

1. Belanghebbenden in kaart brengen
Belanghebbenden zijn de sollicitanten (ondergaan het besluit), het bedrijf en de recruiters (gebruiken het) en de ontwikkelaar (bouwt en onderhoudt). Hun belangen lopen uiteen: het bedrijf wil snelheid, de sollicitant wil een eerlijke kans.
2. Bias-risico onderzoeken
De trainingsdata bestaat uit eerder aangenomen mensen. Is die groep scheef samengesteld (bijvoorbeeld overwegend mannen of mensen van één opleiding), dan leert het model die scheefheid als „succesvol” en benadeelt het afwijkende maar even geschikte kandidaten. De bias komt dus uit de data, niet per se uit opzet.
3. Transparantie beoordelen
Is het model een black box, dan kan een afgewezen sollicitant niet horen waaróm hij is afgevallen en kan hij de beslissing niet aanvechten. Dat maakt het besluit oncontroleerbaar en, bij volledig geautomatiseerde afwijzing, ook juridisch kwetsbaar.
4. Afweging maken
De kans (snellere, consistente voorselectie) staat tegenover de risico's (structurele uitsluiting, oncontroleerbaarheid). Omdat het besluit mensen direct raakt, wegen eerlijkheid en uitlegbaarheid hier zwaar.
5. Aanbeveling formuleren
Gebruik het model hooguit als hulpmiddel met een mens in de lus die eindbeslist; controleer de uitkomsten op ongelijke slaagkansen tussen groepen (een audit), verwijder of corrigeer discriminerende kenmerken, en zorg dat elke afwijzing uitlegbaar en bezwaarbaar is.

Resultaat: Het systeem draagt een reëel risico op data-gedreven discriminatie en is als black box onvoldoende transparant. Aanbeveling: niet volledig automatiseren, een mens laten eindbeslissen, op bias auditen en de besluiten uitlegbaar maken.

Veelgemaakte fouten

Denken dat een algoritme „objectief” of „neutraal” is omdat het een computer is — bias zit in de data en het ontwerp.
Bias uitsluitend als opzettelijke discriminatie zien, terwijl het meestal onbedoeld via de data insluipt.
„De computer is verantwoordelijk” antwoorden; verantwoordelijkheid ligt altijd bij mensen en organisaties.

Actieve herhaling

Een gemeente gebruikt een algoritme dat voorspelt welke bijstandsaanvragen een verhoogd frauderisico hebben, zodat die extra worden gecontroleerd. Beoordeel dit systeem: benoem de belanghebbenden, de mogelijke bias en het transparantieprobleem, en doe een aanbeveling.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica (HAVO) (CvTE / Examenblad)

Impact van AI en automatisering#

Standardexamenblad-nl

Kansen en risico's van AI en automatisering per domein

Afb. 3Afb. 3 — Elk toepassingsdomein kent zowel een kans als een risico; een goede afweging benoemt beide. Uitgelicht: het risico op ongecontroleerde fouten in de zorg.

Kunstmatige intelligentie (AI) is de verzamelnaam voor systemen die taken uitvoeren waarvoor we normaal menselijke intelligentie nodig achten: taal begrijpen, beelden herkennen, voorspellen, aanbevelen. De motor achter de huidige AI-golf is machine learning: in plaats van dat een programmeur alle regels met de hand opschrijft, leert het systeem patronen uit grote hoeveelheden voorbeelden. Laat je een model miljoenen foto's zien met het label „kat” of „hond”, dan leert het zelf de kenmerken waarmee het nieuwe foto's kan indelen. Belangrijk om te beseffen: zo'n model rekent met statistische patronen, het „begrijpt” niets in menselijke zin. Het is daardoor sterk in herhaalbare taken met veel data, maar het kan zelfverzekerd fouten maken en werkt alleen zo goed als de data waarop het is getraind — „garbage in, garbage out”.

De kansen van AI en automatisering zijn groot en concreet. Ze verhogen de productiviteit: routineklussen — facturen verwerken, teksten samenvatten, code aanvullen — gaan sneller en goedkoper, waardoor mensen tijd overhouden voor werk dat oordeelsvermogen vraagt. Ze maken nieuwe toepassingen mogelijk die eerder ondenkbaar waren, zoals realtime vertaling tussen talen, spraakgestuurde bediening en het analyseren van medische beelden om artsen te ondersteunen. En ze vergroten de toegankelijkheid: spraak-naar-tekst helpt mensen die niet kunnen typen, voorleessoftware en beeldbeschrijving helpen slechtzienden, en vertaalhulpen slechten taalbarrières. Voor veel mensen betekent AI dus méér kunnen, sneller en met minder drempels — de kant van het verhaal die in het risico-debat vaak onderbelicht blijft.

