Tagarchief: criminaliteit

Is generatie Z participatiebereid?

Geef een reactie

Is generatie Z participatiebereid? – Een verkennend onderzoek naar de participatiebereidheid van de nieuwe generatie burgers in de opsporing naar online criminaliteit, auteur Nicolle Versteeg

Sinds een aantal jaren is er een duidelijke toename te zien van cyberincidenten en ook krijgen traditionele vormen van criminaliteit steeds vaker een digitaal karakter en zullen in de toekomst alle
criminaliteitsvormen een grote digitale component hebben. Veelvoorkomende verschijningsvormen van online criminaliteit zijn volgens Stol en Strikwerda (2017) hacken, e-fraude en kinderporno en in het Cyberbeeld 2018 van Oost-Nederland staan ook voornamelijk vormen van hacken en e-fraude in de top 5 van online criminaliteit in Oost-Nederland, echter uit een recente enquête is gebleken dat anno 2019 het oppakken van digitale criminaliteit of cybercrime voor veel collega’s in Oost-Nederland nog steeds geen gesneden koek is (Vortex NP, 2019). De politieorganisatie is tot op heden niet in staat om de technologische en digitale ontwikkelingen bij te houden en heeft daardoor een flinke achterstand opgelopen ten opzichte van de reeds ‘gedigitaliseerde’ burger en kan hierdoor de hulp van de burger goed gebruiken. Anno 2019 hebben we te maken met vijf verschillende generaties op de arbeidsmarkt, waarvan de laatste net is begonnen deze te betreden. Deze laatste generatie, generatie Z, is de eerste generatie die zich geen leven voor het internet kan bedenken en maximaal online is. Deze nieuwe generatie burgers lijkt, door dit digitale referentiekader, bij uitstek geschikt om te participeren in de opsporing naar online criminaliteit. Echter over de participatiebereidheid van deze burgers, op welke wijze zij bereid zouden zijn te participeren en welke factoren bij hun hierop van invloed zijn, is nog maar weinig bekend. Inzicht hierin is noodzakelijk voor de opsporing om deze nieuwe generatie burgers te betrekken bij de opsporing naar online criminaliteit.

Dit kwalitatieve onderzoek richt zich daarom op het verkrijgen van inzicht in op welke wijze deze nieuwe generatie burgers (tussen de 15 en 19 jaar oud) uit Oost-Nederland bereid is te participeren in de opsporing naar online criminaliteit en welke factoren er van invloed zijn op hun participatiebereidheid. Binnen de politieorganisatie zijn er vijf verschillende participatieniveaus te onderscheiden, waarvan de niveaus raadplegen, adviseren en coproduceren in dit onderzoek zijn meegenomen, mede door een reeds bestaand onderzoek waaruit blijkt dat jongeren met name op deze niveaus van meerwaarde voor de politieorganisatie zouden kunnen zijn. Uit het literatuuronderzoek is gebleken dat vertrouwen in de organisatie de basis is voor een succesvolle
samenwerking tussen politie en burger en dat een aantal factoren van invloed zijn op de participatiebereidheid van burgers in het algemeen. Deze factoren zijn de perceptie van de burger op
de participatietaak, de perceptie van de burger op de eigen competenties, de intrinsieke karakteristieken van de burger en de motieven van de burger.

Voor dit onderzoek zijn er 12 jongeren, zowel mannen als vrouwen, tussen de 15 en 19 jaar oud, met diverse opleidingsniveaus en wonend verspreid over Oost-Nederland geïnterviewd over hun
participatiebereidheid binnen drie cases van online criminaliteit. De resultaten van dit onderzoek laten zien dat de motieven en overige factoren die van invloed zijn op de participatiebereidheid van de nieuwe generatie burgers om te participeren in grote lijnen overeenkomen met de resultaten van reeds bestaande onderzoeken binnen andere generaties. De nieuwe generatie burgers staat open voor participatie op alle niveaus van de participatieladder, maar moet zich wel specifiek aangesproken voelen om te participeren in de opsporing naar online criminaliteit. Eén van de belangrijkste conclusies uit dit onderzoek is dat voornamelijk het belang van het onderwerp van het opsporingsonderzoek en het besef van de meerwaarde van participatie door deze burger van invloed is op de participatiebereidheid van de nieuwe generatie burgers. Opvallend is echter dat uit dit onderzoek naar voren is gekomen dat deze nieuwe generatie burgers niet actief politieberichtgeving volgt en hier in het dagelijkse leven niet mee bezig is. Hierdoor weet deze generatie niet ‘echt’ hoe groot de problemen zijn op het gebied van online criminaliteit en hoe belangrijk het aanpakken van deze vorm van criminaliteit werkelijk is. Het besef van het belang van burgerparticipatie door deze nieuwe generatie burgers in de opsporing naar online criminaliteit ontbreekt en voornamelijk daar liggen de kansen voor de opsporing om deze burgers meer te betrekken.

[slideshare id=238425397&doc=isgeneratiezparticipatiebereid-200909071410&type=d]

Bron: Politieacademie

#Burgerparticipatie in de opsporing

Geef een reactie

Kennis uit afstudeeronderzoeken van recherchekundigen gebundeld voor de politiepraktijk, Auteur: Jerôme Lam (2018).

De laatste jaren komt er steeds meer aandacht voor de rol van de burger in het opsporingsproces. In de Strategie Aanpak Criminaliteit 2011-2015 benoemt de Raad van Korpschefs cocreatie met burgers expliciet als een van de hefbomen die bijdragen aan het verhogen van de effectiviteit van het politiewerk. Door samenwerking met burgers kan de slagkracht van de politie verhoogd worden.

De Raad van Korpschefs stelt dan ook vast: ‘Burgerparticipatie als onderdeel van de aanpak van criminaliteit, moet veel meer een structureel en essentieel onderdeel worden van de strategie en aanpak.’ Ook in het koersdocument ‘Naar een toekomstbestendige opsporing’ krijgt de burger een belangrijke rol toebedeeld.

Dit inzicht in het belang van burgers is niet nieuw. Burgers zijn altijd al een belangrijk onderdeel geweest voor het opsporingsproces. Niet in de minste plaats als slachtoffer, aangever en getuige. In de meeste gevallen is hetgeen de burger heeft gedaan, weet of heeft laten weten de start van het onderzoeksproces. Uit onderzoek is bovendien bekend dat de politie grotendeels afhankelijk is van informatie van burgers om haar werk goed te kunnen doen. De burger is daarmee een cruciale factor voor de effectiviteit van de politie.

De rol die de burger speelt binnen het opsporingsproces is echter wel aan verandering onderhevig. Maatschappelijke ontwikkelingen dragen eraan bij dat de burger zelfstandiger, mondiger en kritischer wordt. Burgers nemen steeds vaker zelf het initiatief en worden hier ook toe uitgenodigd door de overheid. Technologische ontwikkelingen maken onder andere dat burgers meer informatie tot hun beschikking hebben en deze sneller en verder kunnen delen. De beschikbaarheid van kennis, expertise en informatie onder burgers maakt de burger niet alleen nog belangrijker als bron van informatie, het maakt ook dat deze steeds beter in staat is om zelfstandig opsporingshandelingen te verrichten. Deze ontwikkelingen zijn van invloed op de relatie van de burger tot de politie en het opsporingsproces.

Eén van de manieren om de relatie tussen burger en overheid, in dit geval politie, weer te geven is de zogenaamde participatieladder. Een veel gebruikte variant die is toegespitst op de Nederlandse situatie is de participatieladder van Edelenbos en Monnikhof. Dit model bestaat uit vijf niveaus, waarbij bij iedere trede de mate van gelijkwaardigheid en wederkerigheid toeneemt.

Het laagste niveau bestaat uit informeren, en neemt vervolgens toe van raadplegen en adviseren naar (bijna) volledige gelijkwaardigheid op de niveaus van coproduceren en meebeslissen.

De treden (niveaus) van de participatieladder worden in de komende paragrafen gebruikt om de geanalyseerde onderzoeken te presenteren. Per trede zal eerst een korte toelichting worden gegeven, waarna het podium wordt gegeven aan de onderzoeken die inzichten bieden met betrekking tot hoe burgerparticipatie op het betreffende niveau kan bijdragen aan de opsporing.

Deze bundel is gebaseerd op originele scripties van recherchekundigen. De credits voor de inhoud van deze uitgave gaan uit naar de recherchekundigen die deze scripties hebben geschreven. De lijst van de recherchekundigen en hun scripties is achter in deze bundel in bijlage 1 opgenomen. Tekstdelen zijn soms letterlijk uit de scripties overgenomen om zo dicht mogelijk bij de brontekst te blijven en zo min mogelijk zelf te interpreteren. Ieder thema in deze reeks start met een korte inleiding waarin de context van de onderwerpen uit de afstudeeronderzoeken wordt geschetst. De voor deze reeks geselecteerde scripties zijn de bron van iedere inleiding, voor de leesbaarheid volstaat hier daarom de eenmalige verwijzing naar de betreffende scripties (bijlage 1) die zijn gebaseerd op het onderzoek van de recherchekundigen (bijlage 2) waarvoor ze wetenschappelijke literatuur (bijlage 3) hebben gebruikt en toegepast. Voor de leesbaarheid wordt hier niet
apart verwezen naar diverse bronnen.

De presentatie van de vergaarde kennis over het thema in deze reeks volgt een vaste structuur. Allereerst wordt het thema ingeleid en dan volgen de onderdelen: korte uitleg van het onderzoek, de conclusies, de aanbevelingen en eventuele kanttekeningen van de auteur van de Reku reeks onder het kopje ‘goed om te weten’. Voor meer achtergrondinformatie zijn de scripties op verzoek in te zien via de betreffende recherchekundigen.

Achterin de bundel is een bijlage opgenomen met relevante literatuur c.q. naslagwerken (aanbevolen literatuur) voor wie meer wil lezen over het onderwerp. Bijlage 2 bevat voor de geïnteresseerden een overzicht met de onderzoeksmethoden die in de scriptie-onderzoeken  zijn gebruikt.

Lees of download het gehele rapport:

[slideshare id=238425325&doc=burgerparticipatieindeopsporing-200909070952&type=d]

Bron: Politieacademie

Wat er mis is met predictive policing

1 reactie

Is predictive policing ? politiewerk op basis van onderbouwde voorspellingen ? het nieuwe wondermiddel? Dankzij geavanceerde algoritmen die big data aankunnen, kan de politie misdaad voorspellen en preventieve maatregelen nemen om de kans op misdaad te verkleinen, bijvoorbeeld door daar te zijn waar die kans het grootst is. Predictive policing is overgewaaid uit Amerika. Veel politieorganisaties zijn ermee in de weer, maar onderzoek heeft nog geen uitsluitsel kunnen geven over de vraag of het echt effectiever is dan mensenwerk.

Auteurs: Rick van der Kleij is senior researcher human factors; Selmar Smit is senior researcher artificial intelligence; Hans van Vliet is senior business consultant; Freek van Wermeskerken is
researcher artificial intelligence. Allen bij TNO.

Predictive policing is relatief nieuw. Critici benadrukken vaak de mogelijkheid van systematische vooringenomenheid van de voorspelling (en dus etnische profilering) en zien een gebrek aan transparantie en verantwoording. Daarnaast brengen precieze voorspellingen de misdaadcijfers niet per definitie omlaag, bijvoorbeeld als het tijdstip en de locatie onvoldoende specifiek zijn of de politie de voorspellingen verkeerd interpreteert. Aan de andere kant hoeven bij een goed ontworpen systeem en goede inbedding in het proces dergelijke effecten helemaal niet op te treden en kan predictive policing bijdragen aan effectiever politieoptreden.

