Tagarchief: analytics

Big Data is watching (over) you. Debat in De Balie over toekomst van opsporing

Dankzij algoritmes kan men tegenwoordig criminaliteit voorspellen en hierop anticiperen. Politieorganisaties onderzoeken de mogelijkheden om big data en kunstmatige intelligentie in te zetten. Kunnen computers nauwkeuriger en veiliger voorspellen of criminaliteit gaat plaatsvinden dan getrainde agenten? Hoe bestrijden we effectief nieuwe vormen van criminaliteit zonder?onevenredige?inbreuk?op grondrechten??Aan de hand van voorbeelden uit de praktijk verkennen we de toekomst van big data en AI bij de opsporing van criminaliteit.

Deze avond over Big Data en kunstmatige intelligentie is de derde in de programmareeks ?Opsporing & Vervolging in de toekomst?. In samenwerking met de politie en het OM maakt De Balie een serie over de herpositionering van politie en burger in het digitale tijdperk. Hoe kunnen alle partijen het best gezamenlijk anticiperen op technologische en maatschappelijke ontwikkelingen in relatie tot politiewerk en criminaliteit? Hoe kan daarbij de rechtstaat worden gewaarborgd? Brengen technologische ontwikkelingen ons het ultieme veiligheidsklimaat, of zullen we kennismaken met de donkere kanten van nieuwe technologie ? la hitserie Black Mirror? De eerste aflevering in deze serie ging over toenemende burgeropsporing, kijk het programma?hier?terug.

Sprekers:?

Fred Westerbeke, Hoofd Officier Landelijk Parket

Reinder Doeleman, sectorhoofd Dienst Regionale Informatie organisatie, die ingaat op het Criminaliteits Anticipatie Systeem waarover we eerder al veel artikelen en publicaties plaatsten.

Vincent Bohre van Privacy First, een onafhankelijke stichting met als doel het behoud en de bevordering van het recht op privacy. Hij benoemt oa het?@MIGO-BORAS project.

Marc Schuilenburg, docent Strafrecht en Criminologie van de VU. Hij publiceerde meerdere boeken over veiligheid, filosofie, strafrecht en populaire cultuur waaronder Orde in veiligheid (2012), waarvoor hij de driejaarlijkse Willem Nagelprijs won. Dit jaar kwam zijn boek Hysterie. Een cultuurdiagnose uit, met daarin een groot hoofdstuk over algoritmen en predictive policing. Hij benoemt het Big Data project uit Roermond.

Jacqueline Bonnes, Cyber Officier Arrondissement parket Rotterdam

Rapport met enige achtergrond over de huidige state of the art van AI in predictive policing, een aantal dilemma’s en een blik op de toekomst:

Van predictive policing naar prescriptive policing – Verder dan vakjes voorspellen
[slideshare id=61354641&doc=104tnorpredictivepolicingweb-160426065651&type=d]

Bron: De Balie

 

Wetenschap helpt politie met data analyse voor recherche

big data analytics

Recherchewerk verandert ingrijpend door de mogelijkheden van Big Data analytics. De politie gaat samenwerken met wetenschappers om beter informatie uit in beslag genomen smartphones en computers van verdachten te kunnen halen. Het idee is dat een computer met nieuwe technieken razendsnel miljoenen foto?s, berichten, locatiegegevens en filmpjes kan doorpluizen op zoek naar verbanden die een agent met het blote oog niet snel ziet.

De politie begint daarvoor het project ?Politielab? met Amsterdam Data Science. Dat is een samenwerkingsverband van de twee universiteiten en hogeschool in Amsterdam, en het Centrum Wiskunde & Informatica.

Drie promovendi van de Universiteit van Amsterdam gaan hun promotieonderzoek doen bij de politie door de?computertechniek deep learning te gebruiken voor opsporingswerk. Deep learning-netwerken zijn goed in het herkennen van patronen.Er is veel belangstelling voor vanuit de wetenschap, zegt de politie. Er moeten programma’s worden ontwikkeld om snelle data-analyse mogelijk te maken.?De promovendi worden gefinancierd vanuit de politie.

“Er zijn steeds meer data aan het werk, waardoor het steeds moeilijker is om verbanden te ontdekken. Daarom willen we de expertise van de wetenschap gebruiken”, zegt Theo van der Plas, programmadirecteur digitalisering en cybercrime bij de politie in het NOS Radio 1 Journaal. De ontwikkelingen in de wetenschap gaan volgens hem zo snel dat de politie daar graag bij wil aansluiten.

NOS Tech podcast in gesprek met?Theo van der Plas:

Misdaden sneller oplossen

De techniek helpt bij het ontdekken van nieuwe verbanden die rechercheurs niet met het blote oog kunnen zien. De computer kan razendsnel grote hoeveelheden bestanden met elkaar vergelijken en verbanden leggen. “Uiteindelijk zullen we daardoor sneller de onderzoekslijn vinden en sneller tot de oplossing van een misdaad kunnen komen”, zegt Van der Plas.

“Er is bijvoorbeeld een grote hoeveelheid foto’s van huiskamers. Combinatie van die beelden kan tot de conclusie leiden dat het om een clubhuis gaat waarvan een criminele bende gebruikmaakt. Door deze data science kunnen we mogelijk herleiden waar dat clubhuis staat en dat helpt ons enorm in het onderzoek.”

Uitdagingen

De enorme hoeveelheid gegevens in strafrechtelijke onderzoeken waar de politie mee te maken krijgt, brengt nieuwe uitdagingen met zich mee, zegt Theo van der Plas, programmadirecteur digitalisering en cybercrime van de politie. ?Zoals hoe je eruit haalt wat je nodig hebt. Of hoe haal je eruit wat je nog niet wist dat je nodig hebt voor het onderzoek? Ik verwacht dat we met de nieuwe technieken verbanden gaan zien die we nooit eerder hebben ontdekt.?

Nu al gebruikt de politie computertools waarmee automatisch kan worden gezocht in gegevens. Politielab moet de volgende stap zetten. Zo moet de rechercheur met een druk op de knop een samenvatting krijgen van wat er interessant kan zijn van alle in beslag genomen apparaten. De computer ziet relaties en (afwijkende) patronen in de gegevens.

Om een voorbeeld te geven: de computer herkent dat twee foto?s op verschillende apparaten op dezelfde plek zijn genomen. Dat kan aan de hand van bijvoorbeeld locatiegegevens en objecten die op de beelden te zien zijn. Voor de politie kan het een indicatie zijn dat twee verdachten op dezelfde plek zijn geweest.

‘Wapenwedloop’

De samenwerking met de wetenschap is voor de politie een belangrijke stap in ?de wapenwedloop? met criminelen, zegt Van der Plas. ?Criminelen hebben veel mogelijkheden om het ons lastig te maken. Ze versleutelen hun berichten en maken gebruik van allerlei verschillende communicatiemiddelen. Door de nieuwe tools kunnen wij straks hopelijk meer kennis halen uit de berg informatie die we in beslag hebben genomen.?

Daarmee worden niet alle problemen voor de politie opgelost, erkent hij. Gegevens die versleuteld zijn, zijn ook met de nieuwe tools niet te doorzoeken. Daarom is ook de nieuwe Wet Computercriminaliteit, die momenteel in behandeling is in de Eerste Kamer, belangrijk, zegt hij. Die geeft de politie de bevoegdheid computersystemen van verdachten te hacken, wat er onder meer voor moet zorgen dat informatie wordt verzameld v??rdat die versleuteld is.

politielab

Toestemming

Daarnaast heeft de Hoge Raad zich onlangs uitgesproken over het doorzoeken van alle informatie op een smartphone. Dat kan een bijna compleet beeld opleveren van iemands persoonlijke leven en mag volgens het arrest dus niet zonder toestemming van een officier van justitie of rechter-commissaris, wat tot voor kort niet altijd gebeurde.

Ook de nieuwe tools die in het Politielab worden ontwikkeld, zullen aan de waarborgen voldoen, zegt Van der Plas. Zo gaat de politie volgens hem niet ongericht analyses toepassen op de in beslag genomen apparaten als de informatie niet relevant is voor het onderzoek.

Computers kunnen steeds beter rechercheren

Zo kunnen computers steeds beter foto?s interpreteren. De politie kan daar haar voordeel mee doen bij onderzoeken. Oefening baart kunst. Dat geldt voor mensen, maar ook voor computers. Dus als je wilt dat een computer herkent dat er bijvoorbeeld een wapen op een foto staat, dan moet je eerst heel veel voorbeelden van wapens tonen.

Op de Amerikaanse Stanford-universiteit zijn ze om die reden bezig geweest met het invoeren van miljoenen gelabelde foto?s van allerlei voorwerpen en alledaagse taferelen. Van die database wordt nog steeds wereldwijd gebruikgemaakt. Straks ook door de onderzoekers van het ?Politielab?. Voor Marcel Worring, hoogleraar informatica aan de UvA en een van de initiatiefnemers van Amsterdam Data Science, bekend terrein. ?De technieken die we daarvoor gebruiken zijn niet nieuw. Ze zijn wel een stuk beter geworden. Kon een computer eerst nog maar een antwoord geven op de vraag wat er op een foto staat, nu herkent hij losse elementen, en zegt hij bijvoorbeeld: er staan hier vier personen op, een boom een auto.?

Wat is de grootste uitdaging van het project met de politie?

?De computer is steeds beter geworden in het herkennen van wat er op een foto staat, en het begrijpen van onze taal. De volgende belangrijke stap is de verbanden tussen beeld en taal maken. Een foto met daarop een wapen kan een andere lading krijgen als daar een bepaalde tekst bij staat.

?Datzelfde geldt voor het zien van patronen. De computer moet gaan herkennen dat er plotseling een reeks foto?s op dezelfde plek is genomen. Dat kan aan de hand van geografische gegevens in smartphones, maar ook door te herkennen dat bepaalde elementen op twee foto?s hetzelfde zijn. Een zelfde gebouw bijvoorbeeld.?

Heeft de politie wel wat aan de al bestaande database van Stanford? Het zijn niet altijd alledaagse dingen waar agenten naar op zoek zijn in strafrechtelijke onderzoeken.

?Over het algemeen geldt: hoe meer elementen de tools kunnen herkennen, hoe makkelijker het wordt om nieuwe dingen te leren. De politie kan dus voor hen relevante beelden toevoegen, zoals bepaalde wapens.?

Is de computer beter in de analyse dan een mens?

?Ik heb altijd gezegd: de computer is dommer dan de mens, alleen wel veel sneller. Maar computers beginnen langzaam op ons in te lopen. Ze zien patronen die je als mens niet makkelijk zult herkennen. Waar de computer alleen absoluut niet tegenop kan, is de ervaring en het onderbuikgevoel van een rechercheur die belast is met het onderzoek naar een in beslag genomen apparaat. Die onderbuikgevoelens kun je niet in regels vatten, dus kun je het een computer niet leren. Echte experts zijn nog altijd beter in het herkennen van subtiele details in beeld zoals een stopcontact, maar computers lopen op hen in. ?

Is het dan straks de techniek die bepaalt of iemand vervolgd gaat worden?

?De interpretatie van de bevindingen moet altijd aan mensen overgelaten worden. Het is niet zo dat de computer straks kant-en-klaar bewijsmateriaal gaat afleveren in de rechtszaal. Een voorbeeld: een computer kan wel constateren dat criminelen opeens een nieuw woord gaan gebruiken en de rechercheur daarop wijzen. Maar begrijpen dat ze daarmee op drugs doelen, is een tweede.?

Hoe gaat deep learning de politie helpen?

?Eerder waren we blij als de computer een zonsondergang of zebra op een foto herkende. Computers kunnen inmiddels bij een foto met een hond aangeven om welk ras het precies gaat, ze kiezen dan uit honderden soorten. Dit soort software willen wij bijvoorbeeld ombouwen, zodat computers ons vertellen welk merk en type vuurwapen op een foto staat.

?Na herkennen van wat op de foto staat, is verbanden leggen een volgende stap. We willen dat computers binnen enkele seconden uitleg kunnen geven over de inhoud van een in beslag genomen smartphone. Gaat het hierbij bijvoorbeeld om een potenti?le terrorist die bezig is geweest met het plannen van een aanslag?

?Daarnaast moet software snel verbanden of afwijkende patronen kunnen vinden in enorme bergen data. Zo moet het mogelijk worden verbanden te vinden tussen beelden en tekst, tussen bijvoorbeeld een foto van Schiphol en dreigende woorden.?

Waarom gebeurt dit niet nu al?

?Wetenschappers werkten natuurlijk al samen met de politie. Zo lukt het computers in onderzoeken naar kinderporno vaak te herkennen of beelden uit dezelfde kamer komen, maar bijvoorbeeld gefilmd vanuit een andere hoek.

?We zetten nu een nieuwe stap. Het Politielab is een groter samenwerkingsproject, en de technieken waarmee wij gaan werken zijn veel intelligenter. Daarmee herkennen computers details ? een bepaald behang, een manier van inrichten. Door locatiegegevens van foto?s aan elkaar te koppelen, kunnen ze zien of criminelen misschien samenwerken.?

De ontwikkelingen binnen deep learning gaan snel. Hoe komt dat?

?Deep learning heeft in het vak van data-analyse de afgelopen jaren tot grote revoluties geleid. Daar zijn twee belangrijke oorzaken voor. Netwerken binnen deep learning worden niet geprogrammeerd, maar getraind door ze als het ware te voeden. Afgelopen jaren hebben onderzoekers, onder meer van de fameuze Stanford-universiteit, computers duizenden voorbeelden gegeven om ze slimmer te maken. De techniek van deep learning komt al uit de vorige eeuw, maar in 2006 is er een grote doorbraak geweest uit de game-industrie. Om ingewikkelde fictieve landschappen in de games snel en scherp te laten zien, was er veel rekenkracht nodig. Het lukte om tientallen, soms honderden lagen neuronen tegelijk berekeningen te laten uitvoeren. Het zou zonde zijn dat vermogen niet te benutten voor de bestrijding van criminaliteit.?

Bronnen: Trouw, NRC, NOS, Politie

Predictive policing: lessen voor de toekomst

ppHoorn

?It?s not how many people you catch, it?s how many crimes you prevent.?

Van alle politiestrategie?n mag predictive policing zich misschien wel het meest verheugen in de belangstelling van burgers en professionals. Grofweg tekent die belangstelling zich op twee manieren af. Aan de ene kant zijn daar degenen die vooral veel heil zien in deze nieuwe strategie voor het functioneren van de politie. Zij verwachten (of hopen) dat de politie dankzij predictive policing effectiever en effici?nter criminaliteit zal weten te bestrijden. Met name door te voorkomen dat criminaliteit gepleegd wordt, daarbij niet zelden verwijzend naar de film Minority report uit 2002. Een film waarin een speciale eenheid van de politie, Pre-Crime genaamd, met behulp van helderzienden toekomstige misdadigers arresteert. Het zal de lezer niet verbazen dat deze hoopvolle verwachting binnen de politie op veel bijval kan rekenen.

Aan de andere kant van het spectrum staan mensen die vooral bezorgd zijn over predictive policing. Zij zien deze ontwikkeling als een bedreiging voor de privacy, waarbij afwijkend gedrag maatgevend is, en niet strafbaar gedrag. In combinatie met verruimde bevoegd- heden voor opsporings- en veiligheidsdiensten en allerlei andere technologische ontwikkelingen tekent voor hen het beeld van big brother zich steeds meer af, waarbij iedere burger als een potenti?le verdachte gevolgd wordt door een gedachtepolitie. Voor de burger- rechtenorganisatie Bits of Freedom voldoende reden de politie de Big Brother Award 2015 uit te reiken.

Weliswaar sterk verschillend naar de wijze waarop dit zich uit, tonen beide groepen hiermee hun geloof in de werking van predictive policing. Beide kanten nemen aan dat predictive policing werkt, waarna de aandacht uitgaat naar hoe die uitwerking te beschouwen. Dit verraadt een sterke nadruk op het eerste woord ? predictive ? van deze nieuwe politie- strategie. En vermoedelijk is dit ook de reden voor de grote belangstelling. Al sinds mensenheugenis spreekt voorspellen immers sterk tot de verbeelding. Maar met een voorspelling van criminaliteit alleen zijn we er nog niet.?Sterker, het gaat juist om wat er vervolgens mee gedaan wordt. In onderstaand?rapport benadrukken de auteurs dan ook predictive policing als een nieuw intelligence-initiatief, waarbij het vooral gaat om veranderende werkprocessen. Ze?ontwikkelden hiervoor een procesmodel en onderwierpen vervolgens alle stappen, van data naar resultaat, aan een nader onderzoek. Hoe goed een voorspelling immers ook mag zijn, het resultaat staat of valt met wat er vervolgens mee gedaan wordt.

pp2

Lees of download hier het rapport:

[slideshare id=73217737&doc=predictivepolicing-lessenvoordetoekomst-170316163022&type=d]

Bronnen: Politieacademie

Predictive Policing: te vroeg, te snel of precies op tijd?

pp1

Onderstaand onderzoek naar de invloed van de fasen van technologie?n op predictive policing op beleidsvorming bij de Nationale Politie is gedaan door Melissa Kont,?Erasmus Universiteit Rotterdam.

In dit onderzoek is onderzocht of predictive policing zich bevindt in de laatste fase van technologische ontwikkelingen. Filosoof, Alan Drengson, stelt dat technologische ontwikkelingen bepaalde fasen doormaken en dat de menselijke houding tegenover technologie, de fasen onderscheidt. De theorie stelt dat de laatste fase, appropiate technology, leidt tot succesvolle implementatie van technologie?n. Mocht predictive policing zich in deze fase bevinden, dan zou dat kunnen leiden tot een versterkend effect op de Advocacy Coalition Framework van Sabatier en Smith. In dit onderzoek zou dat betekenen dat predictive policing een versterkend effect heeft op advocacy coalities, die betrokken zijn bij predictive policing, invloed uitoefenen op beleidsvorming bij de Nationale Politie. Hiertoe is een documentenonderzoek uitgevoerd en zijn interviews afgenomen met de politie en betrokken actoren. Uit de voortgekomen data blijkt dat predictive policing zich niet in de fase van appropiate technology bevindt. Hierdoor is er geen sprake van een versterkend effect van advocacy coalities op beleidsvorming bij de politie. De betrokken actoren spreken van verschillende voordelen en mogelijkheden rondom predictive policing, maar niet van een systeem dat de menselijke ontwikkeling kan bevorderen en een onmisbaar systeem is in de samenleving. Om vast te stellen in welke fase predictive policing zich dan wel bevindt, vereist vervolgonderzoek.

Hoofdstuk 1: Probleemstelling

1.1.De glazen bol van de politie

?De organisatieontwikkeling bij de politie is een beetje als surfen. Soms is het even wachten op de juiste golf. In sommige coalities zijn die golven klein en is het surfen niet spectaculair. Maar die juiste golf waar op gewacht wordt komt, en dan wordt ervoor gegaan. Dat is niet eenvoudig, maar al die andere, kleine golfjes in de windstille periodes hebben de organisaties gelouterd. Nu staat het getij, de wind en de stroming goed? (Spelier, 2011).

Henk Pethke, senior-adviseur Ministerie Veiligheid en Justitie, doet deze uitspraak op 08 april 2011 over de ontwikkeling van de reorganisatie bij de politie (Spelier, 2011). De politie staat in de huidige, steeds verder globaliserende, informatiesamenleving voor een grote uitdaging. Sinds de invoering van de reorganisatie, kampt de Nationale Politie met moeilijkheden om het nieuwe beleid succesvol uit te voeren. Daarnaast is er sprake van financi?le druk bij de politie; de effectiviteit moet omhoog (Jonker, 2015). De politie moet meer zien te realiseren met dezelfde middelen. Ook zijn er nieuwe vormen van criminaliteit ontstaan door ontwikkeling van nieuwe technologie?n. Criminelen weten elkaar digitaal makkelijker te vinden en kunnen in groten getale criminele activiteiten uitvoeren (Prins, 2004). De aanslagen in Parijs en Brussel zijn hier een treurend voorbeeld van.

?L? o? il n’y a pas de gendarmes, une certaine race d’honn?tes gens est capable de tout.? (Mauriac, 1968). Vertaalt stelt Frans schrijver en Nobelprijswinnaar Mauriac dat waar geen politie is, een bepaald slag ?nette mensen? tot alles in staat is.

Mocht de uitspraak van Francois Mauriac juist zijn, dan is het de vraag of de politie door alle bezuinigingen en nieuwe vormen van criminaliteit wel is opgewassen tegen de huidige criminelen. Nieuwe vormen van criminaliteit vragen om nieuwe vormen van aanpak in de huidige informatiesamenleving. Als altijd en overal aanwezig door de bezuinigingen niet realistisch is, is altijd op de juiste locatie dat dan wel; is criminaliteit voorspelbaar?

Het bepalen waar en wanneer politie inzet ertoe doet is het terrein van predictive policing. Dit wordt bepaald aan de hand van statistische voorspellingen om te kunnen anticiperen op criminele incidenten. De informatie die resulteert vanuit de statistische voorspellingen, kan misdaad voorkomen of de heterdaadkracht vergroten, dat is gebaseerd op harde feiten afkomstig uit data analyses (Noort, 2016). Een voorwaarde voor het succesvol kunnen inzetten van predictive policing is dat gegevens over criminele activiteiten ontgrendeld worden in een datawarehouse, en dat andere data hieraan gekoppeld kunnen worden (Doeleman, 2014).

Momenteel wordt het Criminaliteits Anticipatie Systeem ingezet om criminaliteit te voorspellen en de politie inzet erop te baseren. De toegepaste technologie kan leiden tot verandering in beleid bij de politie. Zo zou succesvolle resultaten van CAS kunnen leiden tot uitbreiding van het systeem naar meerdere Nederlandse steden (Rienks, 2015). Om tot beleidsvorming rondom predictive policing te kunnen komen, moeten verschillende betrokken actoren tot een gezamenlijk besluit komen. In dit onderzoek zal onderzocht worden welke actoren betrokken zijn bij dit proces en wat de invloed is van deze actoren op beleidsvorming. Daarbij wordt onderzocht wat de invloed is van predictive policing op de invloed van de betrokken actoren. Als predictive policing uitgebreid wordt naar andere steden in Nederland, is het van grote waarde om te weten welke actoren die uitbreiding kunnen voorkomen of ondersteunen. Het is daarom interessant onderzoek te doen naar de invloed van predictive policing op beleidsvorming bij de Nationale Politie.

Doelstelling in dit onderzoek is:

Het toetsen van de theorie over de fasen van technologie op predictive policing door interviews en bureauonderzoek bij betrokken actoren.

Vraagstelling in het onderzoek is:

Wat is de invloed van de fasen van technologie op predictive policing op beleidsvorming bij de Nationale Politie?

1.2.Relevantie

Predictive policing is ontstaan door de politie in Los Angeles. De succesvolle resultaten hebben geleid tot uitbreiding naar andere steden en landen. Er is al veel onderzoek gedaan naar de toepassing van dit nieuwe systeem en de voordelen ervan. Echter, betreft dit onderzoek een toetsing door gebruik te maken van al bestaande theorie over technologie. Er is nog geen wetenschappelijke literatuur bekend over de toetsing van de theorie van Drengson op predictive policing. Veelal baseert literatuur over predictive policing zich op de invloed ervan op criminaliteit. Dit onderzoek is wetenschappelijk relevant, omdat het een basis betreft om te kijken of predictive policing zich in de juiste ontwikkelingsfase bevindt van technologie?n. De resultaten kunnen een basis vormen voor verdere wetenschappelijk onderzoek.

Daarnaast is dit onderzoek maatschappelijk relevant, omdat wordt onderzocht in welke fase van technologie predictive policing zich bevindt. Hierdoor kan gekeken of predictive policing wel past in de huidige maatschappij. Predictive policing staat in lijn met het alom bekende dilemma van de rechtstaat: aan de ene kant wil de burger zich zo veilig mogelijk voelen, maar aan de andere kant daar zo weinig mogelijk privacy voor opgeven. Daarom wordt onderzocht of de samenleving klaar is voor dit systeem. Ook biedt predicitive policing kansen voor een veiligere samenleving en kan de effectiviteit van de politie vergoot worden. Dit is een belangrijke kans in tijden van financi?le druk; er kan immers meer met minder worden gerealiseerd.

1.3.????? Structuur

Het onderzoek bestaat uit vijf hoofdstukken, waarbij in het laatste hoofdstuk de hoofdvraag wordt beantwoord. Hiertoe zal in hoofdstuk twee alle gebruikte theorie?n voor het onderzoek worden toegelicht. Het theoretisch kader wordt vervolgens gebruikt om in hoofdstuk drie het conceptueel model te schetsen. De verwachtingen van het onderzoek zullen worden besproken aan de hand van het conceptueel model. Vervolgens zal in hoofdstuk drie, de operationalisatie plaatsvinden. De variabelen zullen in dit gedeelte van het onderzoek meetbaar worden gemaakt aan de hand van indicatoren in het codeerschema. Daarnaast wordt in hoofdstuk drie de methodologie besproken waarbij belangrijke keuzes omtrent het onderzoek worden toegelicht. In hoofdstuk vier worden de resultaten gepresenteerd waaruit vervolgens de analyse volgt in hoofdstuk vijf. Tot slot wordt in hoofdstuk zes aan de hand van de conclusie antwoord gegeven op de hoofdvraag en zal de discussie een kritische reflectie schetsen op het onderzoek.?

pp5

Hoofdstuk 2: Theoretisch Kader
Om in kaart te brengen welke theorie al bestaat omtrent de opgestelde probleemstelling, zullen een aantal theorie?n worden toegelicht. Deze theorie?n zijn zo gekozen om een sterke ondersteuning mogelijk te maken voor het onderzoek.

Het begrip technologie zal allereerst met de theorie van Val Dusek?(Dusek, 2006) worden toegelicht aan de hand van drie karakteristieken over technologie. Vervolgens volgt de theorie van Alan Drengson (Drengson, 1982) waarin vier fasen over technologische ontwikkeling worden toegelicht. Hierin is het meest kenmerkende onderscheid de menselijke houding tegenover technologie. Om beleidsvorming toe te kunnen lichten zal gebruik worden gemaakt The Advocacy Coalition Framework van Sabatier en Smith (Sabatier, 2014).

2.1.????? Val Dusek
Val Dusek noemt drie karakteristieken om technologie te omschrijven, namelijk technologie als hardware, technologie als regels en technologie als systeem. De drie karakteristieken zullen hieronder worden toegelicht:

  • Technology as hardware bevat alle technologie als machines en gereedschap. Hierbij kan gedacht worden aan computers, energiecentrales en fabrieken. Technologie als hardware is concreet en grijpbaar, het is om ons heen (Dusek, 2006).
  • Technology as rules wordt door Jacques Ellul, Frans filosoof en socioloog, omschreven als organisatorische methodes, managementtechnieken en het denken op een mechanistische wijze (Ellul, 1964). Hierbij wordt technologie beschreven als regels in plaats van grijpbare middelen (Dusek, 2006).
  • Technology as system houdt in dat technologie moet dienen als technologisch middel om het begrip technologie eraan toe te schrijven. Zo zijn technologische middelen die honderden jaren geleden werden gebruikt als technologie, maar nu enkel dienen als museumstukken om te bezichtigen, niet als technologie. Binnen technology as system is een samenleving van gebruikers, onderhouders en reparateurs van technologie dan ook een vereiste. Technologie moet immers onderhouden worden om de oorspronkelijke doel te kunnen realiseren (Dusek, 2006).

Dusek licht drie karakteristieken van technologie toe om het begrip technologie te omschrijven. Alan Drengson neemt deze karakteristieken op in zijn theorie. Hierin maakt hij onderscheid in verschillende fasen van technologie, waarin ook de drie karakteristieken van Dusek zijn opgenomen.

2.2.????? Alan Drengson
Alan Drengson beschrijft vier stages van technologie (Drengson, 1982) welke hieronder zullen worden toegelicht:

  1. Technological anarchy houdt in dat technologie en technologische kennis enkel dienen als instrumenten en nagestreefd moeten worden om macht en welvaart te realiseren en om de natuur te kunnen temmen. Technologie dient hierbij als middel en moet ingezet worden waar mogelijk om de doelen na te kunnen streven (Drengson, 1982). De overheid behoort een kleine rol te spelen en zou technologische ontwikkelingen de vrijheid moeten geven om plaats te vinden. Alleen de marktsector bepaalt welke technologie?n blijven bestaan (Drengson, 1982). Technologie krijgt in deze fase zekere autonome kenmerken op een grote schaal. Technologie, oorspronkelijk bedoeld om bepaalde wensen en doelen na te streven, wordt in dit proces een doel op zichzelf. Technolgische anarchie verliest in dit proces haar machtspositie en maakt hierdoor de weg vrij voor technophilia, een structuur met technocratische kenmerken (Drengson, 1982).
  2. Technophilia is de liefde voor technologie, waarbij mensen verliefd worden op hun eigen mechanische kennis, op hun technieken en trucs en de technische apparatuur en processen (Drengson, 1982). Drengson beschrijft technophilia als volgt:

?It is like the love of adolescence (Drengson, 1982).? De producten van technologie worden niet meer enkel gebruikt als productieve instrumenten, maar ook als speelgoed van de mens; technologie wordt een spel van het leven. Als gevolg hiervan, heeft technologie de neiging om de mens te controleren, aangezien de mens niet in staat is om zichzelf van technologie te distanti?ren. De mens kan niet objectief kijken naar technologie (Drengson, 1982). De liefde voor technologie verandert in dit proces naar het streven van technologie in alle vormen van het alledaagse leven, zoals onderwijs, overheid, zorg en seks. In dit geval wordt gesproken van technocratie, aangezien technologie nu een regerende kracht is, waarbij het in de samenleving louter draait om mechanisme (Drengson, 1982).

  1. Technophobia ontstaat wanneer men zich realiseert dat alleen mensen en menselijke waarden de gevaren van technologie kan tegenhouden. Een reactie hierop is dat technophobia tracht om het menselijk leven van alle technologie te ontdoen (Drengson, 1982). Er heerst een onbewust verlangen om terug te keren naar de menselijke controle over technologie, complexe technologie?n worden wantrouwt te en een ?do-it-yourself? houding tegenover technologie is ontstaan (Drengson, 1982). Uiteindelijk is het doel van deze fase om technologie?n op grote schaal te be?indigen en technologie opnieuw onder menselijke controle te houden. De fase technophobia zet de basis voor de volgende fase.

Hoewel in de eerste fase werd gedacht dat maximale ontwikkeling van technologie het leven gemakkelijker zou maken, is onvoldoende rekening gehouden met de innovatie en planning van de technologie. Dit werd namelijk vaak gedaan door personeel dat onvoldoende begrip had van verantwoordelijkheid over complexe en machtige technologie?n. Of omdat personeel in situaties werd gebracht waarbij verantwoordelijkheid uitdragen in moeilijkheden werd gebracht (Drengson, 1982). Hierdoor wordt in de fase van technophobia de autonomie van de mens boven technologische autonomie geplaatst. In de fase van technophobia is het een vereiste de relatie tussen technologie en mens te begrijpen (Drengson, 1982). Vanuit dit gezichtspunt kan technophobia worden gezien als een van de fases, waarin groei inhoudt dat men zich bewust wordt van het gebruik van technologie op een reflectieve, kritische wijze (Drengson, 1982).

  1. Appropiate technology is de laatste fase van technologische ontwikkeling. Deze fase omvat een rijpingsproces van de wederzijdse relatie tussen technologie, mens en wereld. Appropiate technology vereist dat men nadenkt over eigen doelen en waarden, voordat men zich inzet voor de ontwikkeling van nieuwe technologie?n, of zelfs voor de voortzetting en het gebruik van bepaalde oudere technologie?n (Drengson, 1982). In de fase van appropiate technology wordt men steeds beter in het beheersen van technologie als instrument, om eigen doeleinden te bereiken. In deze fase behoren technologie?n volgens Drengson (1982) aan bepaalde eisen te voldoen. Allereerst moet er behoud van diversiteit zijn. Ten tweede moeten technologie?n goedaardige interactie tussen mensen, hun machines en de biosfeer promoten. Tot slot, moet de menselijke ontwikkeling bevorderd worden door het gebruik van technologie, technologie is in deze fase een onmisbaar systeem. Wanneer wordt voldaan aan de bovengenoemde vereisten, worden de technologische processen een leven verbeterend deel van een significante reeks van waarden. Arbeid wordt in dit geval zinvol werk, waarbij technologie wordt ontworpen om individuele personen, ecologische integriteit en culturele gezondheid te verbeteren (Drengson, 1982).

Volgens Drengson (1982) is appropiate technology de meest complete fase, aangezien meer relevante waarden worden aangehaald. Ook brengt deze fase het object en subject samen in een verantwoordelijke, wederzijdse interactie. In deze fase is er de mogelijkheid tot verdere technologische ontwikkeling, op een manier dat de negatieve gevolgen van de moderne geschiedenis van de mensheid kan oplossen (Drengson, 1982). Daarnaast brengt approtiate technology volgens Dengson (1982), technologie dichterbij. De meeste systemen zijn te centraal volgens Drengson (1982), door appropiate technology kan technologie veel meer toegepast worden op een lokaal probleem of situatie.

Dusek en Drengson zijn van belangrijke waarde geweest in theorie over technologie. De theorie van Sabatier en Smith wat hieronder zal worden toegelicht, is een theorie over beleidsvorming wat van groot belang is in de publieke sector.

2.3.????? Sabatier & Smith

Advocacy Coalition Framework is een beleidsvorming model, gebaseerd op het gebruik van diverse instrumenten door concurrerende coalities binnen een beleidssubsysteem (Cairney, 2013). Tijdens dit proces spelen externe actoren een belangrijkere rol dan interne actoren, doordat de externe actoren meer invloed hebben op het beleidsvorming proces. Het model is afkomstig van Sabatier en Smith en volgens het model is beleidsevolutie het product van verschillende coalities om juridische en politieke instrumenten in te zetten om doelen te bereiken en om tot een gewenst beleid te komen (Sabatier, 2014).

Binnen het ACF beleidsmodel is het van belang de belangrijkste concepten van het model te beschrijven om tot een beleidsproces te kunnen komen. Een eerste concept is ?advocacy coalitions?. Dit zijn coalities bestaande uit hele diverse leden met verschillende functies die een gezamenlijk doel willen bereiken binnen het politiek systeem?(Sabtier, 2007). Leden kunnen journalisten of onderzoekers zijn, maar ook vakbonden, ambtenaren of belangenorganisaties. Daarnaast spelen de belangen van de coalities een belangrijke rol binnen het proces, doordat deze belangen diep geworteld zijn binnen de leden van de coalitie. Ieder coalitie binnen het politiek systeem wil de eigen belangen vertalen in beleid en gelijke belangen tussen coalities zorgt ervoor dat er samenwerking plaatsvindt. Om overtuiging van de eigen standpunten te realiseren worden politieke instrumenten en sturende mechanismen ingezet (Cairney, 2013). Voorbeelden hiervan zijn publicaties van evaluatierapporten, technische informatie dat wordt gepolitiseerd, wijziging in wetgeving of participatie in agentschappen. De instrumenten worden bewust en rationeel ingezet door coalities om de eigen belangen te realiseren in subsystemen?(Cairney, 2013) .Subsystemen zijn issue-specifieke netwerken en zijn actief in de regering omdat verkozen ambtenaren verantwoordelijkheid over beleidsvorming overdragen aan bureaucraten, die op hun beurt, regelmatig overleggen met leden van advocacy coalitions zoals belangengroepen. Hierdoor stelt ACF dat externe actoren meer invloed uitoefenen op politieke kwesties dan interne actoren binnen het politiek systeem. Hieronder vallen ook veranderingen in de omgeving zoals veranderingen in de publieke opinie en veranderingen in sociaaleconomische condities (Sabtier, 2007).

m1

Zoals bovenstaand schema toont ontstaat beleid volgens Sabatier doordat coalities, eigen waarden en instrumenten omzetten naar strategie?n. Deze strategie?n be?nvloeden keuzes die gemaakt worden door beleidsmakers. De veranderingen in het beleidsproces komt volgens ACF tot stand, doordat advocacy coalitions invloed uitoefenen op beleid (Sabtier, 2007). Volgens het ACF is bijna altijd sprake van een dominante coalitie die de meeste instrumenten en sturingsmechanismen in bezit heeft. Externe veranderingen kunnen openingen bieden voor coalities om beleidsveranderingen door te duwen in het subsysteem, aangezien actoren dan eerder geneigd zullen zijn om de eigen beleidsvisie aan te passen. Bemiddeling tussen coalities om tot nieuw beleid te komen versoepelt in dit geval. De overheid kan de bemiddelde strategie overnemen, waardoor een beleidsverandering in werking treedt (Sabtier, 2007).

Hoofdstuk 3: Operationalisatie, onderzoeksontwerp en methodologische verantwoording
Om tot een succesvolle analyse te komen van de invloed van de fasen van technologie voor predictive policing op veranderingen van beleidsvorming bij de Nationale Politie zal in dit hoofdstuk allereerst het conceptueel model worden getoond. In dit model worden de variabelen in vereenvoudigde vorm geschetst. Daarnaast blijkt uit dit model wat de verwachte uitkomsten zijn. Vervolgens zullen de variabelen in het conceptueel model meetbaar worden gemaakt, door deze te operationaliseren. Ook zal de strategie van het onderzoek en de methodes die hiertoe worden toegepast, worden beschreven. Tot slot zal beargumenteerd worden in hoeverre dit onderzoek valide en betrouwbaar is.

3.2. ? ? ?Conceptueel model

m2

Bovenstaand conceptueel model toont de concepten die onderzocht zullen worden binnen dit onderzoek. Daarnaast worden verwachte richtingen getoond in het model. De verwachtingen zijn:

Advocacy coalities zoals beschreven in de theorie van Sabatier hebben veel invloed op beleidsvorming. In dit onderzoek is de verwachting dat advocacy coalities invloed uitoefenen op beleidsvorming. De verwachte invloed is sterker wanneer predicitive polcicing zich bevindt in de fase van approtiate technology. Drensgon stelt namelijk dat de fase appropiate technology de beste fase is om technologische ontwikkelingen toe te passen in de samenleving, omdat in deze fase de meeste acceptatie aanwezig is voor technologie. Hierdoor heeft de variabel approtiate technology een medi?rend effect op beleidsvorming.

De verwachting van dit onderzoek volgens de toegelichte theorie?n is:

De invloed van advocacy coalities die predicitive policing nastreven op beleidsvorming, is groter wanneer de fase van appropiate technology van toepassing is op predicitive policing.

 

3.2.????? Operationalisatie
De variabelen in het conceptueel model zullen worden geoperationaliseerd aan de hand van het operationalisatieschema. In dit schema worden de variabelen weergegeven en als subcode worden meetbare indicatoren gepresenteerd. Daarnaast is gebruik gemaakt van subsubcodes, waardoor een variabel verder kan worden gespecifieerd.

m3

3.3. ? ? ?Strategie

In dit onderzoek is gekozen voor het gebruik van kwalitatief onderzoek. Om de hoofdvraag te beantwoorden is namelijk kennis vereist over verschillende inzichten. Daarnaast zijn de uitkomsten van de hoofdvraag minder goed te voorspellen, vergeleken met kwantitatief onderzoek. Er is ook geen sprake van cijfers, waardoor de data ook niet statistisch verwerkt kan worden, wat wel gebeurt bij kwantitatief onderzoek (Doorewaard, 2015).

Tijdens dit onderzoek is er sprake van een deductieve nadruk. In het onderzoek wordt immers empirie getoetst aan wetenschappelijke theorie, waarbij van theorie naar data wordt gewerkt. Daarnaast worden de belangrijkste concepten in de theorie geoperationaliseerd om de betrouwbaarheid en validiteit te garanderen (Doorewaard, 2015).

Het onderzoek betreft een enkelvoudige casestudy, waarbij getracht wordt om diepgaand inzicht te verkrijgen in predictive policing bij de Nationale Politie door middel van methodentriangulatie. Er is sprake van een smal domein, er zullen acht individuele interviews worden afgenomen bij de Nationale politie en betrokken actoren. De respondenten zijn werkzaam bij de politie en zijn selectief gekozen om verschillende inzichten mogelijk te maken, ofwel een strategische steekproef (Doorewaard, 2015). Doordat het afnemen van acht interviews met belangrijke sleutelfiguren bij politie-eenheden niet werd toegestaan door de communicatieafdeling van de Nationale Politie, vanwege de drukte door de reorganisatie en kwesties bij de politie rondom publicaties met gevoelige informatie, is gekozen om vijf interviews af te nemen met betrokken actoren. Hierbij is gekozen voor TNO en Risbo vanwege de kennis over technologie?n, die worden ingezet bij de politie en vanwege kennis over samenwerkingen. Daarnaast is ook gekozen voor een interview met een ICT-jurist vanwege de juridische aspecten rondom predictive policing.

De interviews zijn semi-gestructureerd, waarbij gebruik wordt gemaakt van een vragenlijst dat flexibel wordt gehanteerd. Het is de bedoeling om de respondent zoveel mogelijk aan het woord te laten en als interviewer enkel te sturen in het gesprek, wanneer te veel van de vragenlijst wordt afgeweken. Op basis van de operationalisering zijn interviewvragen en ?topics opgesteld en zijn te raadplegen in bijlage 8.1. Daarnaast zal een bureauonderzoek worden uitgevoerd, wat bestaat uit het boek Predictive policing: kansen voor een veiligere toekomst (Rienks, 2015) en de publicatie van het Inrichtingsplan Nationale Politie (Justitie, 2012) en mogelijk andere relevante literatuur. Rutger Rienks is zelf werkzaam als intelligenceprofessional bij de politie en geeft weer welke kansen en mogelijkheden de auteur ziet omtrent predictive policing. In het Inrichtingsplan van de Nationale Politie gebruikt (Justitie, 2012) wordt beleidsvorming bij de Nationale Politie beschreven en verschillende samenwerkingen met hun doelen beschreven.

  • Validiteit en betrouwbaarheid

Om de kwaliteit van het onderzoek te meten wordt gebruik gemaakt van de indicatoren validiteit en betrouwbaarheid. De validiteit wordt onderverdeeld in interne validiteit en externe validiteit. Vervolgens wordt de betrouwbaarheid van dit onderzoek beoordeeld.

De interne validiteit meet of er wordt gemeten wat gemeten wilt worden. In dit onderzoek wordt voldaan aan de interne validiteit, omdat alle stappen in het onderzoek op elkaar zijn gebaseerd. De belangrijkste concepten in het theoretisch kader leidt tot het conceptueel model. Vervolgens worden de variabelen in het conceptueel model geoperationaliseerd, waaruit de interviewvragen worden opgesteld. De data afkomstig van de interviews, leiden mede tot een antwoord op de hoofdvraag.

De externe validiteit meet of de uitkomsten uit het onderzoek generaliseerbaar zijn over andere organisaties, dan wel andere sectoren. Dit onderzoek betreft een casestudy waarbij wordt getracht diepgaand informatie te verkrijgen over de Nationale politie. De verkregen informatie is daarom niet te betrekken op andere organisaties. De resultaten zijn gebaseerd op data verkregen van de Nationale Politie en betrokken actoren en daarom zijn de resultaten enkel te betrekken op politie in Nederland. Predictive policing wordt in iedere samenleving anders, of niet uitgevoerd. De resultaten zijn daarom niet extern valide.

De betrouwbaarheid meet of dezelfde resultaten verkregen worden, wanneer hetzelfde onderzoek opnieuw wordt uitgevoerd. De betrouwbaarheid is in dit onderzoek gering. Immers worden medewerkers ge?nterviewd en kunnen medewerkers na verloop van tijd van mening veranderen. Ook kunnen ontwikkelingen omtrent predictive policing optreden waardoor het beeld van predictive policing verandert. Om de betrouwbaarheid toch te kunnen waarborgen, worden twee soorten methoden van onderzoek toegepast. Hierdoor wordt uit meerdere bronnen data verkregen, namelijk documenten over predictive policing.

pp3

Hoofdstuk 4: Context en Bevindingen
In dit deel van het onderzoek worden de bevindingen uit het onderzoek gepresenteerd. Allereerst zal er een context beschrijving plaatsvinden en vervolgens zullen de resultaten verkregen uit interviews worden besproken.

4.1.????? Context
Predictive policing is de toepassing van verschillende analytische technieken, met name kwantitatieve technieken om risico?s van criminele activiteiten te kunnen bepalen en criminele activiteiten te kunnen voorkomen door het doen van statistische voorspellingen. De term is in 2008 geintroduceerd door politiechef William Bratton van de Los Angeles Police Department (Perry, 2013, p.1). Inmiddels zijn er vele ontwikkelingen geweest rondom de voorspellingstool. In Amsterdam wordt het Criminaliteits Anticipatie Systeem (CAS) gebruikt om High Impact Crimes mee te voorspellen. Onder High Impact Crimes vallen woninginbraak, straatroof en overvallen (De Vries, 2016). CAS doet voorspellingen op basis van criminaliteitsgegevens, maar ook andere variabelen, zoals de dichtstbijzijnde snelwegenoprit en bekende criminele bedrijven in het gebied, worden gebruikt als input voor de voorspelling (Rienks, 2015, p.23). Daarnaast worden in vier grote steden in Nederland pilots uitgerold, waarbij predictive policing systemen worden gebruikt bij de politie. Het predictive policing model kan een goede duiding kan geven van het risico, maar ook maatregelen voorstellen om deze risico?s zo goed en effici?nt mogelijk te neutraliseren. De komst van predictive policing zou de ?pre-recherche? introduceren, waarbij niet wordt gericht op waarheidsvinding, maar op waarheidsvinding in de toekomst (Rienks, 2015, p.24).

De reorganisatie van de Nationale Politie heeft ertoe geleid dat de politie voor grote problemen is komen te staan?(Lieshout, 2014). In het Inrichtingsplan van de Nationale Politie wordt verwezen naar het doel van de Nationale Politie; bijdragen aan een veiliger samenleving. Hiertoe zijn strategische doelen opgesteld waarbij samenwerking met interne partijen, maar ook met externe partijen van groot belang is, om de doelen te realiseren (Justitie, 2012). In het plan wordt gesproken van samenwerkingen met de gemeente, burgers en politieacademie maar ook van internationale samenwerkingen. Rienks (2015) sluit aan op de voordelen van samenwerkingen door te stellen dat criminaliteit verandert en de ingevoerde data dus moet mee veranderen om de voorspelling up-to-date te houden. Zoveel mogelijk data zou de voorspelling sterker kunnen maken qua impact. Samenerkingen op verschillende gebieden, met verschillende actoren kan dus een grote bijdrage leveren aan predictive policing. Door het volgen van soortgelijke delicten zouden er ook geografische patronen kunnen ontstaan, waaruit verwachtingen kunnen worden afgeleid over een eventueel volgend delict (Rienks, 2015, p.64). Een uitdaging is hierbij het interpreteren van data naar concrete beleidsstappen.

Juridische aspecten om de bevoegdheden van de politie te garanderen zijn vastgelegd in wetten, zoals de Wet Politie Gegevens, die bepaalde vormen van verwerking en verstrekking van politiegegevens mogelijk maakt en hierover waarden en condities vaststelt. Rienks (2015, p.79) stelt het volgende over inbeslagname van gegevens in juridische zin:

?De inbeslagname van gegevens in juridische zin is trouwens nog een lastig geval. Want volgens artikel 94 van het Wetboek van Strafvordering zijn alleen voorwerpen (onder andere die de ?waarheid aan de dag kunnen brengen?) vatbaar voor inbeslagname. Een gegeven is in deze context geen voorwerp. Gegevens zijn een abstract begrip. Gegevensdragers kunnen daarentegen wel in beslag worden genomen. Dus bij het vermoeden dat de gegevens, vastgelegd op een gegevensdrager, kunnen worden gebruikt voor waarheidsvinding, is slechts deze drager vatbaar voor inbeslagname.

?4.2.???? Bevindingen interviews

Om een helder overzicht te bieden van de bevindingen, zullen per actor de bevindingen worden gepresenteerd. Hierbij wordt onderscheid gemaakt tussen de actor politie en onderzoeksinstelling TNO, Risbo en een ICT-jurist als actor.

De medewerkers van de politie zijn te spreken over de voordelen van predictive policing. Het programma CAS zou volgens de innovatiemakelaar ertoe kunnen leiden dat politie inzet wordt gebaseerd op het programma en dit op een effectieve en effici?nte wijze kan gebeuren. De generalist spreekt ook van voordelen voor capaciteitsmanagement. De projectleider zegt hierover kort:

?Ja de voordelen zijn denk ik dat je anders dan gebaseerd op trends, intelligenter met je informatie omgaat.?

De projectleider voegt hier wel aan toe dat tijdens de pilot, dat de echte concrete voorspelling redelijk laat werd gedaan door het programma CAS. De aard van de interventie naar aanleiding van het predictive signaal, wordt daardoor moeilijk om op aan te passen. Daarnaast spreekt de innovatiemakelaar van bepaalde aannames intern bij de politie:

?Dus je kunt bij wijze van spreken uitrekenen waar en wanneer het zal plaatsvinden. Dat is best een gek idee voor politiemensen die uit de praktijk komen. En zeggen: ?Ja het is toch een beetje je instinct want je kijkt naar de omgeving en je denkt dit is mogelijk en dat niet.? Dus die eigen subjectieve invulling maakt ook wel dat ze het lastig vinden om te doorleven, om te denken, ja misschien zit er wel een systeem in, misschien zit er wel een patroon in.??

Ook de andere medewerkers spreken hierover, en stellen dat dit ook voor een deel uit onwetendheid komt. Zo stelt de projectleider dat in de beginfase van de pilot in Hoorn de medewerkers nogal sceptisch waren over de voorspellingen, omdat de variabelen waarmee werd gewerkt, nog onbekend waren. Over andere actoren, betrokken bij predictive policing, stelt de innovatiemakelaar dat het heel goed mogelijk is dat er andere belangen invloed uitoefenen op de samenwerking:

?Een gemeente heeft naast veiligheid natuurlijk ook leefbaarheid. Die moeten ook hun budget rondkrijgen dus die willen ook dingen doen waarvan politie zegt: ?Hey dat vraagt best wel veel inzet van ons voor de veiligheid.? Belangen zijn niet altijd helemaal gelijk. Er kan dan weleens gebeuren dat de gemeente zegt: ?Ik zie hier dat een tool een bepaalde verhoogde onveiligheid voorspelt, maar ik ga het toch doen, want ik wil mijn gemeente die kermis gunnen of die feestweek.??

De projectleider is het hier volkomen mee eens, en voegt eraan toe dat de beste resultaten wellicht ook behaald kunnen worden als het samen wordt gedaan met de gemeente, besturing, handhavers, maar misschien ook wel nog meer als de maatschappij er ook bij wordt betrokken. De innovatiemakelaar bespreekt tevens een ander voordeel van predicitive policing en stelt dat predictive policing niet een totaal nieuw systeem is:

?We weten niet tot op huishoudniveau hoe het zit met de beveiliging, sloten en honden. Dat weten we gelukkig niet, dat hoeft ook helemaal niet. Maar we weten wel: waar zijn de mensen gemiddeld wel thuis en waar zijn ze gemiddeld niet thuis overdag? Maar dat weet een inbreker ook als hij vier keer op een dag rondfietst door een wijk. Zo doen ze die dingen. Predictive policing is dus niet nieuw in die zin, maar het systematisch onderbouwen met data wat we nu op grote schaal kunnen verzamelen en die combineren en naast elkaar leggen. Ja, voor een deel zeggen mensen ja ik herken dit van mijn onderbuik gevoel maar dat is niet overal waar. Want er zijn ook mythes in de criminaliteitsbestrijding en die kunnen we nu mooi ontkrachten.?

Het onderbuik gevoel wordt ook besproken door de andere medewerkers. Er wordt door alle politiemedewerkers veel waarde gehecht aan de inzichten van ervaren agenten. Volgens de generalist, wordt hier zelfs onvoldoende aandacht aan besteedt. De projectleider zegt het volgende erover:

?Wat we gezien hebben bij die pilots van CAS wel hebben gezien dat het wel heel belangrijk is om al die verschillende bronnen van informatie, van onderbuik gevoel tot gewoon de klassieke manier van hotspots, die trendanalyses, te bundelen met de informatie die CAS oplevert. Maar je niet verlaten op 1 bron, dus als in we hebben nu CAS dus we gaan nu alleen daarmee plannen. Ten eerste, stuit je dan ook echt op weerstand, want mensen zeggen dan krijg je: ?Mijn gevoel zegt wat anders en ik vertrouw mijn gevoel meer dan een vaag kaartje wat ik uit de computer krijg.? Dus dat soort weerstanden, maar tegelijkertijd, en ten tweede zie je dat je ondanks het gebruik van big data en intelligentie systemen dat je niet volledig daarop kunt vertrouwen.?

Tot slot zou predictive policing volgens alle politiemedewerkers nog veel meer kunnen bieden dan dat het nu doet en kan het effect van predictive policing veel groter en uitgebreider zijn dan op dit moment. Er zullen hier nog wel een aantal ontwikkelingen vooraf moeten gaan volgens de projectleider. Zo zal data beter aangeleverd moeten worden en is het ook vrijwel onmogelijk om van een causaal verband te spreken tussen predictive policing en het effect op de buitenwereld, omdat vele andere factoren ook van invloed kunnen zijn en het niet altijd duidelijk is welke factor, wat voor invloed speelt. De innovatiemakelaar zegt over de toekomst van predictive policing dat er verwacht wordt, dat intelligenter gestuurd zal worden op de inzet van de capaciteit en dat dit iets vraagt van de operationale medewerker, maar voegt daaraan toe:

?Daarnaast is er een leidinggevende laag, die moet daarop gaan sturen. Dit is wat we zien, daarom verwachten we dat en daarom vragen we jou: ?wil je vooral op die fiets in die wijk?? Daar gaat gewoon ingebroken worden, we kunnen het gewoon uittellen en de meeste inbraken zijn overdag dus fiets vooral overdag als burger. Of met een scootertje, jij ziet er heel jong uit, dus trek lekker kleding aan waarbij je tussen die jongeren in blendt. Ga op dat pleintje zitten en kijk dan of je die kerel te pakken kan krijgen.?

pp4

Maar de innovatiemakelaar ziet hierin ook meer schakels waaronder:

?Welke ketenpartners zijn hier van belang? Want misschien hoef je er niet als politie te zijn. Misschien kun je bij een wijk wat geteisterd wordt door inbraken, de groenvoorziening vragen om juist daar te gaan schoffelen, want ja er moet toch iemand wat zien. Het kan ook zo zijn en nu ben ik misschien wat achterdochtig, dat als wij het patroon weten van de groenvoorziening en we denken nou dat is toch ook toevallig die zijn altijd in de wijk aan het schoffelen waar wordt ingebroken. Dan moet je een andere vraag stellen natuurlijk haha.?

De generalist deelt in het interview ook mee dat de komende vijf jaar predictive policing zich zeker zal uitbreiden naar meerdere delen van het land. Echter, moet er dan nog het een en ander gebeuren. De projectleider spreekt ook over positieve effecten in de toekomst, maar stelt ook dat het programma CAS tegenwoordig ook kaarten aanbiedt in heel veel andere teams in het land. Echter, wordt dit gedaan zonder begeleidende methode van gebruik. Hierdoor gaat ieder team er op zijn eigen manier mee om en dan wordt het vaak gebruikt als een hotspot kaart, terwijl CAS meer zou kunnen bieden. De projectleider zegt het volgende hierover:

?Daarmee doe je iets als predictive policing te kort, want het wordt dan gebruikt als een soort trendanalyse. En dat vind ik te kort en dat is jammer. Er zit meer in.?

De actor onderzoeksinstellingen wijst ook op bepaalde voordelen, die ook worden gedeeld door de politiemedewerkers. Alle respondenten die werkzaam zijn bij TNO wijzen op de voordelen voor politie inzet en de onderzoeker bij Risbo stelt daarnaast:

?Ik denk natuurlijk meteen aan de preventie. Kijk van oudsher is de politie heel erg reactief van aard. Er gebeurt een bepaald incident, mensen doen daar al dan niet aangifte op en de politie gaat dan rechercheren om te kijken kan ik het misdrijf, incident, ect. opsporen. Je loopt daarmee achter de feiten aan. Het grote voordeel van predictive policing is dat je aan die preventieve sfeer wijkt. Dus je probeert incidenten voor te zijn, erop te anticiperen, op gedragingen van burgers, groepen, terroristen.?

Echter, hebben de vier respondenten wel hun bedenkingen van de effectiviteit op dit moment. Volgens de program manager bij TNO, is predictive policing slechts een signaal, waarvan de impact op het moment nog relatief bescheiden ligt. Het signaal is niet dwingend, slechts suggestief en de overige respondenten sluiten zich ook hierbij aan. Daarnaast spreekt de program manager van TNO van belangen die een negatieve invloed kunnen hebben op de ontwikkeling van predictive policing:

?Uh ja, ten eerste kan het natuurlijk stigmatiserend zijn. Als je in een bepaalde wijk, bepaalde tijdsstip veel aanwezig gaat zijn met politiemensen. Dat is het lastige van je baseren op historische data, je bevestigt het, je typeert het. Dus dat kan een effect zijn. Wat ook een effect kan zijn, is dat politiemensen op straat zich heel erg gestuurd voelen. Dat hangt heel erg van de implementatie af, van hoe je dat doet. Als je het ?rescriptief? (voortschrijvend) gaat gebruiken, dan kunnen agenten het als lastig ervaren, het is verlies van vrijheid. Omdat je als een marionet van de ene naar de andere kant moet hollen. Door het systeem geregeerd worden. Dus dat kan een effect zijn.?

Ook is predictive policing volgens een medewerker bij TNO momenteel een hype, doordat heel veel mensen nog niet precies zouden weten hoe die voorspellingen werken. Echter, is volgens de TNO medewerker, men wel al heel snel blij met het programma, zonder echt een goede effectmeting te doen.

Een andere medewerker van TNO spreekt over belangrijke aspecten bij het gebruik van predictive policing:

?Dan liggen er wel maatschappelijk / ethische vragen. Als je nou eigenlijk niet echt begrijpt wat een tool doet en je laat je politiemensen erop inzetten. Je levert je dus over naar artificial intelligence, dus daarmee is een stapje gezet naar een moeilijk te controleren overheidsoptreden. En daarmee verlies je ook als het ware de regie, want machines doen dan het werk. Zo ver is het natuurlijk nog niet. De huidige tool is redelijk eenvoudig. Maar dat zet wel aan het denken.?

De respondenten van TNO en Risbo spreken over samenwerkingen met de politie en de TNO medewerkers stellen dat er sprake is van nauwe contacten. Zo zitten medewerkers van TNO ook bij de politie aan tafel om te overleggen. Echter, door de drukte van de reorganisatie medewerkers er ook voor kiezen om via het ministerie te helpen. Tijdens de interviews spreken de respondenten van verschillende belangen om mee te werken aan predictive policing. Hierbij speelt financieel belang een rol, maar stelt een respondent ook over samenwerkingen met de gemeente en de private beveiliging:

?Zeker, gemeentes zijn heel erg ge?nteresseerd in dit soort ontwikkelingen. Want heel veel dingen die je kunt veranderen om criminaliteit terug te dringen is niet iets wat de politie alleen kan. Dus de gemeente is een hele interessante. Het andere is, heel veel dingen die je doet voor de politie, kun je een op een kopi?ren naar private beveiligers. Ook als je een bedrijventerrein wilt bewaken, is het interessant om te weten of het nu op vrijdagavond populaire tijd is in dat bepaalde gebied. Dus moet ik daar nu een mannetje extra heen sturen? Dus ook met dat soort partners, zijn we ook bezig om te kijken: hoe kunnen we dit voor jullie inzetten??

Belangen kunnen volgens de onderzoeker bij Risbo ook hele andere doelen hebben:

?Maar daarnaast, informatie kan ook een politieke perspectief hebben. Informatie is ook een potentiele bron van macht, er komen allemaal strategische gedragingen uit. Op het moment dat je met verschillende actoren, data, kennis deelt. Dat kan gevoelig liggen, want iedereen heeft een bepaald kennismonopolie. En om dat te delen, ja dat kan bepaalde weestanden oproepen.?

De respondenten spreken allen van bepaalde barri?res. Zo wordt gesproken over juridische barri?res zoals etnisch profileren en het invoegen van bepaalde variabelen aan de voorspellingstool die in een rechtszaak in twijfel getrokken kunnen worden. Zo licht de ICT-jurist toe dat dit soort zaken nieuw zijn en nog vrij onbekend terrein. Een medewerker van TNO vertelt hierover dat er ook geen jurisprudentie bekend is over predictive policing en dat uiteindelijk juridisch zal blijken of wat de politie doet ook wettelijk mag. Tot slot bespreekt de onderzoeker bij Risbo van nog andere mogelijke belemmeringen:

?Dus als je puur uitgaat van de techniek dan denk ik dat je heel weinig barri?res hebt. Maar je hebt natuurlijk ook een andere kant en dat is natuurlijk wat wel een rem kan zijn. Als je kijkt naar de politie, de Nationale Politie, de reorganisatie, heeft geleid tot bepaalde knelpunten, onzekerheden, dingen die niet helemaal goed lopen. Mensen die onzeker zijn over hun baan. Dus zijn er wel een aantal organisatorische belemmeringen om dit soort dingen in de organisatie in te voeren uit te rollen, over alle politie-eenheden. Dat is een barri?re. Je hebt natuurlijk ook een financi?le barri?re, je kan bijvoorbeeld inzetten op predictive policing, maar dat is een aspect en je kunt ook op tal van andere dingen inzetten. En uiteindelijk is er een budget kwestie, waar ga je op investeren??

pp2

Hoofdstuk 5: Analyse
In dit deel van het onderzoek worden de resultaten getoetst aan de theoretische concepten die eerder in het onderzoek zijn behandeld. Hiertoe worden de bevindingen gebruikt om te kunnen reflecteren op het conceptueel model in dit onderzoek.

Uit de bevindingen blijkt dat de verschillende actoren bepaalde belangen delen maar er ook grote verschillen bestaan in een aantal aspecten rondom predictive policing. De interviews tonen aan dat alle respondenten te spreken zijn over de voordelen. Veiligheid wordt tijdens de meeste interviews aangehaald als een gedeeld belang om samen te werken, maar autonomie en kennismonopolie zijn belangen die kunnen leiden tot barri?res in het samenwerkingsproces. Uit de interviews blijkt dus dat er wel degelijk advocacy coalities zijn die predictive policing nastreven. Ook worden verschillende instrumenten aangehaald tijdens de interviews om beleidsvorming bij de politie te be?nvloeden. Hoewel het bij de meeste respondenten blijft bij een adviserende taak, worden verschillende actoren genoemd die wel degelijk politieke en juridische invloed uitoefenen op beleidsvorming bij de politie. Daarnaast wordt gesproken van andere wegen die bewandeld kunnen worden om alsnog enige invloed te kunnen uitoefenen. Het gebruik van gepolitiseerde technische informatie en publicaties van evaluatierapporten is tevens een instrument, dat ingezet kan worden bij onderzoeksorganisaties.

Verschillende actoren proberen dus op verschillende manieren invloed uit te oefenen op beleidsvorming bij de politie. Hiertoe hebben actoren verschillende belangen. Dit kunnen belangen zijn om samenwerkingen omtrent predictive policing met de politie te realiseren, zoals financi?le belangen of het stimuleren van het maatschappelijk debat rondom ethische kwesties. Maar ook kan er sprake zijn van tegenstrijdige belangen waardoor er barri?res optreden in de ontwikkeling van predictive policing.

Daarnaast zou de onderzochte data, getoetst worden aan de laatste fase van de theorie van Drengson. Uit de toetsing blijkt dat predictive policing zich niet bevindt in de fase van appropiate technology, de laatste fase. Om te kunnen spreken van appropitate technology moet sprake zijn van het gebruik van het systeem als instrument om bepaalde doelen te bereiken. Interviews tonen aan dit het geval is; alle respondenten stellen dat predictve policing belangrijke doelen kan realiseren bij de Nationale Politie. Het vergroten van efficiency en effectiviteit is een van de meest genoemde voordelen. De mogelijkheden en diversiteit zijn groot, er worden voorbeelden aangehaald waarbij mogelijke toekomstige terroristische aanslagen voorkomen kunnen worden. Ook blijkt het voorspelbare tool bruikbaar in meerdere organisaties, zoals de Belasting om belastingontduiking effectiever op te sporen. Het systeem zou dus ook, indien verdere ontwikkeling plaatsvindt, lokale en specifieke criminaliteitsproblemen kunnen oplossen. Er is daardoor ook sprake van diversiteit in het gebruik van predictive policing op het gebied van criminaliteit. Hoewel het systeem nu nog vrij simpel wordt gebruikt, tonen de interviews klaarblijkelijk aan dat er grote mogelijkheden denkbaar zijn. De menselijke attitude is kenmerkend voor scheiding tussen verschillende fasen. Wanneer de menselijke attitudes over mogelijke barri?res en gevaren worden besproken in de ontwikkeling van predictive policing, blijkt uit de interviews dat er een bepaalde angst heerst om gestuurd te worden door een technologisch systeem. Verlies van de eigen menselijke autonomie en onvoldoende kennis van het daadwerkelijke programma, heeft hier invloed op. Respondenten zijn momenteel kritisch over de daadwerkelijke effecten van het voorspellende programma en zien predictive policing merendeels als een signaal dat genegeerd kan worden als de politiecapaciteit ontoereikend. In de toekomst is de kans groot, dat predicive policing grote invloed kan hebben op beleid, vanwege de diversiteit en effectiviteit. Echter, kan er aan de interviews momenteel nog niet vastgesteld worden dat predictive policing een onmisbaar systeem is in de samenleving. Het technologisch systeem, wat in dit onderzoek predictive policing voorstelt, is daardoor niet een systeem dat menselijke ontwikkeling bevordert. De data in dit onderzoek toont aan dat de menselijke houding tegenover predictive policing niet overeenkomt met de fase van appropiate technology. Predictive policing bevindt zich dus niet in de laatste fase. Drengson stelt over de fasen waarin technologie?n kunnen worden geplaatst, dat appropiate technology de beste fase is voor implementatie van beleidsvorming. Uit de data in dit onderzoek blijkt dat de implementatie nog niet volledig succesvol is. De belangen van de actoren wegen mee in deze implementatie.

Aan het eind van het conceptueel model werd een verwachting geschetst aan de hand van de theoretische concepten. De verwachting was het volgende:

De invloed van advocacy coalities die predicitive policing nastreven op beleidsvorming, is groter wanneer de fase van appropiate technology van toepassing is op predicitive policing.

Deze verwachting is niet uitgekomen in dit onderzoek. Dit onderzoek heeft namelijk geleid tot resultaten waaruit blijkt dat predictive policing zich niet in de gestelde fase bevindt. Hierdoor kan de verwachting niet worden bevestigd. De fase waarin predictive policing zich bevindt, zorgt er juist voor dat respondenten kritisch kijken naar de toepassing. Een deel van de respondenten geven aan juist door middel van onderzoek, de politie te adviseren een meer terughoudende positie aan te nemen in de ontwikkelingen rondom predictive policing. Er zijn momenteel nog juridische barri?res waaruit moet blijken of de voorspellende technologie wel is toegestaan in de samenleving. Daarnaast zijn er barri?res in de samenleving en intern bij de politie zelf. Draagvlak en sturing door technologie zijn veel aangehaalde argumenten. Een deel van de actoren wenst dat de experimenteerfase wordt verlengd in plaats van uitbreiding plaatsvindt naar meerdere steden, zoals de politie dat wenst. Verschillende instrumenten worden ingezet om de eigen belangen van de coalities te realiseren in dit proces. Zo blijkt uit de interviews dat er sprake is van een eigen website van de onderzoeksinstelling waarin verschillende kritische onderzoeken van de politie aan het licht worden gebracht. Als achterliggende belang van de website wordt gesproken van het stimuleren van het maatschappelijk debat en de zin en onzin rondom predictive policing te onderscheiden. De actoren onderling proberen dus het beleid te be?nvloeden. Echter, bevindt predictive policing zich mogelijk in een fase waardoor actoren niet meewerken aan verdere uitbreiding zoals de politie dat wenst. Er wordt juist invloed uitgeoefend door actoren om een meer terughoudende positie te realiseren bij de politie. De actoren geven verschillende argumenten om het debat te stimuleren, van juridische tot aan organisatorische argumenten.

pp7

Hoofdstuk 6: Conclusie
In dit deel van het onderzoek, wordt antwoord gegeven op de hoofdvraag. De hoofdvraag zal allereerst herhaald worden, waarna aan de hand van de analyse een antwoord gegeven zal worden op de hoofdvraag.

Om tot de conclusie te komen zal allereerst de hoofdvraag hieronder worden geformuleerd:

Wat is de invloed van de fasen van technologie op predictive policing op beleidsvorming bij de Nationale Politie?

Het onderzoek heeft aangetoond dat predictive policing zich niet in de fase appropiate technology bevindt. Er wordt niet voldaan aan alle vereisten om te kunnen spreken van deze fase. Bij de toepassing van het systeem ontbreekt de bevordering van de menselijke ontwikkeling en het ervaren van een onmisbaar systeem tijdens het gebruik. De menselijke houding tegenover het voorspellingstool wijst op een meer terughouding en meer experimenten om effecten te verduidelijken van preditcive policing op de criminaliteit en samenleving. Hierdoor heeft predictive policing niet een versterkend invloed op beleidsvorming bij de politie. Uit de interviews blijkt wel enthousiasme voor voorspelbare programma?s, maar wordt ook gewezen op de gevaren. Predictive policing wordt op dit moment gezien als een programma met veel mogelijkheden maar tevens serieuze ethische kwestie in de huidige informatiesamenleving. De menselijke houding is kritisch naar deze vorm van technologie. Overgeleverd worden aan een technologisch systeem, waarbij de eigen autonomie wordt ingekort, stuit tot veel weerstand bij betrokken actoren. Dit wordt versterkt, doordat er onvoldoende kennis is over de technologie. De totstandkoming van de voorspelling is voor veel gebruikers nog een raadsel en daardoor wordt het enkel als een voorspellend signaal gezien onder de meeste respondenten. Verschillende inzichten zijn hierop mogelijk, de discussie blijven voeren tussen betrokken actoren is dan ook van groot belang om tot gezamenlijk beleid te kunnen komen. De betrokken actoren zijn in staat om invloed uit te oefenen op beleidsvorming bij de politie, door de inzet van verschillende instrumenten.

Uit dit onderzoek blijkt dan ook dat de Advocacy Coalition Framework van toepassing is op beleidsvorming bij de Nationale Politie. Echter, kan er geen versterkend invloed van predictive policing vastgesteld worden op beleidsvorming bij de politie. Er is in dit onderzoek sprake van invloed vanuit de betrokken actoren om de experimenteerfase te verlengen. De theorie van Drengson benoemt vier fasen waarin de laatste fase is getoetst in dit onderzoek. Echter, blijkt uit de analyse dat er sprake is van een andere fase. De eerste fase stelt dat ontwikkelingen worden gediend als instrument om macht en welvaart te realiseren. De tweede fase stelt dat er een liefde ontstaat voor technologie, waarin technologie een spel van het leven wordt. De derde fase technophobia benoemt de angst voor bepaalde technolgische ontwikkelingen en stelt als belangrijk kenmerk dat de mens de behoefte heeft om de technologie zelf te sturen in plaats van dat de mens wordt gestuurd door de technologie. Dit is een overeenkomst met de data en zou kunnen verklaren waarom actoren een verlening van de experimenteerfase wensen. Doordat er geen onderzoek is gedaan naar de eerste drie fasen, kunnen hieruit geen conclusies over worden getrokken.

Om tot deze conclusie te komen zijn er acht interviews afgenomen met betrokken actoren die voldoende kennis hebben van predictive policing om een eigen inzicht te bieden aan de onderzoeker met betrekking tot het onderwerp predictive policing, beleidsvorming bij de politie en betrokken actoren in dit proces. In dit onderzoek is gekozen om enkel de laatste fase te toetsen door gebrek aan tijd en data. Hierdoor kan in dit onderzoek niet worden getoetst in welke fase predictive policing zich dan wel bevindt. De toetsing op andere fasen binnen de theorie van Drengson vereist vervolgonderzoek.

pp6

Hoofdstuk 7: Discussie

In dit afsluitend deel van het hoofdstuk zal een kritische reflectie plaatsvinden op het onderzoek dat is uitgevoerd. Hierbij zullen kanttekeningen worden geplaatst op het onderzoek.

Allereerst kan kanttekeningen worden geplaatst bij het lage aantal respondenten met een functie binnen de politie. Het afnemen van interviews met sleutelfiguren bij de politie bleek een lastige taak. Hierdoor is gekozen betrokken actoren te benaderen. Meer sleutelfiguren binnen de politie op het gebied van predictive policing en beleid, had meer diepgaand inzicht kunnen bieden. Daarnaast kunnen acht respondenten weinig zijn om te onderzoeken welke actoren er zijn betrokken bij samenwerking omtrent predictive policing. Om de belangen van de betrokken actoren allemaal afzonderlijk te meten, zijn meer interviews vereist. Doordat kennisinstellingen veel informatie tot beschikking hadden over de politie en betrokken actoren, is gekozen om deze actor te interviewen. In de samenleving spelen veel meer actoren een rol bij beleidsvorming omtrent predictive policing.

Daarnaast kunnen er bedenkingen worden geplaatst bij de toetsing op louter de laatste fase van de theorie van Drengson. Door beperkte tijd en enkel acht interviews is gekozen om de overige fasen niet toetsen. Echter, had het veel waarde kunnen toevoegen aan het onderzoek als wel gesteld kon worden in welke fase predictive policing zich dan wel bevindt. De invloed op beleidsvorming zou in dat geval beter onderzocht kunnen worden.

Literatuurlijst

Cairney, P. (2013, Oktober 30). Paul Cairney. Opgehaald van Policy Concepts in 1000 words: The Advocacy Coalition Framework: https://paulcairney.wordpress.com/2013/10/30/policy-concepts-in-1000-words-the-advocacy-coalition-framework/

De Vries, A. & Smit. S. (2016, april 25). Predictive policing: een overzicht. Opgehaald van socialmediadna: http://socialmediadna.nl/predictive-policing-overzicht/

Doeleman, D. W. (2014). Predictive policing – wens of werkelijkheid? het Tijdschrift voor de Politie, 29-42.

Doorewaard, P. V. (2015). Het ontwerpen van een onderzoek. Amsterdam: Boom Lemma uitgevers.

Drengson, A. R. (1982, Summer). Four Philosophies of Technology. Philosophy Today, 103-117.

Dusek, V. (2006). Philosophy of Technology: An Introduction. In V. Dusek, Philsophy of Technology: An Introduction (pp. 26-37). USA, UK, Australia: Blackwell Publishing.

Ellul, J. (1964). In The Technological Society (J. Wilkinson, Vert., pp. 333-343). New York: Alfred A. Knopf, Inc. and Random House, Inc.

Jonker, J. (2015, augustus 31). Rem op reorganisatie politie. De Telegraaf.

Justitie, M. V. (2012). Inrichtingsplan Nationale Politie. kwartiermaker Nationale Politie.

Lieshout, L. v. (2014, november 15). De vijf grootste problemen van de politie. Opgehaald van nrcreader: http://www.nrcreader.nl/artikel/7368/de-vijf-grootste-problemen-van-de-politie

Mauriac, F. (1968). Le nouveau bloc-notes 1961-1964. Frankrijk: Flammarion.

Noort, W. (2016, april 15). Slimme stad of dataslurper. NRC.nl.

Paul A. Sabatier, C. M. (2014). Theories of the policy process. Boulder: Westview Press.

Prins, J. (2004). Tehcnologie en de nieuwe dilemma’s rond identificatie. Justiti?le Verkenningen, 1-47.

Rienks, R. (2015). Predictive Policing: Kansen voor een veiligere toekomst. Apeldoorn: Politieacademie Apeldoorn.

Sabtier, W. (2007). The Advocacy Coalition Framework: Innovations and Clarifications. Boulder: Wetsview Press. Opgehaald van The Advocacy Coalition Framework: Innovations and Clarifications: http://collectivememory.fsv.cuni.cz/CVKP-29-version1-priloha_2_FF.pdf

Spelier, R. (2011). Onderweg naar nationale politie?! Utrecht: Department Bestuurs- en Organisatiewetenschap.

Walter L. Perry, B. M. (2013). Predictive Policing: The Role of Crimecasting in Law Enforcement Operations. RAND Corporation.

Bijlage

Bijlage 8.1.: Kwalitatieve vragenlijst

Appropiate technology

  1. Wat is predicitive policing en wat is het doel van het gebruik ervan?
  2. Wat zijn de voordelen van predictive policing?
  3. Hoe wordt predicitive policing gebruikt in het dagelijks leven?

Advocacy coalition framework

  1. Welke coalities zijn betrokken bij beleidsvorming omtrent preventief opsoringsbeleid?
  2. Wat zijn de belangen van die coalities?
  3. Welke instrumenten hebben zij om beleidsvorming te be?nvloeden (zowel meewerken als beleid hinderen)?
  4. Wat is het belang voor de desbetreffende organisatie om mee te werken met de politie?
  5. Op wat voor manier komen de coalities tot een gezamenlijk standpunt?

Veranderingen in beleidsvorming

  1. Hoe is beleid omtrent predictiev policing ontstaan?
  2. Hoe ziet u predictive policing over vijf jaar?
  3. Wat voor invloed heeft predictive policing gehad op beleidsvorming?
  4. Wat voor effect kan het nog hebben op beleidsvorming?

Bekijk, download of print het onderzoek hier:

[slideshare id=69627654&doc=bachelorscriptiemelissakont-161129090425&type=d]

Of bekijk het onderzoek uit Chicago naar de effecten van Predictive Policing daar:

[slideshare id=65229286&doc=predictionsputintopractice-aquasi-experimentalevaluationofchicagospredictivepolicingpilot-160822101738&type=d]

Bronnen: The Verge, Mic

Predictive policing predicts police harassment, not crime

 

Toepassing Social Media Data-Analytics voor het Ministerie van Veiligheid en Justitie

De essentie van sociale media is dat er een online platform is waar de gebruikers, zonder of met minimale tussenkomst van een professionele redactie, de inhoud verzorgen. Doordat sociale media zo intensief en door zoveel mensen wordt gebruikt, worden er dagelijks enorme hoeveelheden data gegenereerd. Coosto is een Nederlands bedrijf dat applicaties maakt waarmee het openbaar toegankelijke, Nederlandse deel van deze databerg beter toegankelijk wordt gemaakt. Het ministerie van Veiligheid en Justitie heeft een licentie voor het gebruik van Coosto. Dit bedrijf levert softwaretools om inzichten te krijgen vanuit het sociale web en controle te krijgen over de sociale media. De social media tool is een sterke zoekmachine, waarmee zowel social media monitoring als online klantenservice eenvoudiger wordt gemaakt. Er staan miljarden documenten in opgeslagen.