Tegenover die kansen staan reële risico's die je even serieus moet nemen. Automatisering verandert de arbeidsmarkt: sommige banen verdwijnen of veranderen sterk, vooral werk dat uit voorspelbare, herhaalbare taken bestaat, terwijl er ook nieuwe functies bijkomen — de vraag is of mensen zich snel genoeg kunnen omscholen. Er ontstaat afhankelijkheid: besteden we beslissingen en vaardigheden uit aan systemen, dan kunnen we ze zelf verleren en zijn we kwetsbaar als een systeem uitvalt of gehackt wordt. En er is het risico van verkeerde beslissingen: een model dat statistisch redeneert kan overtuigend klinkende maar onjuiste antwoorden geven (bij taalmodellen „hallucinaties” genoemd), en wie die klakkeloos overneemt, neemt de fout mee. Deze risico's zijn geen reden om AI af te wijzen, maar wél om het met verstand en controle in te zetten.

De sleutel tot een verantwoorde inzet is de rol van de mens: het principe „mens in de lus” (human in the loop). Dat betekent dat een mens de uitkomsten van een systeem controleert en de eindverantwoordelijkheid houdt, vooral bij beslissingen met grote gevolgen. Een AI mag een arts helpen een tumor op te sporen, maar de arts stelt de diagnose; een AI mag sollicitaties voorsorteren, maar een mens beslist wie wordt uitgenodigd. De mens in de lus vangt fouten van het systeem op, brengt context en gezond verstand in, en zorgt dat er iemand aanspreekbaar blijft. Waar de gevolgen klein en omkeerbaar zijn (een muziekaanbeveling) kan de automatisering verder gaan; waar ze groot en onomkeerbaar zijn (een medisch of juridisch besluit) hoort de mens stevig aan het roer te blijven. Die afweging — hoeveel autonomie geef je het systeem? — is de kern van dit thema.

Uitgewerkt voorbeeld

Automatisering van een beroep afwegen: de vertaler

Vertaalsoftware wordt steeds beter. Weeg af wat automatisering verandert aan het beroep van vertaler: wat verdwijnt, wat blijft mensenwerk, en wat is een verstandige rolverdeling?

1. Splits het werk in taken
Het werk van een vertaler bestaat uit deeltaken: ruwe, letterlijke vertaling van standaardteksten; vertaling van cultuur-, humor- en stijlgevoelige teksten; nauwkeurige juridische of medische vertaling waar een fout ernstig is; en eindredactie of controle.
2. Bepaal wat automatisering goed doet
Voor eenvoudige, veelvoorkomende teksten levert vertaalsoftware snel een bruikbare ruwe vertaling. Die taak versnelt sterk en wordt deels overgenomen — het routinematige deel met een hoog volume.
3. Bepaal wat mensenwerk blijft
Waar toon, cultuur, dubbelzinnigheid of juridische precisie meespelen, schiet de software tekort: die „begrijpt” de context niet en kan zelfverzekerd fout zitten. Literaire vertaling, lokalisatie en verantwoorde juridische of medische vertaling blijven mensenwerk.
4. Plaats de mens in de lus
De verstandige rolverdeling is de vertaler als eindredacteur en beslisser: de software levert een concept, de mens corrigeert, bewaakt de betekenis en draagt de verantwoordelijkheid. Het beroep verdwijnt niet, maar verschuift van „zelf typen” naar „controleren, verfijnen en beslissen”.

Resultaat: Automatisering neemt vooral het routinematige vertaalwerk over en versnelt het, maar cultuur-, stijl- en precisiegevoelig werk blijft mensenwerk. Het beroep verandert eerder dan het verdwijnt, met de vertaler als mens in de lus die de eindverantwoordelijkheid houdt.

Veelgemaakte fouten

AI voorstellen als een systeem dat „begrijpt” of „denkt” zoals een mens — het rekent met statistische patronen.
Alleen de risico's óf alleen de kansen benoemen; een goede afweging weegt beide tegen elkaar af.
Aannemen dat automatisering banen alleen laat verdwijnen — werk verandert ook en er komen banen bij.