Dit artikel belicht de data en de algoritmen in de predictive policing-terugkoppelingslus. Hoe staat het met de algoritmen die de tijd en locatie van een toekomstige misdaad voorspellen (zoals inbraak)? De huidige benaderingen en algoritmen kunnen beter. Onze nieuwe benadering van predictive policing laat zien wat er precies moet veranderen om de effecten van voorspellingen op basis van algoritmen te verbeteren, en daarmee ook het proces van de toewijzing van de schaarse middelen (agenten, voertuigen, enzovoort).
We kijken eerst naar de huidige voorspellingsalgoritmen. Vervolgens zoomen we in op de problemen met deze algoritmen en de manier waarop die problemen toenemen wanneer de voorspellingen daadwerkelijk worden gebruikt voor operaties. Daarna beschrijven we onze nieuwe benadering en kijken we hoe het verder moet.

>> “Onze nieuwe benadering laat zien wat er precies moet veranderen”

Huidige predictive-policingalgoritmen
Predictive-policingalgoritmen zijn doorgaans gebaseerd op gecombineerde informatie, bijvoorbeeld omgevingsgerelateerd/demografisch, datum-/tijdgerelateerd en vooral ook misdaad in het verleden. Een voorbeeld: het meest simpele voorspellingsmodel stelt dat het voorspelde aantal incidenten op een locatie (?box?) gelijk is aan het gemiddelde aantal vorige week gemelde incidenten op deze locatie. Dit model kan werken, maar er zijn complexere modellen denkbaar:

Het aantal inbraken op een specifieke locatie staat gelijk aan 2 x het aantal inbraken vorige week min 1 x het aantal inbraken van precies twee weken geleden.

Dit model kan een simpele trend weergeven. Als er vorige week tien inbraken waren en de week ervoor acht, dan zal de voorspelling twaalf zijn. Toevoeging van meer data levert al snel complexe formules op. De uitdaging hierbij is: wat is de wegingsfactor (het relatieve belang) van iedere variabele? In het vorige voorbeeld was dat eenvoudig, namelijk 2 en 1. Maar hoe zit dat met deze formule?

Komende maandag is het aantal inbraken in deze ?box? 0,257 x de luchtvochtigheid, plus 1,56 x het aantal inbraken vorige week, min 0,46 x het aantal inbraken dat gewoonlijk op een maandag plaatsvindt, plus 0,12 x het aantal inbraken vorige week in een aangrenzende ?box?.

Wegingsfactoren kunnen worden geschat op basis van?historische data. Als je weet wat vorig jaar de exacte luchtvochtigheid was op een specifiek moment en als je het aantal gemelde inbraken vorige week, het gebruikelijke aantal inbraken op een maandag en het aantal inbraken op aangrenzende locaties kent, dan is het mogelijk het gewicht van iedere variabele vast te stellen, en is de gemiddelde kwadratische fout het kleinst. Met een complexe formule kun je een boek vullen. De termen die gerelateerd zijn aan misdaden in het verleden zijn over het algemeen het belangrijkst,
omdat deze in essentie trend analyzers zijn. De formules schatten de waarschijnlijkheid van een incident op een specifieke locatie en een specifiek tijdstip op basis van de trend in gemelde misdaden uit het verleden. De meeste predictive-policingsystemen werken op basis van deze, of vergelijkbare, uitgangspunten.

Vertekend beeld
Om misdaad te kunnen voorkomen, moeten we weten wat het misdaadpotentieel is: het aantal misdaden dat zou plaatsvinden als we niets doen. Er zijn heel veel factoren van invloed op het misdaadpotentieel, en die kunnen verschillen per type misdaad. Voorbeelden zijn het opleidingsniveau van de dader of diens aanwezigheid in een situatie die geschikt is om een misdaad te plegen ? de gelegenheid maakt de dief.

Het probleem zit in de data die de politie gebruikt voor het voorspellen van misdaad. Dit zijn namelijk data over gemelde misdaad en niet over het daadwerkelijke misdaadpotentieel. Bij inbraak komt het gemelde misdaadcijfer redelijk overeen met de gepleegde misdaad. Maar voor? fietsendiefstal gaat dat niet op. Mensen doen hierbij niet snel aangifte, want de kans dat je je fiets terugziet is klein en het aangifteproces is moeizaam. Daar komt nog een complicerende factor bij. Het percentage aangiften verschilt per locatie (?box?), terwijl de meeste software aanneemt dat die variabele constant is. Verder kan de aangiftebereidheid op een locatie stijgen als er agenten aanwezig zijn.
En wat als die data een bijproduct zijn van politieoperaties, bijvoorbeeld in het geval van drugdealers? Data in dit verband worden meestal gegenereerd door de politie zelf. Op plekken waar geen agent is geweest, kan de politie dus geen overtredingen waarnemen, wat niet betekent dat er geen misdaad heeft plaatsgevonden. Kortom: de data die voor de huidige predictive-policingsoftware worden gebruikt, geven de werkelijkheid niet goed weer. Bovendien verschilt de mate waarin dit beeld wordt vertekend vermoedelijk per type misdaad en locatie.

Dat is nog niet alles. De data van de politie houdt ook geen rekening met de voorkomen misdaad. Het misdaadpotentieel voor een specifieke locatie kan hoog zijn, terwijl het grootste gedeelte van die misdaad wordt voorkomen door intensieve surveillance. Een dergelijke ?box? kent dus weinig gepleegde (en dus gemelde) misdaad en wordt daardoor ook in het voorspellingsmodel ondervertegenwoordigd.

Voorspellingen die enkel op basis van gemelde misdaad werken, zullen dus (in een bepaalde mate) vertekend zijn. Niet-gemelde of voorkomen misdaad wordt beide niet meegenomen, en daardoor is de gemelde misdaad meestal kleiner dan het aantal gepleegde misdaden en te allen tijde kleiner dan de daadwerkelijke potenti?le misdaad. In feite worden met de huidige algoritmes enkel aangiftes voorspeld, en niet de criminaliteit. Dit effect wordt nog verder versterkt door wat wij de ?back-to-the-future-paradox? noemen (naar de gelijknamige films).

Back-to-the-future-paradox
Een belangrijke stimulans voor criminele activiteit is de afwezigheid van mensen die misdaad kunnen voorkomen, bijvoorbeeld agenten op straat. Politieoptreden heeft dus een effect op de data die worden verzameld. Wanneer we voorspellingen gebruiken om operaties aan te sturen, cre?ren we dan ook een terugkoppelingslus:

Gemelde misdaad wordt gebruikt om misdaad te voorspellen, de voorspelde misdaad wordt gebruikt om operaties aan te sturen en de operaties zelf be?nvloeden de gemelde misdaad. Op die manier kunnen voorspellingen zichzelf dus bevestigen en leiden tot een zichzelf steeds versterkende terugkoppelingslus.
In het beste geval leidt dit tot onnauwkeurige voorspellingen, in het ergste kan het zelfs discriminatoir beleid tot gevolg hebben. Het probleem van het voorspellen van drugsdealers is ondertussen redelijk bekend (hoewel nog niet opgelost), maar een terugkoppelingslus die vaak over het hoofd wordt gezien, is dat politieoperaties ook misdaad voorkomen, met als gevolg dat die voorspellingen de daadwerkelijke ernst van de situatie onderschatten. Als een agent op basis van een voorspelling ergens gaat staan en er gebeurt niets, kun je onmogelijk weten of de agent de
misdaad heeft voorkomen of dat hij zijn tijd heeft verknoeid op een veilige locatie. Dat effect treedt niet alleen op in de ?box? waarop de operaties gericht zijn. Door de afschrikking en de verspreidingseffecten (positieve en negatieve waterbedeffecten) kan het misdaadpotentieel op aangrenzende locaties toenemen of afnemen, afhankelijk van de afstand en de motivatie van de daders en aanwezige politie.

Een gebied met zeer veel aangiftes zorgt voor een hoge voorspelde misdaad. Als gevolg gaat de politie zich volledig op dat gebied concentreren, en verplaatsen criminelen hun activiteiten naar aangrenzende locaties. In het eerste gebied daalt dus het aantal aangiftes, en op de aangrenzende locaties stijgt het aantal aangiftes. Op basis van deze gegevens zal het algoritme de agenten naar de aanliggende gebieden sturen, waarna de criminelen zich dus gewoonweg weer terug verplaatsen. In dit (extreme) voorbeeld is het enige wat de politie doet steeds een stap te laat zijn.

De precieze vertekening in de resultaten, de afschrikking en de waterbedeffecten zijn lastig vast te stellen. Misdaad die zich verplaatst, zal vaak buiten de gebieden en typen misdaden vallen waarop de politie focust of schuilgaan achter globale trends. Om dit effect te kunnen isoleren, is eigenlijk een speciaal experiment nodig, namelijk langdurige vergelijking van misdaadlocaties waar de politie heel actief was met locaties waar dit helemaal niet het geval was. We kunnen alleen moeilijk voor een wetenschappelijk onderzoek bepaalde locaties geheel aan hun lot overlaten.

>> Er wordt een onderscheid gemaakt tussen?potenti?le, gepleegde en gemelde misdaad

Evaluaties
Hoe komt het dan dat predictive policing zo populair is geworden? Deels is dat een gevolg van een bijna religieus geloof in data bij sommige bedrijven, organisaties, media en delen van de samenleving. Ook is een grondige evaluatie van predictive policing gecompliceerd. En misschien komt het sommige mensen ook beter uit om te stellen dat de evaluaties van predictive policing niet deugen dan dat het algoritme niet goed, of juist heel succesvol is.

In sommige experimenten leidden predictive policingmethoden tot veel betere voorspellingen dan die van de reguliere analisten. Maar klopt dit wel? Het lijkt erop dat de analisten moesten voorspellen waar veel misdaad was (het potentieel), terwijl de nauwkeurigheid van hun voorspelling werd ge?valueerd op basis van gemelde misdaad. Het algoritme daarentegen voorspelde de gemelde misdaad en won dus. Daarbij hadden de analisten ook nog last van de backto-the-future-paradox, namelijk: er gingen wel agenten naar de door hen aangewezen locaties (om daar misdaad te voorkomen), maar niet naar de door de algoritme aangewezen locaties. Met andere woorden, een nauwkeurige voorspelling is geen goede indicatie voor de kwaliteit van de voorspelling.

Figuur 1. Routine Activity met betrekking tot misdaadpotentieel (P), gepleegde misdaad (C) en gemelde misdaad (R).

Het omgekeerde is zelfs waar: als er ook interventies gedaan worden op basis van voorspellingen is de daling van de nauwkeurigheid juist een teken dat ze goed werken. In de ?paper van Brantingham? (Mohler et al. 2015) vermindert die nauwkeurigheid enkel bij hun algoritme, en niet bij de voorspellingen van de analisten. De enig mogelijke verklaring is dat de politieactiviteit in de betreffende gebieden in de ?beschikbare tijd? geen effect had, omdat hier al voldoende reguliere politieactiviteit was. Wederom: de analisten voorspelden het misdaadpotentieel en niet het aantal
gepleegde misdaden.

Een nieuwe benadering
Om de voorspellingen van het algoritme (meldingen) beter te laten aansluiten op het denkkader van de analist (criminaliteit), is een nieuwe benadering nodig. De huidige methoden voor dataverzameling richten zich op de verkeerde criminele respons: enkel de gemelde misdaden worden meegenomen in de algoritmen. Alleen, predictive policing gaat niet om het voorspellen van het aantal dossiers, maar om het voorkomen van misdaad. Het betreft dus niet-waargenomen ? want voorkomen ? misdaden, of anders gezegd: het afschrikwekkende effect van politieactiviteit.
Ons voorstel is om voor de voorspellingen gebruik te maken van het veel stabielere misdaadpotentieel in plaats van de gemelde misdaden. Het misdaadpotentieel op zichzelf kunnen we niet meten. Wel kunnen we proberen het af te leiden uit wat er niet kon worden voorkomen, namelijk de aangiftes, de daadwerkelijke politie-inzet en de effectiviteit van die inzet. Het misdaadpotentieel is gelijk aan de aangiftes + de voorkomen misdaad (inzet maal effectiviteit). Helaas kun je de effectiviteit weer alleen berekenen als je het potentieel kent. Deze vicieuze cirkel is
te doorbreken met een complex wiskundig model (http://policing.ai).

Daar waar de huidige predictive-policingalgoritmen potenti?le misdaad modelleren als een functie van gemelde misdaad, maakt onze benadering een onderscheid tussen potenti?le misdaad (P), gepleegde misdaad (C) en gemelde misdaad (R), zie figuur 1. Bijvoorbeeld: het misdaadpotentieel van morgen (een maandag) heeft een relatie met de potenti?le misdaad op andere maandagen.
Op vergelijkbare wijze heeft het misdaadpotentieel op deze specifieke locatie een relatie met aangrenzende locaties. In tegenstelling tot de gemeten misdaad is het basisidee dat potenti?le misdaad alleen wordt be?nvloed door tijd en locatie, en slechts geleidelijk verandert, omdat potenti?le misdaad in feite de overlap is van ?potenti?le dader? en ?geschikt doelwit? in de gelegenheidstheorie,
beter bekend als de Routine Activity Theory. Zowel daders als slachtoffers opereren in een bepaald gebied. Tenzij ze zich verplaatsen of achter slot en grendel verdwijnen, is het aantal ?potenti?le daders? relatief stabiel. Datzelfde geldt voor ?geschikte doelwitten?. Mensen gaan niet in korte tijd en masse verhuizen of iets veranderen aan de geschiktheid als doelwit (bijvoorbeeld door nieuwe sloten tegen inbrekers aan te schaffen).
Het enige wat het algoritme hoeft te doen, is voor elk van deze relaties een getal vinden dat de sterkte goed uitdrukt. Tegelijkertijd moet het model getallen vinden voor de plaatselijke effectiviteit van de interventies en voor de waterbedeffecten. En natuurlijk moeten deze getallen zo goed mogelijk passen bij alle dagen, alle locaties en alle mogelijke vormen van politie-inzet in het
verleden en in de toekomst. En hoewel dat complex is, kunnen deze getallen geschat worden met behulp van een combinatie van het aantal historische aangiftes en de bijbehorende gepleegde politie-inzet (bijvoorbeeld door GPS tracking van voertuigen en communicatiemiddelen). En daarmee kan het model compenseren voor de back-to-the-future-paradox.

Figuur 2. Effect van surveillanceduur

Effect en effectiviteit
Naast verbeterde voorspellingen van criminele activiteiten heeft de nieuwe benadering nog een belangrijk voor?deel: ze bepaalt ook direct het effect van politie-inzet, evenals de effectiviteit per interventie. Daarmee kunnen in principe dus operaties geoptimaliseerd worden, bijvoorbeeld als we weten wat de effectiviteit (procentueel) is van een surveillance te voet in een bepaald gebied
(figuur 2).
We kunnen de surveillanceduur te voet in een ?box? optimaliseren door de effectiviteit te vermenigvuldigen?met de (voorspelde) potenti?le misdaad. Bijvoorbeeld: 10 minuten surveillance te voet kan mogelijk 0,044 (effectiviteit) x 2,0 misdaden (wat er zonder politie zou zijn opgetreden) voorkomen. Wanneer de potenti?le misdaden voor iedere ?box? zijn vastgesteld, is het eenvoudig om de
beschikbare hulpmiddelen en de naar verwachting voorkomen misdaden te optimaliseren.

Hoe nu verder?
Het pure voorspellingsinstrument ?predictive policing? kan dus nog flink worden verbeterd. Een belangrijke eerste stap richting de verbreking van de foutieve terugkoppelingslus in predictive policing is het meenemen van de daadwerkelijke actie die is ondernomen, zodat voor de effecten ervan te compenseren is. Voor de implementatie van de nieuwe benadering moet men 1) de huidige voorspelalgoritmes aanpassen?en 2) de interventies die zijn toegepast meten. Aan dat laatste zijn wel aspecten als privacy en transparantie verbonden.

[slideshare id=76826011&doc=prescriptivepolicingtnoen-170610155107&type=d]

>> Het voorgestelde model moet vooral inspireren en zeker niet dirigeren

Prescriptive policing
Een bijkomend voordeel van denieuwe benadering is dat ze de stap richting impactgedreven of zelfs prescriptive policing mogelijk maakt: het voorspellen van de effectiviteit van een bepaalde inzet, gegeven een bepaalde situatie en gebaseerd op kennis van de effecten van specifieke interventies. Als predictive policing kan voorspellen waar en wanneer je ergens moet zijn, dan kan prescriptive policing voorspellen wat vermoedelijk de beste handelwijze is voor die specifieke ?box? en tijd. Als we kunnen vaststellen dat iets werkt op locaties met specifieke kenmerken, maar niet in andere, dan kunnen we die kennis ook gebruiken voor andere locaties. Zonder de effectiviteit van elke interventie in die bepaalde ?box? te moeten vaststellen, kunnen we dus al beoordelen wat waarschijnlijk wel of niet gaat werken.

Ten slotte
Ten slotte nog dit. Handhaving is een van de moeilijkste taken van de politie en we moeten bedenken dat ook het meest geavanceerde model geen boeven vangt. Het is er enkel en alleen om de analisten te ondersteunen. Een model kan honderd keer roepen dat een bepaalde interventie klopt, uiteindelijk gaat het toch enkel om een kansberekening. Iemand die een specifiek gebied of mogelijke daders goed in beeld heeft, komt vermoedelijk tot een betere oplossing.
Het hier voorgestelde model, en in principe elk voorspelmodel, moet dus vooral inspireren, en zeker niet dirigeren. De werkelijke waarde van dit soort modellen zit in het gebruik ervan en de inbedding in het politieproces. Voorspellingen hebben op zich geen waarde. Het zijn de acties van politiemensen die ze waardevol kunnen maken. Daarom is het van belang om onderzoek te doen, te experimenteren en te investeren in de samenwerking tussen mens en systeem, communicatie, uitleg en transparantie, op zo?n manier dat politiemensen dergelijke systemen op waarde kunnen
schatten.?

Bronnen: Website voor de politie waar ook een geannoteerde versie staat met daarin de wiskundige onderbouwing.

Wat kunnen politie en justitie in het digitale domein?

Geef een reactie

Nieuwe communicatiemiddelen zoals sociale media bieden politie en justitie grote kansen. Maar zij zien zich ook voor uitdagingen gesteld. Zo kunnen criminelen via het Dark Web terrorisme financieren en op verzoek misdaden plegen. Hoe gaan veiligheidsinstanties met deze kansen en uitdagingen om?

Rechter geeft stalker ?digitaal straatverbod? kopte de?NRC. EenVandaag maakte een uitgebreide?reportage?onder de titel??Politiewerk onder vergrootglas door social media?. Burgers kijken steeds meer mee met de politie en nemen bijvoorbeeld opsporingstaken (deels) op zich. Digitale burgeropsporing lijkt onvermijdelijk, maar het resultaat kan 2 kanten op rollen. Denk aan de ?kopschoppers van Eindhoven? voor een ongewenste wending van?burgeropsporing?waardoor de daders strafvermindering kregen.?Bellingcats rapport?over de MH17-ramp leverde juist een gewenst resultaat op, dat het Joint Investigation Team dankbaar in ontvangst nam. Om ??n ding kunnen we in ieder geval niet heen: sociale media hebben het veiligheidslandschap flink veranderd.

Nieuwe communicatiemiddelen

Wat doen veiligheidshandhavers in Nederland, maar ook ver daarbuiten nu met deze nieuwe communicatiemiddelen? Wat voor kansen bieden sociale media of het?Dark Web?en worden ze wel voldoende benut? Wat mag nu precies wel en niet? En welke bedreigingen moeten in de gaten gehouden worden? Kortom: wat moeten, mogen en kunnen veiligheidshandhavers, en wat juist n?et?

Het Dark Web is voor criminelen interessant, omdat anonimiteit daar de norm is

Dit is een eerste artikel van een reeks waarin we antwoorden op deze vragen zoeken, als onderdeel van het Europese onderzoeksproject?MEDI@4SEC. Dat buigt zich over de kansen en bedreigingen die sociale media bieden voor veiligheidsinstanties.

Criminele handelingen op het Clear Web

Nieuwe communicatietechnieken zoals sociale media worden voor steeds meer criminele ? en ongewenste ? handelingen gebruikt. Denk bij ongewenste handelingen bijvoorbeeld aan cyberpesten, stalken, of het versturen van (doods)bedreigingen. In het 3-jarige onderzoeksproject wordt niet alleen gekeken naar wat er op het?Clear Web?gebeurt. Dat is het normale web, dat met een normale webbrowser toegankelijk is en via gebruikelijke zoekmachines als Google kan worden doorzocht.

Figuur 1: Metafoor voor het Clear Web versus het Deep web. Slechts een deel van de content op internet wordt ge?ndexeerd en getoond na een zoekopdracht

Illustratie: het CCV

Anonimiteit van het Dark Web

Juist het Dark Web (onderdeel van het Deep Web) is voor criminelen interessant, omdat anonimiteit daar de norm is. Voor dit deel van het web heb je een speciale TOR-browser nodig en de webpagina?s worden niet door Google doorzoekbaar gemaakt (figuur 1). Criminelen maken handig gebruik (of eigenlijk misbruik) van deze nieuwe technologische mogelijkheden. Voorbeelden van nieuwe criminele toepassingen zijn:

  • IS-strijders werven, door middel van versleutelde berichten;
  • terrorisme financieren, door anonieme crowdfunding (concept waarbij vele mensen bijdragen aan de financiering. Betaling met Bitcoins waarborgt een bepaalde anonimiteit);
  • criminele cyberaanvallen aanbieden, zoals een DDoS (al vanaf 10 euro per uur);
  • misdaden op verzoek plegen, via?crimesourcing, of?crime as a service;
  • beeldmateriaal anoniem delen, door en voor pedofiel-netwerken.

Maar wat zijn nu eigenlijk de taken van de politie en het OM in deze digitale domeinen? Waar kan of moet het bedrijfsleven de handschoen oppakken? Wat kan, moet en mag men online doen om veiligheid te handhaven?

Internettrollen plaatsten een gerucht dat er haaien in de straten van Manhattan zwommen

Hebben politie en justitie eigenlijk wel voldoende middelen, kennis en mogelijkheden om de verwachtingen in de digitale samenleving waar te maken? Of is er behoefte aan meer (nieuwe) middelen, zoals technische tools of kennis gericht op gedragsbe?nvloeding?

Kansen voor veiligheidsinstanties

Sociale media bieden voor verschillende operationele processen kansen voor de veiligheidsinstanties, waaronder de politie. Maar deze gaan vaak ook gepaard met uitdagingen en/of bedreigingen. Een aantal van deze kansen beschrijven we hierna.

Crisismanagement en alarmering

Sociale media worden hierbij bijvoorbeeld ingezet om snel een indruk te krijgen van de situatie (situational awareness), om hulpvragen te signaleren en eventueel uit te zetten. Toepassingen zoals Twitter of NL Alert worden hierbij gebruikt om mensen te informeren. De grote hoeveelheden berichten die moeten worden geanalyseerd en de interpretatie hiervan, vormen hierbij grote uitdagingen. Opruiende nepberichten die veel paniek kunnen veroorzaken zijn zelfs een bedreiging. Deze worden ook wel hoaxes genoemd. Een voorbeeld van een hoax is het bericht tijdens Project X Haren. Daarin werd met een foto als ?bewijs? aangekondigd dat er Hell?s Angels onderweg waren die ?wel even zouden komen helpen?. Een ander voorbeeld zijn internettrollen die een gerucht plaatsten dat er haaien in de straten van Manhattan zwommen, terwijl de orkanen Irene en Sandy over New York raasden.

Surveillance

Analyse van berichten op sociale media kan de effectiviteit en effici?ntie van surveillance vergroten. Capaciteit kan op basis van verkregen inzichten worden ingepland en opgeschaald bij potenti?le incidenten en vermoedens van criminele activiteiten. Men experimenteert door soms vroegtijdig reacties op berichten te plaatsen met als doel gedragsbe?nvloeding. Tijdens grote evenementen gebeurt dit al. Bijvoorbeeld tijdens de Olympische spelen van 2012 in Londen of tijdens diverse evenementen in Nederland.

Voorkomen moet worden dan burgers voor eigen rechters gaan spelen

Er is grote behoefte aan het monitoren van online berichtenverkeer, maar partijen als Twitter en Facebook willen surveillancetoepassingen momenteel juist weer blokkeren om de privacy van hun klanten te beschermen. Wetgeving loopt achter op deze ontwikkelingen, maar er zijn ook kansen voor samenwerking doordat bedrijven, burgers en politie andere wettelijke kaders hebben.

Opsporing na een delict

Het?rapport?van Bellingcat over de MH17-ramp is misschien wel het beste recente voorbeeld van hoe sociale media het mogelijk maken om bij te dragen in een belangrijk politieonderzoek. Met meerdere gemotiveerde speurneuzen zijn vele beelden en inzichten samengebracht tot een serieus onderzoeksrapport met waardevolle informatie. Onderzoek van?Julian Foster?liet zien dat 54 procent van de bevraagde politieorganisaties waardevolle informatie ontvangen via sociale media. In het Verenigd Koninkrijk is zelfs het aantal zaken dat opgelost kon worden door Facebook te gebruiken, met 540 procent?gestegen. Achterblijvende wet- en regelgeving over wat wel en niet mag, ook in de samenwerking met burgers die digitaal sporen veilig proberen te stellen, vormt hierbij nog wel een uitdaging.

Community Policing

Sociale media faciliteren en stimuleren een?Community Policing-strategie?waarin iedereen mee kan werken aan veiligheid. Bekende voorbeelden in Nederland zijn de WhatsApp-buurtgroepen. Een van de uitdagingen bij deze moderne vorm van Community Policing is om de groepsdynamiek en samenwerking in goede banen te leiden. Voorkomen moet worden dat burgers voor eigen rechter gaan spelen. Juridisch ligt het lastig om als wijkagent onderdeel te worden van een WhatsApp-buurtgroep, terwijl men wel op nieuwe manieren met elkaar in contact wil staan.

Intelligence

Sociale media en Dark Web vormen rijke bronnen van informatie die met behulp van (complexe) analyses tot politionele intelligence kunnen worden veredeld. Sociale media bieden bovendien toegang tot een ?wisdom of the crowd?. Zo beschikt de Nederlandse politie over nieuwe organisatieonderdelen zoals Real-Time Intelligence Centers (RTIC), die collega?s van relevante informatie ten tijde van incidenten kunnen voorzien. Ook wordt er ge?xperimenteerd met nieuwe technologie zoals Predictive Policing. De politie van de Australische staat?Victoria?gebruikt sociale media intelligence zelfs om te kijken naar de prestaties van hun eigen medewerkers. De politie moet leren omgaan met blijvende uitdagingen, zoals de overmaat aan berichten die uit verschillende sociale media en fora op het Dark Web moeten worden gedestilleerd en geanalyseerd. Dat geldt ook voor de interpretatie van deze berichten in combinatie met de relatieve anonimiteit van de afzenders.

Europees project
Het onderzoeksproject MEDI@4SEC brengt de kansen en bedreigingen in kaart die nieuwe communicatietechnologie?n teweegbrengen voor de veiligheid en veiligheidsinstanties. Dit artikel ging in op algemene kansen en bedreigingen voor veiligheidsinstanties, en in het bijzonder een aantal operationele taakstellingen van de politie. In volgende artikelen zullen 6 specifieke thema?s centraal staan: 1)?Do It Yourself (DIY) Policing; 2) Rellen en massabijeenkomsten; 3) Dagelijks politiewerk; 4) Dark Web; 5)?Trolling?en; 6) Innovatieve marktoplossingen.
Meer informatie over MEDI@4SEC is te vinden op de?projectwebsite. Hier zijn ook de volledige onderzoeksrapporten te downloaden zodra deze openbaar zijn.

Carlijn Broekman, Arnout de Vries en Marcel van Berlo zijn werkzaam bij TNO. Zij zijn bereikbaar voor vragen en discussie via e-mail:?carlijn.broekman(at)tno.nl,?arnout.devries(at)tno.nl?en?marcel.vanberlo(at)tno.nl.

Bronnen: Secondant

App: Automon

Geef een reactie

Erik Akerboom, korpschef van de Nationale Politie, wil burgers meer betrekken bij het politiespeurwerk. Dat zegt hij in een interview met De Telegraaf. Het gaat onder andere om het helpen terugvinden van gestolen auto?s.

Technologie en nieuwe initiatieven spelen volgens Akerboom een steeds belangrijker rol. Zo worden burgers nog meer betrokken bij de opsporing, onder andere via een ?Pok?mon-achtige? app met de naam ?Automon?. Hiermee kunnen burgers samen met de politie gestolen auto?s opsporen. Dat gebeurt simpelweg door kentekens te fotograferen. Als een foto gemaakt wordt van een geregistreerd kenteken, kan de app-speler punten verdienen. Ook kunnen burgers via de app worden gevraagd op zoek te gaan naar een bepaald kenteken.

Experts waarschuwen: belonen met punten is gevaarlijk

Om de hulp van burgers beter te kunnen benutten is de politie bezig met de ontwikkeling van tenminste drie verschillende?apps. Bruikbare tips of?spelresultaten?worden?beloond met punten of prijzen.?Privacyexperts wijzen op de risico’s van het in spelvorm verzamelen van persoonsgegevens door burgers.

Privacyhoogleraar Gerrit-Jan Zwenne (Universiteit Leiden) is niet tegen burgeropsporing, maar vindt de beloning in de vorm van punten en cadeaus riskant. ‘Door er een spelletje van te maken nodig je mensen uit politieagentje te spelen’, zegt hij. ‘Dan loop je het risico dat ze te ver gaan. De apps moeten daarom heel duidelijk zijn over de randvoorwaarden, over waar de opsporing eindigt. Dat iemand niet voor eigen rechter gaat spelen als hij dankzij de Aut?mon niet alleen de gestolen auto aantreft, maar ook de chauffeur.’

Het risico van eigen richting door gamification ziet ook privacyexpert Bart van der Sloot (Universiteit Tilburg). ‘Het doet ook geen recht aan de ernst van het opsporingswerk’, zegt hij. ‘Het machtsmonopolie ligt bij de politie en die draagt dit nu deels over aan de burger in spelvorm. Ik vind dit onethisch.’

Volgens Sven?Brinkhoff,?strafprocesdeskundige?aan de Universiteit in Nijmegen, zou je door de?apps?een hele ‘fanatieke club mensen’ kunnen krijgen. “Aan de ene kant is het bijna lachwekkend, maar het is bloedserieus”, zegt?Brinkhoff. “Kliklijnen, elkaar in de gaten houden, wil je zo’n samenleving?” Volgens hem zitten er bovendien risico’s aan verbonden die niet onderschat moeten worden. “Wat als een burger direct wordt geconfronteerd met een crimineel?”

Bas?Filippini?van Privacy First noemt het hele idee ‘een heel eng verhaal’.?”Dit kan niet de bedoeling zijn”, zegt?Filippini. Hij snapt de goede bedoelingen, maar noemt het ‘spionnetje spelen’ vooral een ‘gevaarlijke ontwikkeling, die heel hype- en sensatiegevoelig is’. Volgens hem is er niet goed nagedacht over de mogelijke consequenties voor de privacy. De foto’s of gegevens van misschien wel onschuldige mensen worden op deze manier namelijk ook verzameld. Wat daar vervolgens mee gebeurt is volgens?Fillipini?helemaal niet goed onderzocht. “Zo’n?app?is leuk, maar niet wenselijk.”

Toch vindt?Brinkhoff?het aan de andere kant wel een begrijpelijke actie van de politie. “Ze hebben capaciteitsgebrek, dus het is logisch dat je hulp?inschakelt van burgers.”

Een beroep doen op de ‘burgerdetective’ is niet uit luiheid van de politie, zegt hoofd innovatie van de Nationale Politie Hans Sch?nfeld, maar een volgende stap in de nieuwe strategie van het korps, waarbij vergaande samenwerking wordt gezocht met bedrijven en burgers. ‘Wij komen gewoonweg niet aan alles toe. Bovendien weten wij uit onderzoek dat vier op de vijf burgers een bijdrage willen leveren aan het veiliger maken van ons land.’

‘We willen meer midden in de samenleving staan door burgers bij ons werk te betrekken’, zegt Sch?nfeld. ‘Niet alleen v??r de mensen werken, maar ook m?t.’ Door wijkagenten mee te laten praten in chatgroepen van buurtbewoners probeert de politie al langer het contact met burgers te verbeteren.

Het laten ontwikkelen van de apps kost de politie gemiddeld 50 duizend euro per stuk, maar ze komen er alleen als blijkt dat ze ook echt werken. Begin volgend jaar verwacht te politie te testen met de auto zoekapp Aut?mon en de vermisten-app Samen Zoeken. Van de derde app, waarbij burgers kunnen helpen bij het oplossen van een inbraak, is nog niet duidelijk wanneer die af is. ‘Vanwege de koppeling met vertrouwelijke databases ontwikkelen we die zelf’, zegt Sch?nfeld. ‘En dit duurt bij ons nu eenmaal langer dan bij commerci?le bedrijven.’

Automon

Als een camera langs een weg een nummerbord herkent uit de database met gestolen auto’s, wordt een bericht gestuurd naar de app-gebruikers in de buurt van die camera. Daarin staat het nummerbord van de auto, evenals kleur en merk. In plaats van de mobiele jacht te open op virtuele beestjes, kan serieus worden uitgekeken naar de gestolen wagen. Wordt die gevonden, dan kan via de app de locatie worden doorgegeven en stuurt de politie zo snel mogelijk een sleepwagen – punten binnen.
Status van app: proef-lancering in januari.?

Sch?nfeld zegt dat de politie werkt aan duidelijke instructies voor gebruikers. ‘Als uit de tests blijkt dat de app problemen oproept – en niet oplost – stoppen we dit experiment en komt Aut?mon er niet’, zegt hij. ‘Ook dat is innovatie.’

 

Bronnen:?Telegraaf, Beveilgingsnieuws,?RTL Nieuws, Volkskrant

 

Algoritme als agent

Geef een reactie

Kan de computer misdaad voorspellen? Binnenkort gebruikt de Nederlandse Politie een algoritme om te bepalen waar de kans op een inbraak of overval het grootst is. De politietop is enthousiast, maar experts zetten vraagtekens bij de effectiviteit.

Onderstaand artikel is eerder gepubliceerd in De Ingenieur, tekst van Marc Seijlhouwer.?

Een schimmig zijstraatje in Amsterdam. Hier is het risico op een inbraak het grootst in de hele stad, zo weet de politie. Daarom houden agenten de straat deze avond extra in de gaten. Statistisch gezien is de kans immers aanzienlijk dat hier straks een roof,
inbraak of autokraak gaat plaatsvinden.

De agenten weten dat niet vanwege hun jarenlange ervaring met criminelen en de stad. Nee, een computer heeft hen verteld hoe het allemaal zit. Een algoritme, om precies te zijn, met de naam CAS. Dit Criminaliteits Anticipatie Systeem voorspelt voor elk gebied van 125 bij 125 m hoe groot de kans is dat er iets gebeurt in de komende twee weken. Dit alles op basis van tientallen informatiebronnen: het aantal inbraken of overvallen, de samenstelling van de bevolking aan de hand van CBS-cijfers, de adressen van veelplegers in een buurt en de geografische eigenschappen van een wijk, zoals de afstand tot een snelwegoprit die als makkelijke vluchtroute kan dienen.

Al die gegevensstromen zijn in drie jaar tijd tweewekelijks verzameld en in een zelflerend algoritme gestopt. Het programma ontwaarde patronen in deze informatie en kon op die manier een overzichtelijke kaart maken: risicovakjes zijn rood, andere oranje of geel. Een commandant ziet in ??n oogopslag waar de politie het meest nodig is en kan daar zijn surveillancerooster op baseren.
In theorie werkt CAS voorbeeldig. De voorspellingen zijn nauwkeurig en de agenten kunnen op de kaarten makkelijk zien waar ze heen moeten. Maar de praktijk blijkt weerbarstig. Toch springt de politie, in zijn zoektocht naar hulpmiddelen om effici?nter te werken, er fanatiek op. Is dat verantwoord? En wat zijn de gevolgen voor de maatschappij?

Tachtig datastromen
In mei maakte de Nationale Politie bekend CAS te gaan gebruiken bij 168 politieteams. Daarmee is Nederland het eerste land dat landelijk predictive policing (voorspellend politiewerk) toepast. De boodschap kwam na pilot-programma?s in Amsterdam en vier andere gemeentes (Enschede, Groningen-Noord, Hoefkade en Hoorn). Volgens de politie verliepen deze pilots dus succesvol genoeg om het systeem in te voeren. CAS lijkt inderdaad een handig gereedschap voor de drukke roostermakers die met een beperkte hoeveelheid agenten toch zoveel mogelijk misdaad willen voorkomen. Voordat CAS bestond, gebeurde dat goeddeels op basis van ervaring, rapportages van politieanalisten en het gevoel van de agenten. Subjectieve maatstaven dus. CAS, of breder: voorspellend politiewerk, geeft een schijnbaar objectiever advies. Het is immers gebaseerd op harde cijfers.

Predictive policing begon in 2009 in Los Angeles, toen antropoloog dr. Jeffrey Brantingham als eerste een manier bedacht om data te gebruiken om criminaliteit terug te dringen. Hij ontwierp een simpel algoritme waarin drie datastromen ? het soort misdrijf, de misdrijflocatie en het misdrijfmoment ? samenkwamen en een heat map van de Californische superstad opleverden. Die kaart leek al snel een goede voorspelling te geven en de misdaadcijfers daalden mede dankzij het gebruik van PredPol. Predictive policing was een hit. Bij de Nederlandse Politie ontwierp vervolgens dataminer drs. Dick Willems CAS. Dat was qua opzet een stuk ambitieuzer: niet drie, maar tachtig datastromen gingen in eenzelfde soort algoritme. ?Het is begrijpelijk dat de politieagenten hier snel op springen?, stelt ir. Arnout de Vries, sociaal onderzoeker bij onderzoeksorganisatie TNO. Hij kijkt al een aantal jaar naar de mogelijkheden en risico?s van predictive policing. ?Het geeft houvast bij een onzekere kant van het?werk. En het kan volgens onderzoeken in theorie enorm helpen.? Volgens CAS-ontwerper Willems, die een artikel over ?zijn? algoritme schreef in het Tijdschrift voor de Politie, kan 40 % van de inbraken en 60 % van de straatroven worden voorspeld. Dat betekent dat dergelijke misdrijven plaatsvonden in of nabij de voorspelde hokjes op de CAS-kaarten. Als al die misdrijven daarmee ook voorkomen kunnen worden, is dat natuurlijk enorme winst voor de veiligheid in de buurt.

pred1

Voorbeeld van een heat map. Vierkantjes van 125 bij 125 m krijgen een kleur, afhankelijk van de kans dat er een inbraak of roof plaatsvindt. Vervolgens kan de politie bijvoorbeeld meer surveilleren of een extra lantaarnpaal laten plaatsen om het risico te verkleinen.

Meer is niet beter
Toch is predictive policing niet alleen maar rozengeur en maneschijn. De eerste onderzoeken naar het gebruik van CAS, gedaan nadat de pilot ten einde kwam, laten zien dat het effect beperkt is. Dat wil zeggen: de pakkans bij inbraken en roof is vergroot, maar het is moeilijk om te bepalen of dat door CAS komt of doordat er meer agenten zijn ingezet om dergelijke misdrijven aan te pakken. Dat laatste gebeurde de afgelopen jaren namelijk ook, vanwege een wens uit de politiek.

Een onderzoek van de Politieacademie liet verder zien dat de interpretatie van de CAS-kaart problemen oplevert. ?De interpretatie van de kaart ging regelmatig mis, doordat de mensen die dat moeten doen te weinig kennis hebben?, vertelt dr.ir. Marielle den Hengst-Bruggeling, voormalig lector bij de Politieacademie, auteur van het rapport over CAS en universitair docent aan de TU Delft. Het onderzoek laat zien hoe ingewikkeld data-interpretatie kan zijn. ?Als agenten daar niet voor hebben geleerd, kan het effect van een algoritme kleiner zijn. We ontdekten dat de voorspellingen van CAS goed en betrouwbaar waren. Maar het omzetten van een voorspelling in een actie bleek lastig.? Daarnaast waren de reacties op de kaarten vanuit de politieleiding niet altijd adequaat. ?De meest voorkomende reactie was ?meer agenten inzetten op een plek?. Maar dat is lang niet altijd de beste optie. Als er een lantaarnpaal stuk is, werkt een monteur sturen beter om de locatie veiliger te maken.? Het academieonderzoek was voornamelijk kwalitatief; Den Hengst-Bruggeling en collega?s spraken met agenten en leidinggevenden en met de makers van CAS. Zo ontdekten ze wat er goed ging en wat niet. ?Maar harde cijfers hebben we niet, want het is lastig te onderzoeken.?

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

Bij PredPol lijken de resultaten wel hoopgevend. Bedenker Brantingham deed een onderzoek naar zijn eigen systeem, waarbij hij wijken die m?t PredPol waren geanalyseerd vergeleek met soortgelijke wijken (qua misdaadcijfers) zonder PredPol. En daaruit bleek dat PredPol werkt: het is twee keer zo goed in het voorspellen van misdrijflocaties als ervaren misdaadanalisten en het vermindert de hoeveelheid criminaliteit met 7 procent.

[slideshare id=53787686&doc=randomizedcontrolledfieldtrialsofpredictivepolicing-151011071940-lva1-app6892&type=d]

Dat zijn opmerkelijke cijfers, die echter ook meteen controversieel werden. Brantinghams onderzoeksmethodologie rammelde; de criteria?voor misdaaddaling waren bijvoorbeeld nogal los en het was niet altijd duidelijk of een daling aan de voorspellingen van PredPol lag of aan andere zaken.

Een onafhankelijk onderzoek naar PredPol of andere in de praktijk gebruikte voorspellingssystemen is er niet. Het dichtst in de buurt komt een Amerikaans onderzoek van de denktank The?RAND Corporation. Die paste een zelfontworpen model toe op het stadje Shreveport in Louisiana en vond niet significant minder misdaad dan in controlewijken. RAND ontkrachtte ook claims van de stad Chicago. Die stad gebruikte een ?voorspellingslijst? van mensen die vermoedelijk binnenkort een misdaad zouden begaan. Volgens Chicago had die lijst effect, RAND ontdekte dat dit effect niet significant was.

[slideshare id=39335396&doc=randrr531-140921011149-phpapp02&type=d]

Of het systeem in Nederland werkt, is nog moeilijker te zeggen; gedegen statistisch onderzoek naar het effect begint nu langzaam te komen, maar is nog lang niet voltooid. De Vries van TNO: ?We werken voor de evaluatie van CAS aan een kwantitatieve analyse die ons wat meer houvast geeft. Het onderzoek in Nederland is tot nu toe voornamelijk kwalitatief.?

Overigens bleek ook uit die kwalitatieve analyse van de Politieacademie geen significant verschil tussen criminaliteit zonder CAS en met. Bij het Nederlandse onderzoek vergeleek men de cijfers van een jaar voordat CAS begon met het jaar met CAS. ?Vergelijken blijft lastig, maar onze bevindingen geven wel een indicatie dat het ergens mis gaat met de voorspellingen?, zegt Den Hengst-Bruggeling. ?We weten dat de voorspelling zelf goed is, dus moet het probleem in de opvolging zitten.?

En ook als we over de bezwaren tegen het positieve onderzoek van Brantingham heen stappen, is dat moeilijk als bewijs voor de effectiviteit van CAS te zien. PredPol is ingezet in de Verenigde Staten, waar de cultuur en manier van werken van de politie totaal anders zijn. Bovendien verschillen de algoritmes behoorlijk. Vooral de veel grotere hoeveelheid datastromen in CAS valt op. ?Misschien zou je denken dat meer data altijd een betere voorspelling oplevert. Maar dat hoeft niet?, zegt de Vries. ?Zoveel data kan de voorspelling ook minder duidelijk maken, of kan ervoor zorgen dat er te veel aandacht wordt gegeven aan de verkeerde data. Meer is niet altijd beter.?

Big Brother Award
De Wetenschappelijke Raad voor Regeringsbeleid kwam vorig jaar met een rapport dat waarschuwde voor de gevolgen van big data in overheidsbeleid. Predictive policing valt daar ook onder en moet volgens de raad dus uiterst voorzichtig worden uitgerold.

[slideshare id=61479991&doc=bigdataineenvrijeenveiligesamenleving-160428204125&type=d]

Internetprivacyorganisatie Bits of Freedom is ook kritisch over het gedrag van de politie; in 2015 gaf die de politie de Big Brother Award voor grootschalige privacyschending via een hun dataverzameling en -gebruik. Voorlopig is de data van de politie echter niet te gebruiken om individueel gedrag te detecteren. Dat lijkt men ook niet van plan, maar de mogelijkheid bestaat wel als systemen zoals CAS eenmaal gemeengoed zijn.

Zo objectief mogelijk
PredPol liet tijdens het gebruik ook al een risico zien van dit soort data-analyse. In achterbuurten werden vaker misdaden gepleegd, dus focuste het algoritme zich volledig op die buurten. Daardoor ging er meer politie heen, werd er meer misdaad ontdekt, enzovoort. Aangezien in de achterbuurten relatief veel Afro-Amerikanen woonden, zorgde het algoritme in feite voor een raciale ?bias? bij de politiemacht, ook al was etniciteit geen onderdeel van het model. De politie ging immers vaker naar die wijken en arresteerde daardoor vaker Afro-Amerikanen.
Dat probleem zou hier mogelijk nog groter kunnen zijn dan in de VS. Daar werkt het algoritme puur op criminaliteitscijfers, terwijl CAS onder andere CBS-gegevens over inwoners gebruikt, wat de kans op onbedoelde raciale profilering nog groter maakt.

Maar hoe voorkom je dat dan? De Vries: ?Het is lastig, want dit soort vooroordelen zijn niet geprogrammeerd; ze ontstaan uit de statistische regels van het programma. Dat maakt ze niet waar; de tunnelvisie is een soort glitch in de statistiek. Dat kun je voorkomen door ruis in de data te gooien. Normaal vertroebelt dat de analyse, maar met een beetje ruis kun je het algoritme uit zijn tunnelvisie halen en op een ander pad zetten. Zo maak je vooroordelen minder waarschijnlijk.?
Ook moet je kritisch kijken naar de criteria waarmee je een wijk bestempeld als ?risicovol?, zegt De Vries. ?Zit daar iets in dat te maken heeft met vooroordelen? Dat moet je als ontwerper weten voordat je je algoritme gaat gebruiken.?

Daarnaast proberen de ontwerpers van de algoritmes een zo objectief mogelijke maatstaf te nemen. Dat is doorgaans de aangifte die een slachtoffer doet. Die is niet gebaseerd op de aanwezigheid van politie in de wijk en geeft zodoende een eerlijker beeld van de hoeveelheid misdrijven dan een steeds terugkerende agent. Mede door die maatstaf is predictive policing op dit moment alleen te gebruiken voor zogenoemde high impact crimes: misdrijven die mensen raken in hun levenssfeer en veiligheidsgevoel. Van dat soort misdrijven doet men namelijk bijna altijd aangifte, dus geven ze een vrij volledig beeld van de hoeveelheid misdaad in een wijk.

Inbreekbereik
Terwijl de politie zich gereedmaakt om CAS in het hele land te gebruiken, zijn er ook al onderzoekers en politieonderdelen die naar de volgende stap kijken. CAS is namelijk beperkt: het zegt alleen waar iets gaat gebeuren, niet wat je ertegen moet ondernemen. Dat is echter wel mogelijk, denkt TNO. Daar werkt data-onderzoeker dr. Selmar Smit samen met de Vries en andere onderzoekers aan iets wat ze prescriptive policing noemen. Doel van dit onderzoek: een algoritme dat aan de hand van data voorschrijft wat een agent het beste kan doen. ?We willen de agenten helpen om een keuze te maken, zonder dat ze de vrijheid verliezen om zelf een interventie te kiezen?, vertelt De Vries. Dus voorspelt het systeem van een aantal ingrepen hoe effectief ze kunnen zijn. Als er een donker straatje is waar veel overvallen plaatsvinden, is een straatlamp of een beveiligingscamera misschien wel de beste oplossing. Zijn er veel inbraken? Dan kan een andere patrouilleroute een wereld van verschil maken. ?Ons systeem berekent het effect van elke interventie en geeft die informatie aan agenten. Zij kiezen vervolgens wat de beste optie is, aan de hand van het systeem en hun ervaring op straat.?

Het klinkt als een simpel systeem, maar dat is het niet. ?Om zo?n voorspellend algoritme te maken, moet je niet alleen veel data hebben, je moet ook het effect van een interventie meenemen in je berekening?, vertelt Smit. ?Als je dat niet doet, voorspel je alleen de situatie in vergelijking met het scenario waarin de politie niets doet. Maar dat is onrealistisch; de politie zal hoe dan ook altijd proberen in te grijpen. Daarom zijn de huidige algoritmes ook niet altijd toepasbaar.? Zo?n recursief algoritme, waarin je de uitkomst van de berekeningen terugvoert aan het algoritme, is niet makkelijk te maken. ?Met alleen criminaliteitscijfers of bevolkingsdata ben je er nog niet. Dus moet er kennis over mensen, in dit geval over het gedrag van criminelen, in het algoritme worden verwerkt.?

Al vier jaar werken Smit en collega?s aan hun prescriptive policing, en het gaat stapje voor stapje vooruit. ?De belangrijkste vooruitgang zit eigenlijk op het menselijke vlak. We spreken veel met experts, ervaren rechercheurs en agenten die ons vertellen hoe criminelen werken. Die kennis, vaak kwalitatief van aard, probeer ik in het algoritme te stoppen.? Als voorbeeld noemt Smit inbreekgedrag: ?Een crimineel zal niet bij zijn buren inbreken, maar?zal ook niet tientallen kilometers rijden op zoek naar een goede kraak. Zijn ?kraakgebied? is dus relatief goed te voorspellen. De politie weet dat, en wij proberen een maximaal bereik vanaf het huis van een inbreker te bepalen voor in het algoritme.?

Op die manier produceert het prescriptive algoritme niet alleen heat maps, maar ook een lijstje met mogelijke acties voor agenten. Bij elke actie staan ??n tot vijf ?ballen? om de voorspelde effectiviteit aan te geven. ?Daarbij komt dan een korte motivatie vanuit het algoritme.
Die motivatie komt vooral van vergelijkingen met andere wijken waar we al iets over weten. Dan staat er bijvoorbeeld: ?Een camera ophangen in een donkere straat werkte erg goed in deze
vergelijkbare wijk in Almere.? Op die manier weet de agent waar de voorspelling vandaan komt.

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

Hongerig algoritme
Die vergelijkingen zijn voorlopig de kern van het prescriptive-algoritme. Echt de gevolgen van ingrepen simuleren gaat nog te ver, vindt Smit. ?De toekomst simuleren is een vaag onderzoeksgebied. We kunnen op korte termijn misschien wel iets voorspellen, maar het is onmogelijk om langetermijngevolgen te overzien met zo?n simulatie. Met wijkvergelijkingen weet je dat vaak wel, omdat de ?toekomst? van de ene wijk het verleden van een andere, soortgelijke buurt is.?
Wat TNO doet, is volgens De Vries en Smit op dit moment uniek in de wereld. ?Amerika, en Los Angeles in het bijzonder, volgt ons werk met veel interesse?, zegt De Vries.

Het risico van een bevooroordeeld algoritme geldt hier nog steeds. ?Het zou kunnen dat er eerder dan bij predictive policing al vooringenomenheid voor bepaalde wijken of bepaalde wijksoorten ontstaat doordat eerdere reacties van wijkagenten al is meegenomen.? Voorlopig is dat echter lastig na te gaan, want er is nog niet genoeg data om het hongerige algoritme mee te voeden. Om te weten welke interventies effectief zijn in bepaalde situaties, moet een computerprogramma immers weten of het werkte op een andere plek.
Daarom probeert Smit nu agenten te overtuigen om hun data te delen. Met hun telefoon en een gps-logger, bijvoorbeeld, of met een app waarop een agent kort aangeeft wat hij deed en waarom. ?Dat is meer moeite voor de agent, en het kan een vrij grote privacyinbreuk zijn. Hij of zij kan zich beperkt voelen in zijn of haar vrijheid, omdat elke beweging nu wordt gevolgd en opgeslagen. Ik probeer ze ervan te overtuigen dat ze als dataproducent met een gps op zak ook meer vrijheid kunnen krijgen op de lange termijn. Denk bijvoorbeeld aan ?een praatje maken?. Nu is dat voor de leidinggevenden vaak geen actie die als werk ?telt?. Als ons algoritme straks aantoont dat praten juist helpt om lokale criminaliteit te verminderen, krijgt de agent mogelijk meer vrijheid in zijn manier van werken.?

Komende vijf jaar is prescriptive policing nog geen realiteit. Maar met de landelijke invoering lijkt het voorspellend politiewerk van CAS moeilijk tegen te houden. Hoewel ze zelf aan de mogelijke opvolger van CAS werken, kijken ook Smit en De Vries niet alleen positief tegen de techniek aan. ?Het risico van bias is alleen te verminderen als de algoritmes transparant blijven. Daar zal bij elke verdere ontwikkeling op gelet moeten worden?, stelt Smit.

Op dit moment zijn de algoritmes in principe nog helder genoeg; predictive policing gebruikt statistische methodes die patronen uit data ontwaren. Zo ?leert? het programma met analyses die terug te volgen zijn tot de bron. Dat is doorzichtiger dan deep learning, waarbij een computer via verschillende ?lagen? een beslissing neemt. Deze methode zorgt nu al voor onnavolgbare uitkomsten bij verschillende zelflerende programma?s van Google en andere softwarebedrijven. Begrijpelijk dat de overheid en politie daar vandaan blijven.

Ondertussen denken de wetenschappers van TNO dat het essentieel is om de voorspellende techniek te ontwikkelen. ?Je houdt dit niet tegen. En ik geloof dat het beter is dat wij het doen, namens de overheid, dan dat een marktpartij een voorspellend ? maar niet transparant ? algoritme bouwt om daar winst mee te maken?, aldus Smit.

Hackrisico
Een vraag die CAS ook oproept, is: moet je bij iets wat misschien niet werkt wel al die gegevens van burgers willen gebruiken? Den Hengst-Bruggeling nuanceert het gevaar van privacy-inbreuk: ?De gegevens die CAS gebruikt, zijn nu in principe ook al beschikbaar voor de politie. Het algoritme maakt er overzichtelijke kaarten van, maar het werkt niet op het niveau van individuen.? Ze vindt de landelijk uitrol dan ook niet vreemd. ?Ik denk dat het een goed moment is. De politie gebruikt veel methodes die niet per se wetenschappelijk bewezen zijn. Dat is logisch, want het is altijd erg moeilijk om aan te tonen dat de criminaliteit daalt door een bepaald beleid. Hopelijk gaat de politie meer inzetten op het duiden van de data. Dat is belangrijk om van CAS een systeem te maken dat ook echt invloed heeft op de hoeveelheid criminaliteit.?

?Je kunt het systeem op een ethische manier invoeren zolang het algoritme maar transparant blijft en er bij elke verdere stap een discussie ontstaat?, zegt De Vries van TNO. Hij geeft wel meteen toe dat er nog de nodige beren op de weg zijn. ?De privacywetgeving en -handhaving zijn op dit moment slecht geregeld, zeker voor zaken als big data. Daar moet meer beleid voor komen. Daarnaast is er een belangrijke rol weggelegd voor het Openbaar Ministerie, rechters en de advocaten van verdachten. Die moeten kritische vragen stellen bij rechtszaken die als gevolg van predictive of prescriptive policing voorkomen: ?Hoe is mijn cli?nt gepakt? Is dat voor de wet te verantwoorden? Alleen als de juridische partijen zich mengen in de discussie krijg je een volledig debat.?
?Wat problematisch is?, voegt De Vries nog toe, ?is het ontbreken van een onafhankelijke landelijke of Europese ICT-autoriteit die initiatieven als CAS toetst aan de wet of aan ethische richtlijnen. Voor veel andere taken van de overheid bestaan zulke commissies wel, maar niet voor dergelijke algoritmes. Dat is eigenlijk vreemd; het zorgt er nu voor dat de controle op het gebruik van dit soort technieken van andere plekken moet komen.?

Los van al deze ethisch-maatschappelijke bezwaren kan het algoritme ook een veiligheidsrisico worden. ?Als criminelen een systeem kunnen hacken of namaken, hebben ze in feite een kaart die altijd de perfecte inbraakplek weergeeft. De dieven kunnen dan immers de politie omzeilen door naar de locatie te gaan waar het algoritme de kans op een inbraak het laagst schat.?
Aangezien de opzet van CAS relatief eenvoudig is, is het kraken van het systeem een realistische optie. Nu CAS prominenter wordt, wordt het ook verleidelijker om tijd en moeite in het hacken te stoppen. Bovendien zijn in Londen de misdaadcijfers openbaar, en er bestaat ook een open source predictive-algoritme. Daarmee kunnen mensen dus makkelijk een ?omgekeerde? misdaadkaart
maken.

Nu CAS landelijk is uitgerold, is voorspellend politiewerk in Nederland realiteit geworden. Of steden zoals Amsterdam daar uiteindelijk ook veiliger van worden, is alleen de vraag. In dit geval is de belofte van een techniek al genoeg geweest om hem door te laten breken. Ondertussen werkt men aan de volgende stap, waarvoor TNO nu data verzamelt bij de politie zelf. Daarmee be?nvloeden nieuwe technieken zoals zelflerende algoritmes en big data nu, naast het zakenleven en de wetenschap, ook het werk van de politie op straat. Dat werk zal er alleen niet per se makkelijker op worden. Er is gespecialiseerde kennis nodig die lang niet iedere agent of informatiewerker nu heeft. Hopelijk geldt dat hoe langer de agenten met het systeem werken, des te beter ze het weten te gebruiken. En wie weet wordt predictive policing daardoor straks effectiever dan het onderzoek tot nu toe laat zien.

Agenten sturen is niet altijd de beste oplossing om misdaad te voorkomen. Ook zorgen voor adequate verlichting kan een goede zet zijn. Op het Hoekenrodeplein bij Station Bijlmer Arena
is er dankzij zogenoemd adaptief licht altijd de juiste sfeer voor optimale veiligheid en gezelligheid. Zo heeft de politie minder werk.

Bronnen: De Ingenieur

App: HART – Harm Assessment Risk Tool

Geef een reactie

De politie van Durham begint met het testen van een Artificial Intelligence app HART – Harm Assessment Risk Tool – om te helpen in beslissingen over het verlaten van verdachten of ze in hechtenis te houden. Het systeem bevat tot 5 jaar aan data en geeft middels een kansberekening een score: lage, middelmatige of hoge kans op recidive.

Het systeem is al in 2013 getest en de resultaten zijn?vergeleken met wat er in de twee jaren daarna gebeurde. Ze vonden dat HART zeer goed gewerkt had voor de groep van lage risico’s, met een score van?98% van de tijd goed, en een score van 88% voor het juist berekenen van de categoriegroep (laag, middel of hoog).

Niet slecht voor een?computer. Een externe deskundige geeft aan dat het gereedschap nuttig kan zijn, maar dat het risico erin sluipt dat het zelfstandig beslissingen zou kunnen gaan maken. Tijdens de proefperiode werd de nauwkeurigheid van het HART algoritme gecontroleerd, maar het heeft geen beslissingen genomen die anders door de politie genomen zou zijn, zegt Sheena Urwin, hoofd van het strafrechtelijke Durham Constabulary. “Ik zie een systeem voor me dat de komende twee tot drie maanden de besluitvorming van officieren kan ondersteunen,” vertelde ze aan de BBC.

Prof. Lawrence Sherman, werkzaam aan de Universiteit van Cambridge, was betrokken bij de ontwikkeling van het instrument. Hij stelt voor dat HART in verschillende gevallen gebruikt zou kunnen worden, zoals bij beslissingen over of iemand een paar extra uur in hechtenis moet blijven; Of bijvoorbeeld voor een aanklacht op borgtocht kan worden vrijgelaten; Of, nadat een heffing is opgelegd, deze in bewaring moet worden overgedragen. “Het is tijd om het echt te gaan gebruiken en een goed experiment is de beste manier,” vertelde hij aan de BBC.

Tijdens het aanstaande experiment zullen officieren toegang krijgen tot het systeem in een willekeurige selectie van zaken, zodat de impact ervan kan worden vergeleken met wat er gebeurt wanneer dat niet het geval is.

Vooroordelen?

Vorig jaar publiceerde de Amerikaanse website ProPublica een onderzoek naar een algoritme dat door autoriteiten wordt gebruikt om de kans te voorspellen dat een arrestant een toekomstige misdaad begaat. Het onderzoek stelde dat?het algoritme raciale vooroordelen versterkt, en ook overdreven negatieve voorspellingen over zwarte versus witte verdachten maakte – hoewel de firma achter de technologie de bevindingen van ProPublica betwist.

“Tot op zekere hoogte doen leermodellen de verborgen en stilzwijgende aannames die door mensen zijn gemaakt,” waarschuwde prof Cary Coglianese, een politieke wetenschapper aan de Universiteit van Pennsylvania, die algoritmische besluitvorming heeft bestudeerd. “Dit zijn erg lastige [machine learning] modellen en het is lastig te beoordelen in hoeverre ze echt discriminerend zijn.” Het Durham-systeem bevat bijvoorbeeld ook gegevens over de postcode en het geslacht van de arrestant bijvoorbeeld. De makers van het systeem verzekeren echter dat slechts een postcode niet tot een uitslag kan leiden, en dat het systeem slechts een advies geeft. Ook een zgn. ‘audit trail’, waarin wordt bekeken hoe het systeem bij een bepaald besluit kwam, zal later nodig zijn, en de werking zal dan toegankelijk moeten zijn, aldus prof Sherman. Dr Helen Ryan, rechtsgeleerde bij de?Universiteit van Winchester, geeft aan dat ze HART “ongelooflijk interessant” vindt en dat er een enorm potentieel ligt om te kunnen profiteren mocht er een uitgebreiding van de pilot komen. “Ik denk dat het eigenlijk een zeer positieve ontwikkeling is,” voegt ze eraan toe. “Ik denk dat, potentieel, machines kunnen veel nauwkeuriger zijn – gegeven de juiste data – dan mensen.”

Bronnen: Gizmodo,?BBC

Criminelen zijn zo voorspelbaar als 125 bij 125 meter

Geef een reactie

Met behulp van software criminelen op heterdaad betrappen, of voorkomen dat ze toeslaan: het lijkt science fiction, maar het gebeurde allang in Amsterdam.?Een landelijk virtueel raster met vakken van 125 bij 125 meter. Per vlak worden meldingen van bijvoorbeeld inbraken en roofovervallen bijgehouden. Dat is, in het kort, de gedachte achter CAS, het Criminaliteits Anticipatie Systeem.????

Predictive Policing is het voorspellen van misdaadrisico?s met behulp van software, op grond van grote hoeveelheden data die aan elkaar worden gekoppeld. Sinds meer dan een jaar gebruikt de politie het Predictive Policing systeem CAS. Nu wordt het landelijk uitgerold.

Wat zijn de voordelen van dit systeem en wat kunnen we er in de toekomst van verwachten? Kritische kanttekeningen zijn er ook te maken, Marc Schuilenburg vind het zelfs onzin. Onderstaand interview met Arnout de Vries, onderzoeker bij TNO, duidt de zin van de onzin in predictive policing:

Waar gebruikt de Nederlandse politie Predictive Policing voor?

?Om ?eenvoudige?, maar veel voorkomende misdaden als inbraak en zakkenrollen te voorkomen.?

“Een crimineel breekt het liefst in op bekend terrein, in een bekend huistype. En dat doet hij vaak op dezelfde manier, bijvoorbeeld met een breekijzer”, legt Arnout de Vries uit. Hij is onderzoeker bij kenniscentrum TNO en vanaf het begin betrokken bij deze ontwikkeling.

Door data over eerdere inbraken te combineren, kun je de volgende inbraak voorspellen, zegt De Vries. Op basis van 250 soorten data, bijvoorbeeld de sociale samenstelling van de buurt, het aantal caf?s en zelfs ook het weer wordt zo de kans op nog een incident berekend.

“Als je weet dat er in een straat steeds wordt ingebroken via openstaande ramen op zonnige dagen, dan kun je daar als politie rekening mee houden.”

Toch is De Vries verrast dat het systeem nu al landelijk ingezet gaat worden. “Het is gek dat ze het nu al uitrollen, want het is nog niet bewezen dat het systeem ook echt een verschil maakt op straat. We weten dat de voorspellingen aardig kloppen, maar niet of er ook meer boeven door worden gevangen, of dat de veiligheid hierdoor verbetert.”

Wat betekent CAS voor het werk van een politieagent?

?De agenten gaan nog steeds op pad, maar gerichter. Het systeem geeft aan waar en wanneer het risico op een misdaad groot is, maar schrijft niet voor wat de agenten moeten doen. Ga je er bijvoorbeeld naartoe, of hang je camera?s op? De leidinggevende bepaalt altijd al waar de agenten naartoe gaan. Die beslissing is nu deels gebaseerd op de risicobepaling van CAS.?

Werkt het systeem goed?

?De ervaringen in Amsterdam zijn positief, maar wetenschappelijk onderbouwde resultaten zijn er nog niet. We weten dus niet met welk percentage de misdaad is gedaald door dit systeem.?

Welke data gebruikt de politie bij Predictive Policing?

“Ze gebruiken de misdaadgegevens van de politie zelf, in combinatie met andere data. Denk aan de evenementenkalender of de weersvoorspellingen. Is het druk in de binnenstad? Doen mensen hun ramen open? Ook de woonplaats van veelplegers wordt erin meegenomen, want binnen een straal van twee kilometer rondom hun woning is de kans groot dat er iets gebeurt. CAS gebruikt nu al meer dan honderd soorten data.?

Hoe meer data ze gebruiken, des te beter de voorspelling?

?Dat is maar de vraag. Je zou bijvoorbeeld sociale media kunnen gebruiken om de meest actuele gegevens in je rekenmodel te stoppen. Bij TNO denken we echter dat het gebruik van nog meer gegevens op een zeker moment alleen zorgt voor optimalisatie in de marge. De opbrengst wordt steeds kleiner. Er bestaat bovendien een risico dat de politie zelf het zicht verliest op het model: hoe meer data je gebruikt, des te complexer worden de berekeningen. Willen we een situatie, waarin de politie zelf geen idee meer heeft waarom het systeem een locatie als risicovol aanwijst??CAS richt zich vooral op inbraken en zakkenrollen.

Het huidige systeem benut ook de adressen van veelplegers. Dat doet het op een schaal van 500 tot 1000 meter. Daar kun je ethisch gezien nog wel het nodige van vinden, zegt De Vries. “Zeker als die mensen hun straf al hebben uitgezeten.”

Komt er een uitbreiding naar andere criminaliteit?

?Zo?n uitbreiding kan zeker, maar is complex en vereist dat je fors inzet op data science. Het is de vraag of de politie hiervoor het geld en de expertise heeft.?

Ook is er volgens De Vries niet genoeg duidelijk over het ‘waterbed-effect’. Dus of criminaliteit zich door de extra controles in de rode vakjes niet simpelweg naar andere gebieden verplaatsen. ?”Mij valt op dat sommige burgemeesters daar erg simpel in zijn. Die denken: zolang de inbraak niet in mijn stad is, is dat veiligheidsprobleem opgelost.”

Werkt Predictive Policing altijd beter dan de intu?tie van een agent?

?De software bevat het collectieve geheugen van de politie, dat is meer dan het individu kan onthouden. Maar er kleven ook risico?s aan het gebruik van wiskundige modellen. Zo kan er een tunnelvisie ontstaan, doordat de software zich baseert op data uit het verleden. Als het systeem agenten een wijk in stuurt, zullen deze in veel gevallen wel wat vinden. Als het systeem vervolgens redeneert dat het risico in die wijk groter is dan elders, stuurt het de agenten er nogmaals heen. Zo kan onterecht het idee ontstaan dat die wijk crimineler is dan andere wijken. Die versterkende redeneringsloop kun je onder andere doorbreken door agenten af en toe willekeurig een wijk in te sturen.”

?De software bevat het collectieve geheugen van de politie, dat is meer dan het individu kan onthouden?

Critici van Predictive Policing zijn bang dat onterecht mensen op worden gepakt. Is die angst terecht?

?Een veel gebruikt voorbeeld is dat iemand ten onrechte wordt aangehouden, omdat hij ?s nachts toevallig met een schroevendraaier rondloopt over straat. Ook ?racial profiling? kan het systeem insluipen: mechanismen, waardoor mensen met een etnische achtergrond vaker worden aangehouden. Stel bijvoorbeeld dat de eerder genoemde wijk toevallig erg multicultureel is. Je moet je bewust zijn van de data het systeem ingaan en welke juist ontbreken. Eigenlijk zou een onafhankelijke ethische ICT-commissie het systeem moeten toetsen.?

Prescriptive Policing zou de volgende stap kunnen zijn. Wat houdt dat in?

?Predictive Policing zegt alleen op welk moment je waar moet zijn. Prescriptive Policing voorspelt welke maatregel het meest effectief is gebleken in die context. Het politiesysteem bevat een schat aan gegevens die nu onbenut blijft. Met smartphones kun je bijvoorbeeld meten waar agenten geweest zijn en wat ze gedaan hebben. Welk effect heeft dat gehad??

Is de politie hier klaar voor?

?De Nederlandse politieleiding stuurt nu juist erg aan op professionele vrijheid van de agenten. Als die vrijheid wordt ingeperkt door software, zal dat lastig te accepteren zijn. Bovendien is er een enorme allergie voor cijfers: een kopje koffie drinken in een buurthuis is niet in cijfers uit te drukken, toch kan het enorm nuttig zijn. Het is heel belangrijk dat agenten en leidinggevenden de toegevoegde waarde van het systeem zelf gaan ervaren. Die mindset is nog belangrijker dan de dataset.?

