In mei 2019 bepleitte minister Grapperhaus tijdens een evenement van het ministerie
van Justitie & Veiligheid om meer aan te sturen op informatievoorziening in de keten,
om samenwerking binnen het veiligheidsdomein te bevorderen. De ketensamenwerking
in de jeugdzorg kwam hier specifiek aan de orde in een aansluitend panel met Mariënne
Verhoef van SpiRit. Hierbij was de rol van data één van de hoofdthema’s. Voorkomen is
beter dan genezen en aangezien artificial intelligence (AI) steeds meer in staat lijkt te
zijn om voorspellingen over de toekomst te maken, lijkt het belang van data science en
het uitwisselen van informatie tussen ketenpartners ook steeds belangrijker. Aangezien
er middels analysemethoden als AI steeds meer mogelijkheden lijken te zijn om data
te gebruiken, rijst de vraag: wat is de huidige visie vanuit de jeugdzorg op de inzet van
AI ter preventie van (zware) jeugdzorgtrajecten? Wat zijn de uitdagingen van deze
toepassingen in de ketensamenwerking? Hoe zit het met privacyoverwegingen?
De oorsprong van criminaliteit verklaren vanuit de statistiek
In 1827 was het de Franse overheid die voor het eerst een rapport met criminaliteitscijfers
uitgaf. Dit rapport heette de Compte Général
1. Het publiceren van deze statistieken
luidde het begin van de positivistische criminologie in. Deze criminologische school
was voornamelijk gericht op het verklaren van de oorzaken van criminaliteit
2. Adolphe
Quetelet maakte in 1842 gretig gebruik van deze cijfers, ondanks de kwalitatieve
beperkingen van de statistieken. Hiermee werd hij één van de eersten die statistische
methoden toepaste op de sociale wetenschappen. Jeugdigheid en geslacht bleken
de twee belangrijkste predictors van criminaliteit. Waar de statistische analyse van
Quetelet beperkt bleef tot het vaststellen van de ratio tussen twee variabelen, is de
huidige maatschappij tegenwoordig echter aan het experimenteren met het inzetten
van AI om grote hoeveelheden variabelen en datapunten met elkaar in verband te
leggen. Het lijkt erop dat niet een individuele intelligentie, maar een kunstmatige
intelligentie de potentie heeft om de Quetelet van onze huidige tijdgeest te worden.
Huidige kennis over voorspellende factoren jeugdcriminaliteit
Quetelet schreef in 1842 al dat van alle factoren die een neiging naar criminaliteit zouden
voorspellen, de variabelen leeftijd en geslacht met stipt de meest voorspellende waarden
vertegenwoordigden. Verder bleek uit zijn statistische analyse dat de voorspellende
waarde van deze variabelen het sterkste was voor mannen tot de leeftijd van 25 jaar. Na
het bereiken van deze leeftijd zou volgens hem de ontwikkeling van het redenerende
vermogen een inhaalslag maken op de ontwikkeling van de fysieke kracht en emotie
3.
Bijna twee eeuwen verder sinds Quetelet zijn baanbrekende onderzoek publiceerde,
zijn er vandaag de dag nog veel parallellen te trekken met het verleden. Zo lijkt het haast
geen toeval dat Politie.nl (2020) jeugdcriminaliteit nog steeds definieert als strafbare
gedragingen, gepleegd door jongeren tot en met 24 jaar. Tevens blijkt uit recente literatuur
dat het effect van risicofactoren af zou nemen, naarmate de leeftijd toeneemt
3,4.
Het lijkt erop dat niet een individuele intelligentie, maar een kunstmatige intelligentie
de potentie heeft om de Quetelet van onze huidige tijdgeest te worden."
Gelukkig hebben we tegenwoordig wel beter zicht op wat deze risicofactoren daadwerkelijk
betekenen, dan enkel die van ‘statische factoren’, zoals leeftijd en geslacht. In de literatuur
zijn tal van contextuele en dynamische factoren te vinden die een verhoogde kans op
jeugddelinquentie zouden kunnen geven. Over het algemeen vallen ze onder te verdelen in
vijf domeinen: school, gezin, vrienden, alcohol/drugs en vrijetijdsbesteding
3. Met AI zouden
we meer inzicht kunnen krijgen op de invloed van deze contextuele en dynamische factoren.
Deze kennis is nuttig voor wetenschappers die zich richten op de jeugdzorg. Echter blijkt
het in de praktijk nog moeilijk om vroegtijdig te voorspellen welke jongeren crimineel
gedrag zullen gaan vertonen. Daarnaast blijft het lastig om in te schatten welke criminele
jongeren tevens crimineel gedrag zullen vertonen in de latere adolescentie
4. Dit gebrek
aan voorspellend vermogen lijkt dus een preventieve strategie ter bestrijding van zowel
jeugdcriminaliteit, als criminaliteit gepleegd door volwassenen, in de weg te staan.
Casus: Garage2020. Een voorbeeld van (keten-)samenwerking in de jeugdzorg en het
verkennen van AI.
Om beter te begrijpen hoe AI werkt in de praktijk hebben we
gesproken met deskundigen uit de branch. Garage2020
5 is een
voorbeeld van samenwerking binnen de jeugdzorg om door
middel van onder andere data science tot een verbetering
van de jeugdzorg te komen. De vestigingen van Garage2020
zijn autonome broedplaatsen. Per locatie wordt gewerkt aan
verschillende vraagstukken omtrent jeugdzorg, waarbij de
projectgroepen verschillen afhankelijk van het onderwerp. Denk
bijvoorbeeld aan een mix van projectleiders, designdenkers en
datascientists die hierbij zijn aangesloten.
Garage2020 probeert met een multidisciplinaire
benadering de jeugdzorg efficiënter in te richten
middels het gebruik van AI in hun processen."
Een voorbeeld van een project is ‘Extra Team-Lid’ in Amsterdam. Dit
project is bedoeld om de betrokken professionals te ondersteunen
bij het maken van keuzes, om passende hulp in te zetten voor
jongeren. Het gaat hier dus niet om analyses van risicofactoren,
maar om een ondersteuning bij het keuzeproces op basis van het
verleden van een jeugddelinquent. Dit product bestaat uit een
interactief ