Tagarchief: predictive

QUIN helpt opsporingsteam in ?Hunted?

Het tweede seizoen van tv-programma Hunted gaat maandag 6 november van start, bij AvroTros op NPO3. In dit programma proberen veertien deelnemers, de ?voortvluchtigen?, 21 dagen lang uit handen te blijven van een team van professionele opsporingsexperts. Deze ?hunters? worden dit seizoen ondersteund door QUIN, een voorspelmodel voor voortvluchtigen ontwikkeld door TNO.

QUIN ? een afkorting van Question & Investigate ? is het geesteskind van Selmar Smit, onderzoeker artificial intelligence. De software is in samenwerking met de Nationale Politie ontwikkeld met als doel de leeslast voor analisten in liquidatiezaken te verkleinen. ?We hebben de naam QUIN niet voor niets gekozen. De software is vergelijkbaar met het personage Mr. Quin uit de Agatha Christie-boeken, een mystiek individu dat komt en gaat en de hoofdinspecteur in het oor fluistert ?heb je daar wel aan gedacht?? Onze QUIN is een systeem dat gebaseerd is op het feit dat je een misdaad maar op een aantal manieren kunt begaan. Elke misdaad lijkt op een andere misdaad. Dat maakt dat je kunt inschatten wat een verdachte mogelijk gaat doen. QUIN kan analisten helpen om beschikbare data te verwerken en volgende stappen van verdachten te voorspellen?, legt Smit uit.

Hoe werkt het?

Op basis van gegevens die bekend zijn van een huidige casus en dezelfde informatie van oude zaken, kan QUIN voorspellingen doen. Denk aan persoonsgegevens, aan de casus gerelateerde gebeurtenissen zoals tijdstippen, locaties en vervoersmiddelen, en woonplaatsen van familie en vrienden. Smit: ?QUIN berekent de afstanden tussen twee casussen, het model vergelijkt verschillende zaken die op elkaar lijken. En kan aan de hand daarvan voorspellingen doen over waar een verdachte zich bevindt of zal gaan slapen. QUIN kan bijvoorbeeld uitspraken doen over of een verdachte waarschijnlijk in een hotel, bij vrienden of ergens anders zal gaan slapen en inschatten hoe groot de kans is dat diegene nog op een al bekende plek zit.?

Hunted als validatie

Het valideren van de effectiviteit van de ontwikkelde tool is echter lastig zonder toegang tot gevoelige data van (lopende) onderzoeken. ?En logischerwijs krijg je geen toegang tot politiedata zonder indicatie van de effectiviteit en je wil ook een lopend onderzoek niet verstoren met eventueel foutieve inlichtingen. Deelname aan het programma?Hunted?leek ons dan ook een mooie manier om deze vicieuze cirkel te doorbreken. Er is geen sprake van gevoelige data maar wel (enigszins) realistische scenario?s. We hebben contact opgenomen met de productieleider en gelukkig waren ze enthousiast. We hebben QUIN beschikbaar gesteld aan het opsporingsteam en ik ben zelf als analist aan het team toegevoegd. Het was hartstikke leuk om drie?nhalve week mee te draaien binnen het opsporingsteam. Een mooie ervaring en natuurlijk heel anders dan je normale dagelijkse werkzaamheden?, vertelt Smit.

Goede voorspellingen

Ter voorbereiding zijn alle data van eerdere seizoenen van?Hunted, ook uit het buitenland, verzameld en ingevoerd in QUIN om zo te zien hoe deze voortvluchtigen ? het zijn natuurlijk geen echte voortvluchtigen ? zich gedragen. Bovendien is voor het programma een gelikte interface gebouwd. ?Tijdens de opnames van het nieuwe seizoen hebben we gezien dat QUIN een aantal keer goede voorspellingen heeft gedaan. De tool lijkt dus echt te werken!?, aldus Smit.