Is het nog een optie om deze technologie?n links te laten liggen?

?Gezien de effici?ntie van de bedrijfsvoering ligt het voor de hand om toch op predictive en prescriptive policing in te zetten. De politie weet momenteel niet wat allerlei interventies opleveren. Zowel de politiek als de samenleving verwacht dat resultaten aantoonbaar gehaald zijn. En de politie moet steeds meer doen met minder. Deze technologie stelt je daartoe in staat. Wat ook sterk meespeelt, is dat het bedrijfsleven deze systemen wel heel snel accepteert. De beveiliging van steeds meer openbare ruimten, zoals voetbalstadions, bedrijventerreinen en pompstations, raakt geprivatiseerd. Dat kan ertoe leiden dat de politie straks wordt verdrongen door technieken die veel effectiever werken.?

Tien mythen over predictive policing

  1. Crimineel gedrag is niet te voorspellen?
    Criminelen zijn vaak net zulke gewoontedieren als andere mensen. Na een succesvolle woninginbraak zijn ze bijvoorbeeld geneigd het in een vergelijkbare woning in dezelfde omgeving nog eens te proberen. Dergelijke patronen maken woninginbraak redelijk voorspelbaar.
  2. Robots zullen agenten vervangen
    Predictive policing maakt gebruik van algoritmes om agenten te helpen misdaden te voorkomen. De agenten worden niet vervangen door machines, hoewel hun rol kan veranderen.
  3. Met predictive policing maken boeven geen kans meer
    Het algoritme van Predictive Policing wijst plaatsen aan op de kaart: hier is de kans op een misdaad hoog. Welke actie de politie vervolgens het best kan ondernemen, is vaak minder duidelijk. Nieuwe analyses van veel cases (big data) kunnen inzicht geven in de effectiviteit van verschillende maatregelen, want boeven blijven creatief.
  4. Voor een goede voorspelling zijn data nodig van iedereen
    De politie analyseert al jarenlang processen verbaal om inzicht te krijgen in misdaadnetwerken. Predictive Policing doet dit ook, maar koppelt meer gegevens in tijd en plaats. Het is niet nodig gebleken om van alle burgers data te verzamelen om te voorspellen op welke plaatsen het risico op een misdaad groot is.
  5. Predictive Policing is een gedachtenpolitie die je oppakt voordat je iets doet
    Met Predictive Policing wil de politie misdrijven voorkomen door op tijd actie te ondernemen. Dat wil niet zeggen dat onschuldige burgers worden opgepakt voordat ze iets hebben gedaan. Wel is het belangrijk dat Predictive Policing zich baseert op data die onbevooroordeeld en controleerbaar zijn.
  6. Predictive Policing helpt misdaad de maatschappij uit
    Predictive Policing biedt geen oplossing voor alle soorten misdaad. Risico?s, veiligheid en politiewerk zijn niet volledig uit te drukken in cijfers, waardoor computermodellen soms tekortschieten. De menselijke benadering van de agent blijft belangrijk en misdaad zal altijd blijven bestaan.
  7. Gezond verstand van de wijkagent is altijd beter dan een stukje software
    ?Gezond verstand? bevat vaak meer vooroordelen dan software gebaseerd op objectieve statistische modellen. Het is wel belangrijk dat de modellen zelf niet onbedoeld bevooroordeeld zijn. Predictive Policing werkt ter aanvulling van gezond agentenverstand.
  8. Predictive Policing is oude wijn in nieuwe zakken
    Vroeger gebruikte de politie prikborden met een regiokaart om de criminele ?hotspots? aan te geven, uitgaande van misdaadcijfers uit het verleden. Predictive Policing doet hetzelfde, maar op digitale kaarten die de toekomst tonen. Er worden ook veel meer gegevens aan elkaar gekoppeld. Het is dus eerder nieuwe wijn in oude zakken.
  9. Predictive Policing is plug & play
    Predictive Policing lijkt zo simpel: je haalt de criminaliteitsgegevens door een computer en?er rolt een kaart met rode vakjes uit. Organisatorisch vereist de toepassing echter een cultuurverandering. De agenten moeten hun denk- en werkwijze aanpassen.
  10. Agenten laten zich niet sturen door een algoritme
    Wanneer agenten zelf ervaren dat Predictive Policing een meerwaarde heeft, zullen ze de technologie eerder accepteren.

Bronnen: TNO Time, NOSop3, BNR, De Correspondent

Maatschappelijke ontwikkelingen en hun implicaties voor Gebiedsgebonden politiewerk: Een verkenning

Geef een reactie

Bij Gebiedsgebonden Politiewerk (GGP) is het politiewerk ingebed in de samenleving. Kernbegrippen zijn: dichtbij georganiseerd, kennen en gekend worden, werken aan een breed scala van veiligheidsproblemen, zowel reactief, preventief als proactief optreden, samenwerking met uiteenlopende andere partijen en betrokkenheid van burgers. Het Ministerie van Veiligheid en Justitie heeft onderzoek laten doen naar de invloed van maatschappelijke ontwikkelingen op GGP en, indien nodig, hoe deze verder geprofessionaliseerd zou kunnen worden. De meest in het oog springende ontwikkelingen die van invloed zijn op het werk van de politie en het gebiedsgebonden werk daarbinnen zijn:

  • Decentralisaties in het sociaal domein;
  • Digitalisering inclusief sociaal media;
  • Demografische ontwikkelingen, migratie en vluchtelingen;
  • Radicalisering, terrorisme en terreurdreiging;
  • Internationalisering van misdaad en ondermijnende criminaliteit;
  • Groei van toerisme, evenementen en horeca.

In deze rapportage worden de resultaten van het onderzoek beschreven. Per gesignaleerde maatschappelijke ontwikkeling worden de implicaties voor het gebiedsgebonden politiewerk en de daarmee samenhangende mogelijke professionaliseringsnoodzaak geschetst.

Digitalisering en sociale media be?nvloeden het GGP. Daarbij gaat het om de organisatie van het politiewerk, de communicatie onderling en met burgers, omgaan met de berichten en beelden die op internet circuleren en het benutten van data ten behoeve van de optimalisering van het gebiedsgebonden politiewerk. De digitale mogelijkheden hebben direct betrekking op de kern van GGP, namelijk dicht bij de burger staan, weten wat er speelt, tijdig signalen opvangen waarop reacties nodig zijn en in direct contact staan met andere betrokkenen. Goed omgaan met digitale mogelijkheden verhoogt de efficiency en de effectiviteit van GGP. De ontwikkelingen in digitalisering en sociale media stellen aan de politie permanent nieuwe eisen die vragen om competenties in het bijzonder op de volgende terreinen:

  • Effectieve informatie en communicatie via gangbare en aan populariteit winnende sociale media;
  • Kennis van bestaande en nieuwe vormen van cybercrime en de wijze waarop die zich bij de bewoners van de wijken manifesteren;
  • Effectief sociale netwerken opbouwen, onderhouden en benutten;
  • Inwinnen, verwerken, opslaan en analyseren van data ten behoeve van de optimalisering van het GGP; ? omgaan met digitale financi?le administratieve en operationele tools ter ondersteuning van het politiewerk.

[slideshare id=75598435&doc=maatschappelijkeontwikkelingenenhunimplicatiesvoorggp-170502121238&type=d]

Bronnen: WODC

White Collar Crime Risk Zones

Geef een reactie

White Collar Crime Risk Zones gebruikt voorspellende algoritmen om financi?le misdaden in (nu nog alleen) de VS op de kaart te zetten.

Financi?le criminaliteit is een vaak verborgen vorm van (witteboorden)criminaliteit. De huidige predictive policing systemen richten zich dan ook vooral op ‘street crime’, de zichtbare misdaad op straat zoals woninginbraken of zakkenrollen. Als research project is de White Collar Crime Risk Zones?kaart openbaar gemaakt en gelanceerd vanuit een onderzoek naar een White Collar Crime Early Warning System (WCCEWS) dat vroegtijdig kan?waarschuwen voor financi?le misdaden en dus preventief benut kan worden.

WCCRZ

De NYPD, ofwel de New York Police Department, gebruikt al een een tijd predictive policing systemen, zoals nu die van ?Compstat 2.0, en als je daarin de kaarten bekijkt zou je denken dat er in Wall Street alleen maak keurige burgers zijn. Tuurlijk, er zijn een paar kleine misdaadvormen te vinden op de hoeken waar winkels staan. Maar geen fraude, geen belastingontduiking, geen marktmanipulatie, onderhandse handel, namaak of discriminatie. Zo lijkt. Want je moet door een andere bril kijken met een ander systeem. Dat systeem wordt nu ontwikkelt door onderzoekers die er meteen een app en website van maakten waarin precies te zien is in welke wijken financi?le criminelen te vinden zouden moeten zijn, hoeveel schade die veroorzaken en zelfs hoe ze eruit kunnen zien (zie onderstaand scherm). De kaart gebruikt data van de?Regulerende Autoriteit Financi?le Industrie (FIRA) en samen met techneuten van het?tijdschrift New Inquiry?werd er?een open source tool gemaakt die iedereen kan raadplegen voor zijn eigen woonomgeving.
De app bevat talrijke gegevens over financi?le misdrijven en waar ze zich voordoen, welke?bedrijven dat zijn, het criminaliteitssoort en de ernst van de schade. Bron: WCCRZ

De app is de zoveelste in een rij van toepassingen op het gebied van?”predictive policing” apps – tools die door de politie gebruikt worden om uit te zoeken waar misdaad waarschijnlijk zal optreden, zodat politiehoofden weten welke wijken meer aandacht nodig hebben. Kritiek is er ook, omdat deze systemen gebruik maken van historische gegevens waarmee eventuele vooroordelen in het politiegedrag, waaronder raciale vooroordelen, bevestigt en versterkt kunnen worden door deze misdaadvoorspellende algoritmen.

“Het is waar?dat al die systemen gebruik maken van datasets die?vooroordelen alleen maar kunnen versterken.” zegt Sam Lavigne, technoloog en speciale projectredacteur van New Quest, die bijdroeg aan de ontwikkeling van?WCCRZ, “En de politie-korpsen die er gebruik van maken werken veinzen?objectiviteit.”

Daarom heeft het WCCRZ team een?”Most Likely Suspect” -functie ingebouwd?waarbij de LinkedIn-profielen van topmanagers in dat gebied worden doorzocht om een ??gezichtsgemiddelde te maken. De app plakt op elke misdaadvorm een nieuw gezicht: duizenden door algoritmes gegenereerde, meestal blanke fraudeurs. Deze app probeert dus ook een politiek standpunt te maken, namelijk dat?criminaliteit meer kleuren kent dan alleen het typische beeld van zwarte, arme en onopgeleide daders. Er zijn veel apps volgens hen, zoals?SketchFactor die onlangs nog onder vuur lag, die rassendiscriminatie en ‘ racial profiling’ alleen maar in de hand werken.

New York City’s financi?le district is een epicentrum van witteboordencriminaliteit in de Verenigde Staten, maar aanklagers worden vaak zwaar onder druk gezet en er zijn volgens WCCRZ daarom weinig bankiers in de gevangenis. Bron foto: Getty

We krijgen nu een heel ander beeld van wat ‘slechte buurten’ zijn volgens Lavigne. De WCCRZ wil mensen een melding geven en het equivalent?zoeken voor de ‘broken windows theorie’ die in veel wijken gehanteerd wordt om te bepalen hoe criminaliteit voedingsbodem krijgt.

Bronnen: Mic

[slideshare id=75430834&doc=predictingfinancialcrime-augmentingthepredictivepolicingarsenal-170426140910&type=d]