Met dit onderzoek wordt nagegaan in hoeverre de data die Coosto verzamelt, gebruikt kunnen worden voor andere doeleinden dan webcare alleen (op VenJ terrein). Het onderzoek bestaat uit twee delen. In deel I van het onderzoek is de creatieve interactie tussen de opdrachtgever en de opdrachtnemer van essentieel belang. In deel II van het onderzoek wordt een nog nader te bepalen toepassing verder uitgewerkt.

[slideshare id=77337491&doc=toepassingsocialmediadataanalyticsvoorhetministerievanveiligheidenjustitie-170628132658&type=d]

Bron: WODC

Predictive policing: politiewerk aan de hand van voorspellingen

knightscope

Afbeelding: Knightscope

De opkomst van nieuwe technologie?n stelt de politie en andere rechtshandhavingsinstanties in staat proactiever en effectiever te opereren. De toepassing van deze technologie?n in het publieke veiligheidsdomein roept echter ook allerlei vragen op met betrekking tot privacy en andere grondrechten van burgers. Het nieuwe?themanummer van Justiti?le verkenningen beoogt enerzijds die nieuwe technologische toepassingen te beschrijven en anderzijds de (mogelijke) consequenties daarvan nader te beschouwen en aan discussie te onderwerpen.

Naast afzonderlijke artikelen over concrete technologische toepassingen (beeldtechnologie, drones) gaat de aandacht uit naar enkele belangrijke trends die alle voortvloeien uit de groeiende beschikbaarheid van ? onderling koppelbare ? grote hoeveelheden data afkomstig uit allerlei bronnen. Bij politiekorpsen wereldwijd heeft dit geleid tot een de groeiende populariteit van predictive policing: politiewerk doen aan de hand van voorspellingen die gebaseerd zijn op een enorme verzameling historische gegevens over o.a. delicten, de plegers ervan en criminaliteitspatronen, gecombineerd met realtime data. Het politieoptreden wordt aldus datagestuurd en meer op preventie gericht. Een stap verder is prescriptive policing, waarbij de data aangeven wat de meest effectieve interventie zou zijn. Met de film Minority Report in gedachten doemen de zwartste scenario?s op: krijgen we een ?gedachtenpolitie? , staat de onschuldpresumptie op het spel? Deze vragen zijn des te prangender wanneer de rechtshandhaving steeds meer wordt overgelaten aan drones en robots. De grote uitdaging in dit verband is hoe ethische, maatschappelijke en juridische waarden al in het ontwerpproces van articifici?le intelligentie toepassingen kunnen worden ingebouwd. Iets soortgelijks speelt met betrekking tot de bescherming van persoonlijke gegevens en priv?-communicatie bij het gebruik van computers en smartphones e.d. Nieuwe Europese wetgeving schrijft voor dat gegevensbescherming wordt ingebouwd in producten en diensten, een principe dat wordt aangeduid met de term Data Protection by Design and Default.

Predictive policing: politiewerk aan de hand van voorspellingen

Door A. de Vries* en S. Smit**

* Ir. Arnout de Vries is senior onderzoeker en adviseur op het gebied van social media en veiligheid en onder andere auteur van het boek ?Social Media: Het Nieuwe DNA?.
** Dr. Selmar Smit is aan de Vrije Universiteit gepromoveerd op het onderwerp machine learning, en sindsdien werkzaam als data scientist bij TNO.

George Orwell waarschuwt in zijn boek 1984 (Orwell 1949) voor een?overheid die haar onderdanen monitort en alles in de gaten houdt. In?de film Minority Report is de ?pre-crime squad? in staat om moorden te?voorspellen en daders preventief op te pakken. De Nederlandse politie?heeft dankzij de omvorming tot Nationale Politie toegang tot alle landelijke,?regionale en lokale databronnen met betrekking tot criminaliteit?en is daarmee een ?informatieorganisatie? geworden. Door verbeterde?analysetechnieken, visualisatietools en computerkracht kan zij?deze ?Big Data? inzetten om criminaliteit te voorspellen en op basis?daarvan op te treden. Moeten we nu vrezen voor onze toekomst? Pakt?de politie voortaan burgers preventief op? Worden systemen leidend?

Het antwoord op al deze vragen is nee. Maar welke kant gaat het dan?wel op?

pred1

Interessante patronen
Politieorganisaties over de hele wereld, en dus ook in Nederland, houden?zich momenteel bezig met de ontwikkeling van predictive policing?? ofwel: politiewerk doen aan de hand van voorspellingen. De reden?daarvoor is dat zij beschikken over ongelofelijk veel digitale gegevens?over misdaden uit het verleden, die met verfijnde algoritmen en diepe?analyse een goudmijn vormen voor het voorspellen van criminaliteit.

Het gevolg daarvan is dat de politie aanwezig kan zijn op plaatsen?waar de kans op een volgend incident het grootst is. Daar komt bij dat deze hoeveelheid beschikbare data exponentieel blijft groeien als?gevolg van databasekoppelingen met veiligheidspartners en het ontstaan?van het ?Internet of Things?, waarbij alles en iedereen aan het?internet gekoppeld is (?Big Data?). Het effect van Big Data-analyses is?al te zien bij commerci?le bedrijven, die verbanden weten te leggen?tussen bijvoorbeeld iemands aankopen, inkomen, leeftijd en postcodegebied.?Ook de politie is op zoek naar dergelijke verbanden, zodat?zij misdaden kan voorspellen.

In de criminologie zijn er voldoende theorie?n over het denken en?doen van criminelen die inzicht geven in dergelijke patronen. Zo zegt?de routine activity theory dat criminelen zullen toeslaan op die locatie?waar de virtuele cirkels rond criminelen en geschikte slachtoffers?elkaar overlappen. Dit leidt tot de gedachte dat steeds dezelfde gebieden?worden getroffen, als er geen maatregelen worden genomen. De?rational choice theory gaat ervan uit dat criminelen een locatie kiezen?waar de afweging tussen risico (pakkans) en buit zo gunstig mogelijk?is. Volgens de crime pattern theory zullen criminelen nooit te dicht bij?hun eigen huis toeslaan, maar altijd in een buurt die ze kennen, vlak?bij huis, werk, sportschool of op de weg daarnaartoe. De blended theory
is een combinatie van de vorige drie: een crimineel zal toeslaan op?een locatie langs zijn ?activiteitenroutes?, maar niet te dicht bij huis en?daar waar de afweging tussen buit en pakkans positief is. Bij predictive?policing worden deze theorie?n vaak overboord gegooid en wordt?voornamelijk gekeken naar de simpele theorie van near repeats: in de?buurt van een incident zal vaak nog een incident volgen zolang er?niets verandert. Hoewel dit op het eerste gezicht niet lijkt op de voorgaande?theorie?n zal, zolang de pakkans, buit en activiteitenroutes?van criminelen niet veranderen, het effect hetzelfde zijn en zullen incidenten?zich in dezelfde buurt blijven voordoen.

Doorontwikkeling informatiegestuurd optreden
Een slimme, effectieve en proactieve aanpak tegen misdaad is duidelijk?beter dan achter criminelen aan hollen; rechercheren verandert in??prerechercheren?. Predictive policing in combinatie met Big Data?neemt daarom logischerwijs een enorme vlucht. En het geeft de Nationale?Politie de mogelijkheid om invulling te geven aan ?meer doen met?minder middelen?. Maar is predictive policing eigenlijk wel nieuw? Nu?al beschikt de politie over slimme analyseteams die een enorme bijdrage?leveren aan het dagelijkse politiewerk door misdaadstatistieken?en andere gegevens, zoals jaargetijden, tijdstippen en locaties, te interpreteren.?Dit leidt onder andere tot hotspotkaarten, waarop locaties te?zien zijn waar specifieke politie-inzet nodig is. Op die manier kan de
politie bijvoorbeeld haar surveillanceteams effectief inzetten. De?gemeente Eindhoven gebruikt dergelijke hotspot- of inzetkaarten om?de effectiviteit van de BOA?s (buitengewoon opsporingsambtenaren)?van Stadstoezicht te verhogen (Van Weerdt & De Vries 2014). Brandweer?Rotterdam-Rijnmond heeft de brandweerradar die voorspelt?waar de volgende brand zich zal voordoen en zorgt vervolgens dat er?een voertuig in de buurt is (Littooij 2015). Een nieuw computermodel?van TNO wordt gebruikt om overlastsituaties in wijken te voorspellen?en interventies te berekenen die het beste zouden moeten werken in?de betreffende specifieke situatie (Smit 2014). De beweging die wij bij?de politie zien, past dan ook in de huidige tijd waarin nieuwe mogelijkheden?ontstaan door het analyseren van Big Data. Het huidige?informatiegestuurd optreden van de politie (intelligence-led policing)?professionaliseert en ontwikkelt zich door naar predictive policing,?waarbij niet alleen gehandeld en gestuurd wordt op basis van informatie?uit het verleden, maar ook gehandeld, gestuurd ?n geanticipeerd?wordt op basis van voorspellingen. Hiervoor is sinds enige tijd het Criminaliteits?Anticipatie Systeem in gebruik bij basisteams, flexteams en?districten door heel Nederland.

pred3

Criminaliteits Anticipatie Systeem (CAS)
Het CAS vindt zijn oorsprong bij de politie Amsterdam. Via het programma?Politie en Wetenschap ontwikkelt zij een geavanceerd plannings-?en voorspellingssysteem. Diverse politiekorpsen in het land?gebruiken het CAS inmiddels voor het voorspellen van high impact?crimes (woninginbraak, straatroof en overvallen). Als voorbeeld?gebruiken we het operationele gebied van de politie Amsterdam. Het?systeem deelt dit gebied op in vakjes van 125 bij 125 meter. Gebiedjes?waarvan de kans op een incident vooraf al laag kan worden ingeschat,?zoals weilanden en open water, worden verwijderd. Van de overblijvende?vakjes wordt een grote hoeveelheid gegevens verzameld: criminaliteitshistorie, afstand tot bekende verdachten, afstand tot de?dichtstbijzijnde snelwegoprit, soort en aantal bedrijven zoals bekend?bij de politie, en demografische en socio-economische gegevens van?het CBS. Van elk vakje wordt op verschillende peilmomenten geregistreerd?welke gegevens er op dat moment bekend zijn. Vervolgens?wordt bepaald wat er in de twee weken na de peiling aan incidenten?kan plaatsvinden. Er wordt kunstmatige neurale netwerktechnologie?toegepast om te bepalen welke combinatie van kenmerken indicatief?is voor criminaliteit in de nabije toekomst. Het resultaat is dat de vakjes?op de kaart indicatief worden ingekleurd, een zogenoemde heat?map, waarin hoge scores een warmere kleur krijgen.

Betrouwbaarheid
Naast het door de politie zelf ontwikkelde CAS zijn er nog diverse?andere softwarepakketten op de markt. Vrijwel alle pakketten kijken?naast near repeats vaak ook naar tijdsaspecten spatiotemporele analyse)?en trends zoals verplaatsingen, seizoenen, weekdagen of weekend?en zelfs specifieke tijdstippen. Verder wordt er gekeken naar kenmerken?als omgevingsfactoren (bijvoorbeeld demografie), weersvoorspellingen,?afstanden tot vluchtwegen (aantrekkende werking) en?locaties van politiebureaus (afstotende werking). Dat levert complexe?formules op met tientallen parameters. Hoe betrouwbaar zijn de voorspellingen?die deze formules opleveren? Kloppen ze wel? Daar is niet?een direct antwoord op te geven. De betrouwbaarheid van de voorspellingen?is logischerwijs ook afhankelijk van de voorspelbaarheid?van de criminelen. Crimineel gedrag blijkt voor veelvoorkomende criminaliteit?zoals inbraken goed te voorspellen. De mens, en dus ook de?crimineel, is een gewoontedier dat succes op succes en ervaring op?ervaring bouwt. Als een bepaald type woning goed te kraken valt, dan?gaan ze daarmee verder. Een bekende omgeving is voor criminelen?prettig, omdat zij dan een betere risico-inschatting kunnen maken en?daarmee de kans op succes vergroten. Grote veranderingen in gedrag?(de modus operandi) of omgeving (nieuwe ?markten?) zonder directe?aanleiding zijn eerder uitzondering dan regel. Rondtrekkend mobiel?banditisme is echter veel lastiger te voorspellen, laat staan impulsieve?misdaden zoals een crime passionnel. Toch kan in algemene zin wel?de betrouwbaarheid van de voorspellingen worden geduid.

Ten eerste is de betrouwbaarheid van een voorspelmodel afhankelijk?van de hoeveelheid incidenten binnen een vakje op de kaart. Het?gedrag van een individu valt moeilijk te voorspellen, maar het gemiddelde?gedrag van een groep is goed mogelijk. Bedrijven als Amazon en?Bol.com gebruiken ditzelfde principe om aanbevelingen te doen. Zij?kunnen niet voorspellen of een individu ge?nteresseerd is in een product,?maar wel dat mensen met een bepaald profiel er gemiddeld vaak?in ge?nteresseerd zijn. Dit geldt ook voor incidenten. Doordat inbraken?relatief vaak voorkomen, levert dit voldoende input op om profielen te?maken en voorspellingen te doen.

Vaak weten analisten zelf al wel wat de kans is op een inbraak in een?specifiek vakje. Maar als dat 80% is, wat is dan de meerwaarde van een?systeem dat voorspelt dat de kans op inbraak de ene dag 75% is en de?andere dag 85%? Daarom is het belangrijk een detailleringsniveau te?kiezen dat klein genoeg is om meerwaarde te hebben ten opzichte van?de intu?tie van een analist. Ook moet de datahoeveelheid groot genoeg?zijn om een bepaald niveau van betrouwbaarheid te halen. Blijkbaar?kan het. Tijdens een test in de Verenigde Staten moesten ervaren analisten?en een predictive policing-systeem aangeven in welke twintig?vakjes een incident zou kunnen plaatsvinden tijdens een dienst. Het?voorspelmodel had twee keer zo vaak gelijk als de analisten (Mohler?e.a. 2015).

Ten tweede zijn de betrouwbaarheid en validiteit van een voorspelmodel?afhankelijk van de hoeveelheid informatie die het herbergt. Met?informatie bedoelen we hier niet alleen databronnen, maar ook kennis?en expertise over gedrag. Zo zullen bijvoorbeeld modellen die uitgaan?van near repeats (een incident zorgt voor een verhoogde kans op nog?een incident in de buurt) beter werken dan modellen die dergelijke?kennis niet meenemen.

Vooral dit tweede aspect lijkt een grenzeloze groei aan voorspelkracht?te bevatten. Er is immers altijd wel een informatiebron te vinden die?we extra kunnen toevoegen. Het eindeloos toevoegen van bronnen?heeft echter niet zoveel zin, omdat de voorspelkracht op een gegeven?moment niet veel meer zal verbeteren. Het gaat daarom met name om?de kwaliteit van bronnen en minder om de hoeveelheid bronnen die?door data-experts en analisten aan het systeem worden toegevoegd.?Goede bronnen leveren continu kwalitatieve en actuele data aan het?predictive policing-systeem, waardoor dit systeem voorspellingen kan?doen op basis van ?verse? data en daarmee een accurate ondersteuning?biedt voor het politiewerk.