Het ontwikkelen van QUIN is natuurlijk een team effort geweest. ?Ik ben zichtbaar op tv, maar er staat een heel team achter me dat QUIN heeft ontwikkeld en gebouwd.?

Pilot

De politie heeft interesse in verdere samenwerking, mogelijk wordt er binnenkort een pilot met QUIN uitgevoerd. ?Met software als QUIN kunnen we de politie helpen te doen waar ze goed in zijn: boeven vangen. Deze tool is bovendien mogelijk ook interessant voor andere veiligheidsorganisaties en -diensten?, benadrukt Smit.

?Het werk van de veiligheidsdiensten wordt de komende jaren steeds meer gedreven door informatie en technologie?, vult Krishna Taneja, directeur National Security TNO, aan. ?Online en via bijvoorbeeld smartphones en auto?s wordt meer data verzameld dan het menselijk brein kan verwerken en analyseren. TNO probeert hiervoor oplossingen te vinden in nauwe samenwerking met de veiligheidsdiensten en het bedrijfsleven. QUIN is hier een voorbeeld van en blijkt in de testfase ook de stap te kunnen zetten van ruwe data naar voorspellingen. Dit is de opmaat naar een fundamenteel andere werkwijze in het veld van data-analyse en predictie.?

?I have a certain friend ? his name is Mr Quin, and he can best be described in terms of catalysis. His presence is a sign that things are going to happen, because when he is there strange revelations come to light, discoveries are made.? Agatha Christie – The Mysterious Mr Quin

Bronnen: Hunted, TNO

Algoritme als agent

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: PreMap

Kun je inbraken voorspellen en daders vaker op heterdaad betrappen? De politie in de Duitse deelstaat Niedersachsen denkt dat het mogelijk is met een slimme app die informatie over inbraken analyseert en herhalingsrisico inschat. De deelstaat Niedersachsen grenst aan de provincies Groningen en Drenthe. Als het aan de Duitse politie ligt wordt er op korte termijn samengewerkt met de collega?s in Nederland.

Politie-agenten kunnen tijdens hun surveillance met de app zien waar zich inbraakgevoelige buurten bevinden. Het ziet er ongeveer zo uit als de app buienradar waarop je aan de hand van rode of zwarte wolken slecht weer op je af ziet komen. Op de display van de inbrekerradar zien agenten de inbraken die de afgelopen 24 uur zijn geregistreerd. Ze kunnen hun surveillance dan in die omgeving plannen. De app bezorgt de agenten aansluitend alle informatie over inbraken die de afgelopen maand hebben plaatsgevonden.

De Duitse politie experimenteert sinds begin februari in de omgeving van Wolfsburg met de zelfontwikkelde app PreMap. Wereldwijde ervaring leert dat inbrekers vaak binnen 72 uur na een inbraak nogmaals toeslaan in een straal van 500 meter rond dezelfde omgeving. Internationaal wordt dat ?Repeat-Near-Victimisation? genoemd.

Agenten hoeven dankzij deze app niet meer surveillances te draaien op basis van onderbuikgevoelens of routine. De app helpt efficient en doelgericht te werken. In principe zouden inbrekers vaker op heterdaad betrapt kunnen worden. Maar dat is niet het doel van de app. De Duitse politie denkt dat de app gaat helpen inbraken te voorkomen.

De eerste ervaringen met de app zijn positief. Sinds februari maken 250 agenten gebruik van de slimme software. De feedback is volgens het Landeskriminalamt (LKA) Niedersachsen zonder meer positief.

Elders in Duitsland lopen nog twee vergelijkbare projecten. In Nordrhein-Westfalen en Baden-W?rttemberg wordt getest met commerciele software. In Bayern heeft de politie een test met commerciele software inmiddels succesvol afgesloten en wordt de software nu definitief ingezet bij surveillances.

Niedersachsen heeft bewust voor een eigen project gekozen waarvoor 100.000 Euro is uitgetrokken. Volgens de politie in Niedersachsen is het voordeel dat de eigen informatietechnici de eigen software voortdurend snel zelf kunnen verbeteren. In Niedersachsen werden in 2016 minder inbraken geregistreerd. Net als in andere Duitse Bundesl?ndern en in Nederland lijkt het alsof het aantal inbraken de laatste jaren afneemt. Volgens de Duitse politie is het probleem echter niet kleiner geworden.

Kan het publiek straks net als de politie de app gaan gebruiken zoals nu gebeurt met buienradar? De kans dat de politie de informatie met het publiek gaat delen is klein. Het gaat om gevoelige informatie die ook voor onrust kan zorgen. De proef met de PreMap inbrekersradar wordt in augustus afgesloten.

Bronnen:?Welt, GertBrouwer

App: HART – Harm Assessment Risk Tool

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

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

Rellen voorspellen via Twitter?

Engelse onderzoekers van de universiteit in Cardiff schrijven in ACM Transactions on Internet Technology (maart 2017) over hun pogingen om op basis van tweets te voorspellen wanneer en waar er rellen uitbreken. Bij veel van die rellen is achteraf vaak gemakkelijk vast te stellen wat er allemaal op sociale media over gepost is, dat is allemaal te monitoren en bij te houden. Maar een ?end-to-end integrated event detection framework? om gebeurtenissen te detecteren, liefst ?mogelijk ontwrichtende??

De wetenschappers onderzochten vooral tweets voorafgaande aan de Londense rellen van augustus 2011 en concluderen op basis daarvan dat ?our system can perform as well as terrestrial sources, and even better in some cases?. Een veelbelovende uitspraak waar we meer over willen weten.

In de afgelopen jaren is er toegenomen interesse in het detecteren van gebeurtenissen met behulp van publiek toegankelijke gegevens (open source) op het internet, zoals Twitter, Facebook en YouTube. Het publiek plaatst op deze platformen?real-time reacties op gebeurtenissen in de ?echte wereld?, waardoor ze sociale sensoren worden van echte gebeurtenissen (met onder andere?’facts &?feelings‘). Automatisch te detecteren en categoriseren gebeurtenissen, zoals?kleinschalige incidenten, is een niet-triviale taak. Maar het is van zeer grote waarde voor diensten die de openbare veiligheid moeten bewaken, zoals de lokale politie.

Om dit verder te onderzoeken gebruikten de onderzoekers van Cardiff een?eventdetectie raamwerk dat vijf hoofdcomponenten omvat: het verzamelen van gegevens, pre-processing, classificatie, online clustering en samenvatten. De integratie van classificatie en clustering zorgt ervoor dat gebeurtenissen worden gedetecteerd en verwante (kleinere) incidenten die sociale veiligheid bedreigen of kunnen sociale orde verstoren groepeert. Ze evalueerden het concept met een verscheidenheid aan functies die werden afgeleid van Twitter-berichten, namelijk tijd, ruimte, en tekstuele inhoud. ?Ze gebruikten parameters die werden opgebouwd (zgn ground truth) op basis van inlichtingen van?de London Metropolitan Police, die een lijst had met daadwerkelijke gebeurtenissen en incidenten tijdens die rellen, en laten zien dat het systeem de gebeurtenissen op social media allemaal kan vinden, in sommige gevallen zelfs beter dan wat de politie had geregistreerd.

Het idee dat sociale media, zoals Twitter, de toekomst zouden kunnen voorspellen heeft een controversi?le voorgeschiedenis. In de afgelopen jaren hebben verschillende groepen beweerd dat ze alles kunnen voorspellen, vari?rend van de uitslag van de verkiezingen tot de omzet van?nieuwe films in de bioscoop. Er is dan ook zeker wat af te dingen op deze digitale glazen bollen. Daarom is het interessant te zien hoe dit nieuwe onderzoek stand houdt.

Ook onderzoeker?Nathan Kallus van het MIT, het?Massachusetts Institute of Technology, uit Cambridge claimt dat hij een manier heeft ontwikkeld om gedrag van het publiek bij bijeenkomsten kan?voorspellen met behulp van uitingen op Twitter. Hij heeft een analyse gedaan op de staatsgreep in Egypte uit?2013 en zegt dat de burgeroorlog in verband met dit evenement duidelijk voorspelbaar was.

Het is op zich logisch dat er indicatoren te vinden zijn op social media over toekomstig voorgenomen gedrag van menigten. Mensen plaatsen vaak hun plannen vooraf om te ontmoeten en hun acties?te co?rdineren met behulp van sociale media.?Het is eerder zaak de juiste indicatoren uit het grote publieksgedrag eruit te vissen.?Kallus zegt dat dit mogelijk is door eerst de tweets te vinden over?toekomstige gebeurtenissen en deze vervolgens te vergelijken met trendanalyses die daarmee samenhangen. “Het ontstaan van menigten kun je zien aankomen door?trends in social media gegevens,” zegt hij. Recorded Future, gevestigd in Cambridge, is het bedrijf dat dergelijke gegevens voor hem beschikbaar kon stellen. Zij zoeken in 300.000 verschillende online bronnen in zeven verschillende talen over de hele wereld.?Kallus gebruikte deze gegevens om?protesten te voorspellen. “We kwamen erachter dat de massale informatie een voorspeller kan zijn voor toekomstige protesten van?menigten,” zegt hij. Kallus definieert een belangrijk protest als iets dat veel meer media aandacht genereert dan normaal. Hij analyseert vervolgens de media aandacht?om te zien wanneer de?protesten eigenlijk plaatsvinden en zoekt naar Twitter activiteiten die voorafgegaan zijn aan die protesten. Zo zoekt hij?voorspellende indicatoren, om hiermee vervolgens te zoeken naar?soortgelijke activiteiten om te bezien of er voorspellende waarde vanuit kan gaan. Op deze manier ontstaat er een lerende machine die steeds betere voorspellingen kan doen.

Toch nuanceert hij in zijn onderzoek nog weinig. Want we zijn er natuurlijk nog lang niet met goede voorspellingen. Zo is het nu wel mogelijk gebleken om Twitter activiteit te correleren aan echte protesten, maar het is ook nodig om valse positieven uit te sluiten. Er kunnen significante Twitter trends zijn die niet leiden tot protesten.?Dan is er de vraag of tweets betrouwbaar zijn. Bij grote bewegingen met (inter)nationale gevolgen zien steeds meer propaganda, geruchten en ironie?in de berichtgeving. Hoe ga je om met deze toenemende ruis en volumes? Ook de vraag of de gegevens wel representatief zijn voor de gehele bevolking blijft in zijn onderzoek onbeantwoord. Tenslotte is er nog de?aard van de voorspelling. Mooi dat je voorspellingen kan doen met terugwerkende kracht, maar hoe blijf je voorspellen in het social media landschap dat continu aan verandering onderhevig is?

[slideshare id=75178359&doc=canwepredictariot-disruptiveeventdetectionusingtwitter-170419121908&type=d]

[slideshare id=31384853&doc=predictingcrowdbehaviorwithbigpublicdata-140219070751-phpapp01&type=d]

Bronnen: Charged Affairs, LinkedIn, ScienceMagazine,?Predicting Crowd Behavior with Big Public Data

Geen nieuwe Project X door slimme inzet mens en techniek

Door?, Fast Moving Targets?en eerder geplaatst op MarketingFacts

De politie is in de kern een informatiefabriek. En waar die informatie vroeger handmatig werd verzameld, vastgelegd en geanalyseerd, gaat dat tegenwoordig meer en meer met behulp van computers. Big data, artificial intelligence en crowdsourcing zijn niet meer weg te denken.?Frank Smilda, sectorhoofd regionale informatieverzameling, constateert drie grote veranderingen: de impact van het web, de rekenkracht van computers en de snelheid van informatie.

Een paar jaar terug, in 2012, ging het nog goed mis met de inschatting van de kracht van het web. Een op Facebook openbaar aangekondigd feestje in Haren bracht meer dan 5000?mensen op de been. Burgemeester en politie werden totaal overvallen door de opkomst. Vandaag de dag zou dat veel lastiger zijn. Het web wordt 24 uur per dag?gemonitord. Bij verdachte activiteiten wordt die informatie direct gedeeld met de politie ter plekke.

?Wanneer je iets virtueel ziet wat?impact kan hebben op de fysieke wereld, maak je heel snel de koppeling met de wijkagent die direct op pad gaat en gaat onderzoeken wat er aan de hand is. Dat gaat nu veel sneller dan in 2012. Er zijn daarna nog veel Project X-achtige aankondigingen geweest en die hebben we allemaal in de kiem kunnen smoren.”

?In de grote steden kunnen we nu al ? van de woninginbraken voorspellen?

De komst van ??n nationale politie is voor het verzamelen en delen van informatie van enorme waarde. ?We hadden altijd 25 regio?s en moesten dus op 25 manieren in systemen kijken. Er is nu ??n systeem. We kunnen in ??n systeem alle vragen stellen en antwoorden ophalen. Dat is ongekend, dat hebben we in Nederland nog nooit gehad. We kunnen er ook allerlei analyses op los laten. Stel: er vindt een overval plaats en het signalement luidt: rood petje, zwarte Audi, groene jas. Dan krijg je wanneer je in het nationale systeem kijkt, met de snelheid van Google, antwoord. Dat is de wereld waar we in leven. Dat kun je direct koppelen aan social media, maar ook aan andere antecedenten.?

Op dit moment werken 3300 mensen in de politie intelligence, zo?n 5 procent van de totale politiecapaciteit.

Door middel van data science software kunnen in luttele seconden analyses worden gemaakt. Het gaat zelfs zo ver dat er ook voorspellingen van misdaad kunnen worden gegeven. ?We kunnen vrij goed voorspellen waar in grote steden bijvoorbeeld woninginbraken of straatroven zullen gaan plaatsvinden. Per wijk, per straat, in de ochtenddienst of in de late dienst. Het begon met heatmaps, de historie en nu koppelen we daar voorspellingen aan. Daar heb je wel veel data voor nodig. In de grote steden kunnen we nu al een derde van de woninginbraken voorspellen. Daar kun je dan weer intelligent je inzet van blauw op plegen.?

Daarmee volgt de politie de trend in de zorg: voorkomen in plaats van genezen. ?Natuurlijk mensen zullen altijd ziek worden en misdaad blijft bestaan, maar er is zoveel meer intelligentie mogelijk met big data, slimme software en mensen om daar verbetering in te brengen.?

?Wet- en regelgeving loopt achter?

De praktijk leert dat veel organisaties problemen hebben met technische ontwikkelingen. En ook binnen de politie zijn er ongetwijfeld agenten te vinden die menen dat er niks boven het oude handwerk gaat. Maar tegelijkertijd biedt de organisatie veel ruimte voor experimenteren en vernieuwen.

?De wet- en regelgeving loopt natuurlijk achter, maar met rugdekking en wat budget kan je veel. Zelf heb ik bijvoorbeeld ge?xperimenteerd met het online zetten van een moordzaak naar aanleiding van het boek over de wisdom of the crowd. Ik dacht: er is veel interesse in dat soort type zaken, waarom zou je het niet online brengen? In het begin was er veel twijfel. We zijn toch begonnen met een cold case en we hebben het publiek gevraagd mee te denken. Dan zie je een hele nieuwe dynamiek ontstaan. Nu begint dat veel normaler te worden. We moeten dan wel het hele spel opnieuw leren.?

In Noord-Nederland, de regio waar Smilda werkzaam is, werd onlangs een zogenaamde innovatie-expeditie gestart. ?We kregen allerlei innovatietools aangereikt binnen ons team en daar zijn vier hele interessante initiatieven uit tevoorschijn gekomen.?

Bijvoorbeeld een app die gebruikt kan worden bij de 40.000 jaarlijkse vermissingen die Nederland telt. De app, nu nog in ontwikkeling, maakt optimaal gebruik van de inzet van burgers. ?Het?legt een raster over een geografisch gebied en dan kun je met bewoners die mee helpen zoeken afspreken in welk?raster zij zoeken. Als ze iets zien of vinden vullen ze dat in binnen?de app. Dan verwerken wij dat weer met onze politie informatie. Het klinkt logisch, maar dat is er nog niet.?

Het veronderstelt ook een andere manier van werken. De politie moet kennis delen en verder durven los laten. ?Dat is wel het leuke van de politieorganisatie: als je dit soort idee?n hebt, krijg je de ruimte om te pitchen en geld bij elkaar te brengen om kennis en kunde te bundelen.?

Bronnen: Marketingfacts

Informatiegestuurd politiewerk in de praktijk

igp

De politie staat met informatiegestuurd werken op een keerpunt: van informatiegestuurd politiewerk naar politiewerk in een informatie(gestuurde) maatschappij. De afgelopen jaren is er veel tot ontwikkeling gekomen. Wie had bijvoorbeeld bij de start van het lectoraat intelligence, zeven jaar geleden, voor mogelijk gehouden dat de politie op straat real-time toegang heeft tot gegevens uit verschillende systemen? Wie kon toen vermoeden dat de politie met een druk op de knop alle incidenten in de wijk van de afgelopen week op een kaart te zien krijgt? Wie had gedacht dat de politie de kans op veelvoorkomende criminaliteit redelijk kan berekenen? Hoewel er nog verbeteringen mogelijk en nodig zijn, is de politie er de afgelopen jaren in geslaagd het politiewerk meer informatiegestuurd te maken. Tegelijkertijd is dit slechts een eerste stap, de basis, op weg naar een effectieve en effici?nte politie in de informatiemaatschappij. Politiewerk in een informatiemaatschappij stelt andere eisen. Alles en iedereen genereert informatie, mensen en objecten hebben sensoren die voortdurend met internet verbonden zijn. Alles en iedereen is dus ook met elkaar verbonden. De genetwerkte samenleving is daardoor meer dan partners die samenwerken. Net zo goed als dat we zeven jaar geleden niet voor mogelijk konden houden waar we nu staan, kunnen we dat nu niet voor de komende zeven jaar. We kunnen wel, en moeten ook wel, net zoals zeven jaar geleden, stappen zetten met de kennis die we nu hebben over politiewerk en over de maatschappij.

Seminar politieacademie

Op woensdag 22 maart jl. werd een seminar georganiseerd waarin dit keerpunt in informatiegestuurd politiewerk centraal stond. Het keerpunt is beschreven in het boek ?Informatiegestuurd politiewerk in de praktijk? (zie hieronder). Dit boek werd tijdens het seminar gepresenteerd en aan alle deelnemers uitgereikt. Pieter-Jaap Aalbersberg, politiechef Eenheid Amsterdam en portefeuillehouder Intelligence, gaf?tijdens het seminar een beschouwing hierop. Mari?lle den Hengst, lector Intelligence aan de Politieacademie, gaf een overzicht van het keerpunt door de lessen uit zeven jaar onderzoek samen te vatten en te vertalen naar wat dat betekent voor informatiegestuurd politiewerk in de toekomst. Daarmee nam zij tevens afscheid als lector Intelligence. Hiermee markeert het seminar niet alleen een inhoudelijk keerpunt, maar ook een persoonlijk keerpunt voor haar.

Download of lees het hele boek hier online.

Bronnen: De 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

 

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.