Actieve herhaling

Beschouw het beroep van vertaler. Weeg af wat automatisering (vertaalsoftware) aan dit werk verandert: welke taken verdwijnen of versnellen, welke blijven mensenwerk, en welke rol houdt de mens in de lus? Beredeneer je antwoord.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica (HAVO) (CvTE / Examenblad)

De digitale samenleving#

Basisexamenblad-nl

Mijlpalen van de digitale samenleving

Afb. 4Afb. 4 — Zes mijlpalen die de digitale samenleving vormden. De AVG (2018) markeert het moment waarop privacybescherming Europees werd vastgelegd.

Software en digitale werken zijn het resultaat van menselijk werk en vallen daarom onder het intellectueel eigendom. Voor programmacode en creatieve werken geldt automatisch het auteursrecht: de maker heeft het exclusieve recht om zijn werk te kopiëren, te verspreiden en aan te passen, en anderen mogen dat niet zonder toestemming. Die toestemming wordt geregeld met een licentie: de voorwaarden waaronder je software of media mag gebruiken. Bij closed source (propriëtaire) software krijg je alleen het recht om het programma te gebruiken, niet de broncode; bij open source-software is de broncode juist openbaar en mag je die bekijken, aanpassen en — onder voorwaarden — verspreiden. Sommige open licenties, zoals de GPL, zijn „copyleft”: wie de code hergebruikt, moet zijn afgeleide werk óók weer vrij beschikbaar stellen. Illegaal kopiëren (piraterij) schendt het auteursrecht en benadeelt de makers.

Open source is meer dan een juridische keuze; het is een maatschappelijk model met eigen kansen en risico's. Vóór open source pleit dat iedereen de code kan controleren (waardoor beveiligingsfouten sneller aan het licht komen), dat kennis gedeeld wordt en dat je niet vastzit aan één leverancier. Als aandachtspunt geldt dat „gratis” niet „zonder kosten” betekent: onderhoud, ondersteuning en aansprakelijkheid moeten ergens vandaan komen, en niet elk open project wordt goed onderhouden. Veel van het internet draait op open source (webservers, besturingssystemen), terwijl bedrijven vaak closed source kiezen om hun verdienmodel of concurrentievoordeel te beschermen. Voor de burger is het belangrijk te weten welke licentie op zijn software zit, want die bepaalt wat hij ermee mag doen.

Digitalisering heeft een fysieke voetafdruk die je makkelijk vergeet, omdat data „in de cloud” onzichtbaar lijkt. Toch draaien achter elke zoekopdracht, video en AI-berekening datacenters vol servers die veel elektriciteit gebruiken en gekoeld moeten worden; naarmate we meer streamen en meer AI inzetten, groeit dat energieverbruik. Daarnaast is er e-waste: elektronisch afval van afgedankte telefoons, laptops en apparaten. Dat afval bevat waardevolle maar schaarse grondstoffen én giftige stoffen, en wordt lang niet altijd goed gerecycled. Aan de positieve kant kan digitalisering óók verduurzamen — denk aan minder reizen door videobellen, slimmer energiegebruik en papierloos werken. De eerlijke afweging is dus dubbel: techniek kost energie en grondstoffen, maar kan elders juist besparen. Verantwoord gedrag betekent apparaten langer gebruiken, repareren en gescheiden inleveren.

Niet iedereen profiteert gelijk van de digitale wereld; dat verschil heet de digitale kloof. Die kloof heeft meerdere lagen: toegang (heb je een goed apparaat en snel internet?), vaardigheden (kun je ermee omgaan?) en het vermogen om er echt voordeel uit te halen. De kloof loopt langs lijnen van inkomen, opleiding, leeftijd en regio: ouderen, mensen met een laag inkomen of laaggeletterden lopen eerder achter, en wie geen toegang heeft, mist steeds meer — want zorg, onderwijs, bankieren en overheidszaken verschuiven naar online. Naarmate de samenleving meer „digital first” wordt, dreigt uitsluiting van wie niet mee kan komen. Dat is een kernreden waarom de overheid inzet op digitale inclusie: betaalbare toegang, hulp bij vaardigheden en het beschikbaar houden van niet-digitale alternatieven.

Ten slotte vraagt de digitale samenleving om digitaal burgerschap: verantwoord en kritisch handelen online. Daar hoort mediawijsheid bij — kunnen inschatten of een bron betrouwbaar is, nepnieuws en manipulatie herkennen, en beseffen dat wat je online zet blijvende sporen nalaat (je „digitale voetafdruk”). Ook je gedrag telt: respect in plaats van pesten of haatzaaien, en het besef dat achter accounts echte mensen zitten. Digitaal burgerschap verbindt de eerdere thema's: je beschermt je privacy (thema 1), je beoordeelt systemen en informatie kritisch (thema 2) en je gaat verstandig om met AI-hulpmiddelen (thema 3). Zo word je niet louter consument van technologie, maar een mondige deelnemer die zijn rechten kent, zijn sporen beheert en bijdraagt aan een leefbare online omgeving.

Uitgewerkt voorbeeld

Een oude telefoon verantwoord wegdoen

Je koopt een nieuwe telefoon; je oude toestel werkt nog. Beredeneer welke duurzaamheids- en privacyaspecten spelen en wat een verantwoorde keuze is.

1. Privacy: wat staat erop?
Op een telefoon staan veel persoonsgegevens: foto's, berichten, contacten, opgeslagen wachtwoorden en accounts. Wie het toestel zomaar weggeeft of verkoopt, riskeert dat die gegevens in verkeerde handen komen.
2. Privacy: veilig wissen
Voordat het toestel weggaat, log je uit bij alle accounts, verwijder je de koppelingen en voer je een volledige fabrieksreset (versleuteld wissen) uit, zodat de gegevens niet meer te herstellen zijn. Bestanden alleen „naar de prullenbak” slepen is onvoldoende.
3. Duurzaamheid: hergebruik boven weggooien
Een werkend toestel bevat schaarse grondstoffen. Hergebruik gaat vóór recycling: doorverkopen, doneren of laten opknappen houdt het apparaat langer in omloop en voorkomt dat er een nieuw toestel geproduceerd moet worden.
4. Duurzaamheid: goed inleveren als afdanken nodig is
Werkt het echt niet meer, lever het dan in als e-waste bij een inzamelpunt of winkel, nooit bij het restafval. Zo worden waardevolle materialen teruggewonnen en giftige stoffen veilig verwerkt.
5. Combineer tot een keuze
De verantwoorde volgorde is: eerst alle gegevens veilig wissen (privacy), dan het toestel hergebruiken of doneren, en pas als laatste redmiddel gescheiden inleveren als e-waste (duurzaamheid).

Resultaat: Een verantwoorde keuze combineert beide: wis eerst zorgvuldig alle persoonsgegevens met een fabrieksreset, en geef het toestel daarna een tweede leven via hergebruik of donatie; is dat onmogelijk, lever het dan in als e-waste in plaats van bij het restafval.

Veelgemaakte fouten

Denken dat open source hetzelfde is als „gratis en zonder regels” — er gelden licentievoorwaarden zoals copyleft.
„De cloud” zien als iets zonder fysieke of milieukosten; datacenters gebruiken veel energie en grondstoffen.
De digitale kloof alleen als „geen internet” opvatten, terwijl ook vaardigheden en bruikbaarheid meespelen.

Actieve herhaling

Je krijgt een nieuwe telefoon en wilt je oude toestel wegdoen. Beredeneer welke duurzaamheids- én privacyaspecten daarbij spelen en beschrijf wat een verantwoorde keuze is.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica (HAVO) (CvTE / Examenblad)

Referenties en bronnen

Bronnen

CvTE / Examenblad

Examenprogramma informatica (HAVO)

Keuze Q: Maatschappelijke en individuele invloed van informatica

Kernpunten

Een gratis app die veel data vraagt

Kernpunten

Een selectie-algoritme voor sollicitanten beoordelen

Kernpunten

Automatisering van een beroep afwegen: de vertaler

Kernpunten

Een oude telefoon verantwoord wegdoen

Bronnen

Keuze Q: Maatschappelijke en individuele invloed van informatica

Kernpunten

Een gratis app die veel data vraagt

Kernpunten

Een selectie-algoritme voor sollicitanten beoordelen

Kernpunten

Automatisering van een beroep afwegen: de vertaler

Kernpunten

Een oude telefoon verantwoord wegdoen

Bronnen