Voorspelkracht en effectiviteit
Zelfs als we ervan uitgaan dat gedrag, met genoeg data, is te voorspellen,?betekent dit echter niet dat de voorspellingen van predictive policing?altijd uitkomen. Naast dat voorspellingen enkel een kans aangeven?en geen vaststaand feit, komen voorspellingen niet uit omdat de?politie acteert op de voorspellingen en haar surveillanceteams op?basis daarvan gericht inzet. Die plotselinge aanwezigheid van ??n of?meer agenten be?nvloedt uiteraard het gedrag van een crimineel op?dat moment. Door deze effici?nte en effectieve inzet van agenten op?plekken waar het ertoe doet, zullen minder misdaden worden?gepleegd. Niet meer blauw op straat, maar gerichter blauw op straat is?de theorie achter predictive policing. Dat dit werkt, laten de cijfers?zien. In Los Angeles daalt de misdaad met 13%(*1)?en in Santa Cruz daalt?het aantal inbraken met 27% (*2)?. In Kent ligt de hitscore van de software?? waarbij daadwerkelijk een misdrijf plaatsvond in een geselecteerd?vakje op de kaart ? bijna 60% hoger dan wanneer de vakjes handmatig?gekozen werden door analisten (Kent Police 2013). In Amsterdam ligt?de hitscore volgens de politie-eenheid Amsterdam-Amstelland in 2015?op 15% en het aantal near hits (een inbraak of straatroof die niet in het?voorspelde vakje valt maar er net naast) ligt voor woninginbraken op?40% en voor straatroof op 60%. Een pilot in Londen richt zich niet op?de locatie van een misdrijf maar op de dader. Dat levert een heat list?op van driehonderd namen, waarvan er zes nieuw zijn voor de politie?en waarvan er vijf in de weken daarna een misdaad plegen (Basulto?2014). In Memphis loopt de algemene criminaliteit terug met 30% en?het aantal geweldsmisdrijven met 15% (Greenburg 2009). Als gevolg
daarvan behoort Memphis niet meer tot de top 3 van gevaarlijkste steden?in de Verenigde Staten. Volgens de politie komt dat door de juiste?politie-inzet (bijvoorbeeld surveillance, auto?s staande houden en?undercoveroperaties) op de juiste tijd en plek (Williams 2006). Autodiefstallen?daalden met 75% en inbraken in bedrijven met 67% (Perry?e.a. 2013). Inmiddels heeft de politie van Memphis een Real Time?Crime Center van $ 3 miljoen neergezet om predictive policing een?vaste plaats te geven in haar manier van werken. Volgens onderzoek?van Nucleus Research levert dit centrum jaarlijks meer dan $ 7 miljoen?op (Nucleus Research 2010). Ook New York heeft een Real Time Crime?Center, waar alle databases ?n meer dan 3.000 politiecamera?s worden?geanalyseerd. In Zwitserland en Duitsland is een aantal politiekorpsen?Precobs software aan het testen, het zogenoemde Pre Crime Observation?System (*3).?De politie in Noordrijn-Westfalen is daarentegen zeer kritisch?over de effecten van predictive policing, omdat de positieve cijfers?en gemeten effecten veelal worden geleverd door softwareleveranciers?of politiekorpsen die baat hebben bij het presenteren van gunstige?cijfers. In het Amerikaanse Richmond is men gestopt met deze?werkwijze vanwege gebrek aan bewijs dat het zou werken (Aldax 2015).

Ondanks deze kritische geluiden lijkt het erop dat criminaliteit wel?degelijk goed te voorspellen is. Het staat echter nog wel in de kinderschoenen?en het zijn vooral wiskundigen die zich op dit moment?bezighouden met het ontwikkelen van voorspellende algoritmen. Predictive?policing richt zich om die reden nu nog vooral op veelvoorkomende?delicten waar een klein aantal mensen een rol in speelt (zoals?veelplegers uit een buurt of rondtrekkende dadergroepen) en vermogensdelicten?zoals woninginbraken en straatroof, waar vaak aangifte?van wordt gedaan. Maar op termijn, als de politie beschikt over meer?informatie en betere databronnen, valt te verwachten dat het systeem?ook andere delicten kan voorspellen, zoals liquidaties in de onderwereld?of een radicaliseringsproces. De maatschappij zal echter nooit?helemaal zonder misdaad zijn en voorspellend politiewerk is geen?oplossing voor alle misdaad. Het is geen panacee voor een veilige
maatschappij en veiligheid kan niet volledig worden ?gedataficeerd?.

pred4

Risico?s
Technologisch gezien zou predictive policing exponentieel verder kunnen?groeien. Maar vanuit maatschappelijk en organisatorisch oogpunt?zit er nog een rem op. Wil de politie wel zoveel gaan vertrouwen op?technologie? Is de organisatie er wel klaar voor? Nemen algoritmen en?robots het werk van agenten op diverse vlakken zo meteen over? En?wat zijn eigenlijk de juridische en ethische haken en ogen? 100%?betrouwbare voorspellingen zijn immers een illusie; of nemen we een?foutmarge voor lief en worden onschuldige burgers opgesloten? (*4).?Dit?zijn relevante vragen die beantwoord moeten worden. Wij zien de?voordelen van predictive policing, omdat de politie hiermee effici?nter?en effectiever op de juiste plaats ingezet kan worden. Maar wij zien
ook risico?s. We benoemen er een aantal.

Ten eerste kan predictive policing het risico in zich hebben dat de politie?straks allerlei mensen gaat oppakken om vervolgens te zeggen: ja,?dat moest van onze algoritmen. Straks worden we door Facebook bij?de politie aangegeven voordat we ook maar iets hebben gedaan. Of je?wordt staande gehouden terwijl je geheel onschuldig met een gereedschapskist?door een buurt loopt waar statistisch gezien op dat?moment veel wordt ingebroken. Dan heb je als burger ineens veel uit?te leggen. De rechter zal hier vanuit de onschuldpresumptie geen?genoegen mee nemen en om bewijs vragen op basis waarvan het algoritme?tot de voorspelling is gekomen en vragen naar de reden waarom?de politie dat advies heeft opgevolgd. Daarom zijn en blijven de kennis?en kunde van de ervaren politieagent leidend. Hij zal moeten beoordelen?hoeveel waarde en bewijswaarde kan worden toegekend aan een?voorspelling van het systeem en hoeveel aanvullend bewijs is vereist.

Dat brengt ons bij een tweede risico, dat het systeem te complex wordt?en niet meer door mensen wordt begrepen. Algoritmen vangen echter?geen boeven. Dat doen mensen van vlees en bloed. Zonder mensen?sta je nergens met intelligence, en al helemaal in de huidige fase van?predictive policing waarin alles nog in de kinderschoenen staat.?Human in the loop by design is de essentie van het principe dat wij?voorstellen, omdat we de mens als belangrijkste schakel in elke toepassing?van predictive policing zien. Alle menselijke schakeltjes moeten?ingebakken zitten in het ontwerp van predictive policing: denk aan?de analisten, de leiding, de beleidsmakers en de agenten op straat.?Hoewel de menselijke schakel onder druk staat in de huidige informatiemaatschappij,
zijn veel data die de politie nu gebruikt nog steeds?door mensen verzameld, verwerkt en in context geplaatst. Analisten?doen vervolgens diverse interpretatieslagen en mensen nemen besluiten op basis van deze adviezen, waarna maatregelen door mensen?worden genomen, die vervolgens weer door mensen worden beoordeeld?op hun effectiviteit. Politiemensen zijn daarom in onze visie de
belangrijkste schakel: het systeem doet de basiszaken, de mens?bepaalt wat ermee gebeurt. Een voorspelling is derhalve dus geen bindend?advies, want mensen zijn slimmer dan een systeem dat alleen?met data werkt. Totdat het moment van singularity aanbreekt, waarbij?computers niet alleen sneller of accurater kunnen rekenen, maar ook?creatiever, slimmer en bewuster zijn dan mensen. Dat duurt nog minstens?twee decennia en zelfs dan is het de vraag of je iets dergelijks in?handen van een machine wilt leggen, want dan komt de ?gedachtepolitie??uit Minority Report wel heel dichtbij.

De menselijke factor levert een derde risico op: dat de data in systemen?een gekleurd beeld geven (zogenoemde bias) en algoritmen dus?gekleurde voorspellingen zullen doen. De voorspelling is zo goed als?de data eronder. Wordt het systeem gevoed met vooroordelen ten aanzien?van bevolkingsgroepen of etnische afkomst, dan zal dat zijn effect?hebben op de resultaten. Daarom is het van belang dat de politie niet?alleen op voorspellingen gaat varen en belangrijke beslissingen alleen?daarop gaat baseren. Tunnelvisie ligt dan op de loer, een bekend?dilemma in het politiewerk. Dit risico zal alleen maar toenemen als het?systeem complexer wordt en kennis over de werking afneemt. Wij pleiten?daarom voor transparantie. Het moet inzichtelijk zijn hoe de systemen?en hun algoritmen werken.

Een vierde risico is dat leveranciers die transparantie niet geven omdat?hun concurrentiepositie dan gevaar loopt. Toch zal de maatschappij of?de wet wellicht gaan eisen dat algoritmen volledig transparant zijn,?want waarom ben je aangehouden, of kwam de politie eigenlijk zelf op?jouw spoor? Dat dit belangrijk is, bewijst het grappige voorbeeld van?de Miss America-verkiezingen (Hiltzik 2014). Zo kun je het aantal?moorden met behulp van stoom of hete vloeistoffen al jarenlang perfect?voorspellen door middel van de leeftijd van de Miss America van?dat jaar. Algoritmen zijn dom, voeren uit wat er van ze wordt gevraagd?en leggen verbanden tussen gebeurtenissen, hoe vreemd een dergelijke?relatie ook is. Dergelijke ?fouten? kunnen desastreuze gevolgen?hebben, dat hoeft geen betoog.

Een vijfde risico is dat de predictive policing-systemen informatie platslaan?tot vakjes en cirkeltjes op een kaart, terwijl academici al honderden?jaren onderzoek doen naar waarom mensen crimineel worden en?hoe ze zich dan gedragen. Om deze kennis, maar ook die van analisten?en politiemensen op straat, toe te kunnen voegen moet v??r de implementatie?expliciet worden nagedacht over hoe dit ingebakken kan?worden in het systeem of in aanvullende processen.?Privacy is een zesde risico. Enerzijds omdat voorspellend politiewerk?inbreuk kan maken op de persoonlijke leefomgeving van mensen. Zo?kreeg de politie van Chicago veel kritiek op de preventieve huisbezoeken?die zij aflegde bij veelplegers (Stroud 2014). Anderzijds zijn er veel?gegevens bekend die ertoe doen en voorspellingen beter maken, maar?die niet gebruikt of gekoppeld mogen worden om redenen van privacy.?Als laatste risico noemen we de valkuil om vooral te blijven werken?aan technologische ontwikkeling en betere computervoorspellingen,?terwijl het veel belangrijker is om na te denken over de vraag hoe de?politie effectief aan de slag kan gaan met enigszins betrouwbare voorspellingen.?De crux zit in het slim regelen van de operationele inzet en?slimme interventies.

Prescriptive policing
Het zo goed mogelijk voorspellen van misdrijven is geen doel op zich.?Het gaat erom dat ze worden voorkomen. Om daar inzicht in te krijgen?zal de politie het effect van een voorspelling en de daaropvolgende?inzet moeten gaan meten. Op die manier leert de politie welke inzet?het beste werkt in welke situatie. Daarmee verschuift het politiewerk?van predictive policing naar effect-led policing. Als die kennis over de?effectiviteit van interventies wordt toegevoegd aan het systeem, verschuift?het politiewerk van effect-led policing naar prescriptive policing.?Het systeem kan dan niet alleen voorspellingen doen, maar op?basis van data uit het verleden ook adviseren over welke politie-inzet?in de gegeven situatie het meest effectief zal zijn.

Prescriptive policing werkt alleen als het is toegespitst op een specifiek?gebied. Als het systeem kan bepalen waarom iets op sommige plaatsen?wel werkt en op andere plaatsen niet, dan kan dat ge?xtrapoleerd worden?naar andere gebieden. Zonder de effectiviteit van elke interventie?in dat specifieke vakje te bepalen kan het systeem inschatten wat?waarschijnlijk wel of niet zal werken. Daarvoor moeten wel de relevante?kenmerken van een gebied bekend zijn, en de kenmerken van?interventies. Misschien werkt patrouilleren met de auto niet, maar met?de fiets wel. Of zijn er specifieke agenten die naast patrouilleren ook?andere acties ondernemen die zorgen dat er wel of geen effect is. Dat?maakt prescriptive policing moeilijker, maar tegelijkertijd ook veel
waardevoller. Het biedt de mogelijkheid om de jarenlange kennis en?ervaring in een context te plaatsen en deze te herhalen daar waar de?context gelijk is. Daarbij is het van belang dat een dergelijk systeem?niet dicteert wat er moet gebeuren. Zelfs als het systeem denkt dat de?context gelijk is, dan nog moeten agenten, analisten, leiding of?beleidsmakers vertrouwen op hun jarenlange ervaring en kennis, helemaal?aangezien een dergelijk systeem niet de creativiteit heeft om iets?nieuws te verzinnen. Het kan enkel de lessen uit het verleden zo goed?mogelijk vertalen. De uitkomst mag daarom hoogstens worden gezien?als een suggestie die de basis moet vormen voor een beslissing of discussie.?De mens blijft wat ons betreft de belangrijkste schakel in het?hele proces. Eerder in dit artikel haalden we al het principe ?human in?de loop by design? aan. Ook is er een juridisch argument om dit principe?toe te passen: de Wet bescherming persoonsgegevens stelt in artikel
42 lid 1 dat ?niemand kan worden onderworpen aan een besluit?waaraan voor hem rechtsgevolgen zijn verbonden of dat hem in aanmerkelijke?mate treft, indien dat besluit alleen wordt genomen op?grond van een geautomatiseerde verwerking van persoonsgegevens?bestemd om een beeld te krijgen van bepaalde aspecten van zijn persoonlijkheid?.

Implementatie
Het doel van predictive en prescriptive policing is niet m??r boeven?vangen, maar misdrijven voorkomen door agenten effectief preventief?in te zetten. Dat vergt een cultuuromslag, waarbij het voorkomen van?slachtoffers voortaan centraal staat. Het ?reactief en op heterdaad?oppakken? verandert in ?proactief voorkomen?. Deze omslag vraagt om?sterk intern leiderschap en sturing. Ook zullen de prestatie-indicatoren?van de politie moeten worden aangepast: het gaat niet meer om?het behalen van bepaalde streefcijfers, maar om de effectiviteit van?politieoptreden. De politie wordt niet meer beloond voor haar inzet,?maar voor het effect dat zij bereikt.

De implementatie van beide vormen van policing gaat echter niet?alleen over de organisatiecultuur, maar ook over politiemensen, hun?competenties en hun samenwerking met de voorspellende software.?Daarnaast gaat het over processen, taken, besluitvorming en manier?van leidinggeven. Verder zal tijdens de implementatie veel aandacht?uitgaan naar de juiste informatiebronnen en integriteit van data. Tot?slot speelt techniek een rol in de implementatie, waarbij de ICT-architectuur?ingericht moet worden op deze nieuwe werkwijze, de juiste?software geselecteerd en aangeschaft moet worden en agenten op?straat de juiste tools krijgen aangereikt.

Alles hangt met elkaar samen. Daarom vraagt de implementatie om?een integrale benadering van doel, mens en organisatie, proces, informatie?en techniek. Daarbij onderscheiden we vier implementatieniveaus:?intelligence-led policing (informatiegestuurd optreden), predictive?policing (voorspellen), effect-led policing (effectmeting) en prescriptive?policing (contextgestuurde adviezen). Deze vier niveaus hebben?we in dit artikel toegelicht.

Discussie
In dit artikel hebben we laten zien wat predictive policing inhoudt en?welke mogelijkheden het biedt. De technologie staat nog in de kinderschoenen,?maar de ontwikkelingen gaan razendsnel. De Verenigde?Staten lopen hierin voorop. De Nederlandse politie heeft inmiddels de?eerste stappen gezet om van informatiegestuurd politiewerk te komen?tot voorspellend politiewerk. We hebben ook laten zien dat er risico?s?verbonden zijn aan deze nieuwe werkwijze. In ons boek Van predictive?naar prescriptive policing (Smit e.a. 2016) gaan we daar verder op in.

Wij bevelen daarom aan om niet klakkeloos voorspellende software te?implementeren in het politieproces, maar eerst te discussi?ren over?het doel en de mate waarin de software het politiewerk kan gaan?ondersteunen. Zorg er vervolgens voor dat deze nieuwe werkwijze?gepaard gaat met juridische, ethische en organisatorische waarborgen?en start daarna met kleinschalige experimenten die opgeschaald kunnen?worden tot landelijk niveau. Onderschat de veranderingen niet?die predictive policing met zich meebrengt. Dat vraagt om een goede?overdenking en om draagvlak binnen en buiten de politieorganisatie.

(*1) Scientifically Proven Field Results, 2013-2014, www.predpol.com/results.
(*2) Scientifically Proven Field Results, 2011-2012, www.predpol.com/results.
(*3) Zie IfmPt. 2015-2016, www. ifmpt. de.
(*4) Zie voor een overzicht van de risico?s van predictive policing het recente artikel van Kaya Bouma, ?Buienradar voor boeven? in De Groene Amsterdammer, www.groene.nl/artikel/buienradar-voor-boeven. Over de risico’s van etnisch profileren verscheen recent een artikel van Marc Schuilenburg op www.socialevraagstukken.nl/etnisch-profileren-is-onderdeel-van-vooringenomen-criminaliteitsbeleid.

Literatuur

Aldax 2015
M. Aldax, ?Richmond police chief?says department plans to discontinue??predictive policing? software?,?24 juni 2015.

Basulto 2014
D. Basulto, ?Relax, the futuristic?pre-crime system of ?Minority?Report? is still a long way from?becoming reality?, 6 november?2014.

Greenburg 2009
Z.O. Greenburg, ?America?s most?dangerous cities?, Forbes Magazine?23 april 2009.

Hiltzik 2014
M. Hiltzik, ?See some hilarious?charts showing that correlation is?not causation?, Los Angeles Times?12 mei 2014.

Kent Police 2013
Kent Police, PredPol operational?review ? Initial findings, Kent:?Corporate Services, Analysis?Department, Kent Police 2013.

Littooij 2015
A. Littooij, ?Brandweerradar??(J. D. Award, interviewer), 2015.

Mohler e.a. 2015
G. Mohler, M. Short, S. Malinowski,?M. Johnson, G. Tita,?A. Bertozzi & P. Brantingham,??Randomized controlled field?trials of predictive policing?, Journal?of the American Statistical?Association (110) 2015, afl. 512,?p. 1399-1411.

Nucleus Research 2010
Nucleus Research, IBM SPSS ROI?Case Study: Memphis Police?Department (Document K31),?Boston, MA: Nucleus Research,?Inc. 2010.

Orwell 1949
G. Orwell, Nineteen Eighty-Four,?New York: New American Library?1949.

Perry e.a. 2013
Q. Perry, B. McInnis, C. Price,?S. Smith & J. Hollywood, Predictive?policing ? The role of crime?forecasting in law enforcement?operations, Santa Monica, CA:?Rand Corporation 2013.

Smit 2014
S. Smit, ?Computermodel voorspelt?overlast in woonwijken ? en?wanneer die uitblijft?, Secondant?30 april 2014.

Smit e.a. 2016
S. Smit, A. de Vries, R. van Kleij &?H. van Vliet, Van predictive policing?naar prescriptive policing,?Den Haag: TNO 2016.

Stroud 2014
M. Stroud, ?The minority report:?Chicago?s new police computer?predicts crimes, but is it racist??,?The Verge 19 februari 2014.

Van Weerdt & De Vries 2014
C. van Weerdt & A. de Vries,?Dienstverlening verbeteren met?Big Data. Een verkenning voor?gemeenten. Den Haag: TNO 2014.

Willems & Doeleman 2014
D. Willems & R. Doeleman, ?Criminaliteits?Anticipatie Systeem?,?het Tijdschrift voor de Politie?2014, p. 39-42.

Williams 2006
A. Williams, ?Blue C.R.U.S.H.?walks its beat among community?organizations?, Memphis Daily?News 16 november 2006.

[slideshare id=64129657&doc=jv1603-volledige-teksttcm44-643006-160718154218&type=d]

Bronnen:?Justiti?le verkenningen,?jrg. 42, nr. 3, 2016

Dit artikel is gebaseerd op het boek Van?predictive naar prescriptive policing, uitgegeven door TNO en geschreven door Selmar?Smit, Arnout de Vries, Rick van der Kleij en Hans van Vliet. Dit boek is te downloaden via?www.tno.nl/prescriptive-policing.

 

App: Kapo Aargau

061515precrime1

Zwitserse politie heeft een “pre-crime ‘smartphone-app (Android) gelanceerd waarmee het burgers over misdaden waarschuwt “voordat ze zich voordoen” op basis van predictive policing software.

De app, aangeboden?door de Aargau politie met?de naam “Kapo Aargau” deelt?een “pre-crime” kaart met burgers?voor het?gebied middels de Precobs forecasting software, die op basis van misdaadgegevens uit het verleden een voorspelling doet.
“De politie van Aargau gebruikte Precobs korte tijd en kwam ook tot deze?conclusie: het systeem heeft herhaaldelijk verbazingwekkend accurate voorspellingen opgeleverd,” schrijft de Aargauer Zeitung bij het testen van de app. “Dat laat andere politiekorpsen?aandachtig meekijken; politiekorpsen uit het hele land zijn ge?nteresseerd in het testen van deze software. ”
En die interesse is er natuurlijk over de hele wereld; tal van politiediensten in bijvoorbeeld de Verenigde Staten zijn ook al met behulp van een vergelijkbare technologie bezig, zoals de Miami Police Dept. waarin de software van Hunchlab dat werk doet.?Hunchlab geeft agenten?”de beste prognose over wanneer en waar misdaden kunnen ontstaan” middels misdaaddata uit het verleden.

“Het gaat?politiewerk niet vervangen,” vertelde Lt. Sean MacDonald aan de Miami Herald. “Het is gewoon politiewerk?met slimmere technologie.”

Maar pre-crime software kent uiteraard ook critici.?”De ervaring leert dat dergelijke apps uitgebreid en gewijzigd worden als ze op de markt komen,” vertelt privacy expert?Matthias Monroyaan Der Spiegel. Hij ziet ook?het risico dat?de politie onschuldige mensen gaat lastigvallen, omdat ze zich toevallig in het rode gebied bevinden.?”Om u te stoppen en te fouilleren, moet een politieagent nog steeds een aannemelijk?vermoeden hebben, dus mijn vraag is hoe dit hun?vermoeden gaat be?nvloeden?” vroeg Andrew Guthrie Ferguson, juridisch hoogleraar aan de Universiteit van het District of Columbia.

Bronnen: Infowars

[slideshare id=61354641&doc=104tnorpredictivepolicingweb-160426065651&type=d]

Brandhaarden voorspellen

Hoe kun je uit informatie van derden in combinatie met informatie van jezelf, afleiden waar incidenten de komende 24 uur gaan plaatsvinden en hoe?kunnen hulpdiensten op basis daarvan dynamisch anticiperen en zich dynamisch positioneren?

Doel is om de eerste stappen in de richting van een soort ?Buienradar? te ontwikkelen voor branden, met de gekozen focus op gebouwbranden en buitenbranden. Met andere woorden: ?op zoek naar een ?brandweerradar?.

  • Het antwoord ligt voor een groot deel in het proces. Om gegevens te verzamelen en ter beschikking te krijgen om hiermee aan de slag te gaan, is vergaande samenwerking en vertrouwen tussen data-eigenaren (waaronder partijen die niet gewend zijn om met elkaar samen te werken) en analisten noodzakelijk. Dit maakte het proces binnen het?team van de Coalition of the Willing zeer bijzonder. (Semi-)overheid, overheid en bedrijfsleven werden hier een hecht team.
  • Een tweede deel van het antwoord ligt in een gedegen analyse van de beschikbare data. In een analyse-subteam is samen met domeinexperts gezocht naar correlaties in de data.
  • Het derde deel van het antwoord is de visualisatie van de analyse van de gegevens. Hoe maak je van data informatie waarop vervolgens gestuurd kan worden? Deze drie aspecten worden door de leden van ons team vormgegeven in een tool.

Toepasbaar en uitvoerbaar?
Het verzamelen van data over branden is al lang voor het ontstaan van veiligheidsregio?s begonnen, maar er kan meer mee gedaan worden dan tot nu toe gedaan wordt. Door middel van slimme trendanalyses in datasets en het koppelen van datasets aan elkaar, kan worden gezocht naar verbanden tussen incidenten en omstandigheden die schijnbaar willekeurig zijn, maar waar toch een afhankelijkheid in zit. Op basis van die analyses kan een dynamische manier gevonden worden om proactief voertuigen te positioneren, in te zetten of een optimale bezetting van de kazernes per gebied te bepalen.

Predictive Analytics
Het verzamelen van data en het zoeken naar afhankelijkheden wordt ook in andere vakgebieden dan de brandweer toegepast (zoals politie en ambulancedienst). Voor de brandweer bestaat dit nog niet, laat staan een mooie manier om de resultaten zo weer te geven dat ze ook bruikbaar zijn ten behoeve van een slimme inzet van de brandweer.

brandhaard1

Opschaalbaar in meerdere Veiligheidsregio?s?
De tool die in concept wordt ontwikkeld in deze challenge zal uiteraard ook binnen andere regio?s toepasbaar zijn. De enige voorwaarde voor gebruik in breder/ander verband, is goede kwaliteit van de data. Alleen dan is de analyse betrouwbaar genoeg om gebruikt te worden voor onderbouwde keuzes.

Veiligere en betaalbare samenleving?
De inzet van de brandweer wordt vaak ingegeven door het optreden dat in de loop van de decennia zo is gegroeid: in een tankautospuit zitten 6 brandweermensen. In de afgelopen jaren is door de VRR ingezet op verschillende manieren om sneller en met meer expertise bij incidenten te komen. Voorbeelden hiervan zijn kleinere voertuigen met minder bemanningsleden, zoals het Snelle Interventie Voertuig (de SIV), en de Brambulance (half ambulance, half brandweerauto). Door vooruit te kunnen kijken op het gebied van brand, kan men de inzet van deze voertuigen optimaliseren en zo nog effici?nter te werk gaan. Hiermee blijft veiligheid gegarandeerd, waarbij je?mensen en middelen dynamisch en gerichter kunnen inzetten

Verdere ontwikkeling?
Er wordt in onze eerste concepten gebruik gemaakt van ?losse? datasets; de tool is dus niet gekoppeld aan de systemen waarin de benodigde data zich bevindt. Om de tool daadwerkelijk in te zetten, moet deze ?real-time? worden gekoppeld aan systemen; niet alleen aan de systemen van de veiligheidsregio zelf, maar ook aan de systemen van derden die data aanleveren. Alleen zo kun je een ?buienradar?- achtig concept actueel houden. Realisatie hiervan kan via convenanten en afspraken met derden.

De kern in 3 punten:?

  1. Voorspellend vermogen voor branden in een bepaald gebied
  2. Dynamische inzet van hulpverleners
  3. Dynamische bezetting van kazernes

Bronnen: Veilige Samenleving, Scribd

brandhaard3 brandhaard2 brandhaard5 brandhaard4

Global Pulse, de digitale rooksignalen uit de wereld

De VN-organisatie Global Pulse, vrij vertaald de ‘polsslag van de wereld’, is opgericht na de wereldwijde economische crisis, op verzoek?van Ban Ki-moon (VN-secretaris-generaal). Deze organisatie laat zien dat Big Data enorme kansen biedt om wereldwijd oplossingen aan te reiken. Via analyse van sociale media en van radiogesprekken is deze organisatie sneller in staat om op epidemie?n te reageren, voedselschaarste op te sporen of sneller te weten waar de grootste problemen in Nepal zijn. Robert Kirkpatrick is de directeur van Global Pulse, dat pas sinds?2010 bestaat.

Uit alle uithoeken van de wereld kreeg de VN-secretaris-generaal de vraag wat er elders leefde, of?welk regime?als volgende zou vallen. Naast het hoofdkantoor in New York zijn er ook laboratoria in Jakarta (Indonesi?) en Kampala (Oeganda). In deze laboratoria worden gegevens van digitale gebruikers verwerkt, met het doel die informatie te gebruiken bij wereldwijde ontwikkelingsvraagstukken. Global Pulse werkt samen met priv?bedrijven en universiteiten om informatie te verwerken die via Facebook en Twitter, en via telefoon- en sms-verkeer wordt verspreid. Er wordt alleen gewerkt met gegevens die gebruikers publiek beschikbaar stellen, hun namen worden niet gebruikt. Tevens geeft het sms-verkeer een beeld van het aantal inwoners van een regio.

Als aanvulling op?offici?le data worden deze nieuwe digitale rooksignalen opgevangen, waarmee landen en ontwikkelingsorganisaties aan de slag kunnen gaan. Het laboratorium van Global Pulse heeft al vele vernieuwende projecten rond big data uitgewerkt, in samenwerking met andere VN-organisaties, regeringen en universiteiten. Zo heeft Global Pulse samen met UNAids in Brazili? via sociale media onderzocht in welke mate er een stigma rust op hiv en aids. In Oeganda was het VN-Bevolkingsfonds een partner om de houding van jongeren tegenover anticonceptie en tienerzwangerschappen te onderzoeken. Behalve sociale media is daarbij ook een gratis sms-systeem (‘U-report’, een project van Unicef dat in Oeganda veel succes kent) gebruikt. Uit de verzamelde gegevens blijkt dat Oegandese jongeren erg vaak praten over condooms, het veel minder vaak hebben over geheelonthouding of de pil, en dat sterilisatie van de man al helemaal bitter weinig gespreksstof oplevert.

In gebieden waar sociale media of mobiele telefoons te weinig worden gebruikt, kunnen radiogolven de digitale kloof dichten. Daarom peilt het laboratorium in Kampala via de radio naar wat er onder de bevolking echt leeft. Als je bedenkt dat Afrikanen voortdurend naar radioprogramma’s bellen om hun mening te geven, en Oeganda alleen al 216 FM-radiostations telt, die vanuit 299 radiomasten uitzenden, dan kan dat een schat aan informatie opleveren. Er hoeft overigens niet naar al die uren radio te worden geluisterd om relevante informatie te detecteren. Via spraaktechnologie en vertaalprogramma’s is er een programma ontwikkeld dat gesproken taal omzet in geschreven tekst. Het computerprogramma kan nu al het gesproken woord herkennen, in het Engels en in de lokale talen. Daarnaast wordt net als elders via Twitter en Facebook geanalyseerd welke thema’s prominent opduiken. Zo kunnen terugkerende thema’s een indruk geven van wat er onder (een deel van) de bevolking leeft.

Jaarverslag 2014

Bronnen:?The New york Times, www.scidev.net, Deccan Herald, De Standaard,

Overheidsdienstverlening verbeteren met Big Data

waakzaamHet onderwerp Big Data is actueel. Big Data kan worden benut om verschillende doelen te bereiken, zoals informatie transparant en bruikbaar maken, ondersteunen bij het nemen van beslissingen, scherper segmenteren en bij product- en dienstinnovaties. Daarbij lijken we momenteel midden in een proces te zitten waarin een nieuw evenwicht wordt gezocht tussen een overheid die de burger versterkt en ondersteunt door middel van Big Data en bijbehorende maatschappelijke grenzen.?

In onderstaande?verkenning staan 6 bestaande Big Data concepten beschreven, die direct danwel indirect kunnen bijdragen aan een betere dienstverlening naar burgers toe (Profiling, Predictive analytics, Social media monitoring, Omnichannel klantcontact, Semantisch web, Process mining). Voor deze verkenning zijn inspirerende voorbeelden uit het bedrijfsleven en bij gemeenten gebruikt en (ervarings)deskundigen komen hierbij aan het woord. Tevens zijn afwegingen beschreven op maatschappelijk, organisatorisch en technisch gebied.

Ook interessant om na te lezen is het ebook van het Big Data congres voor en van de overheid: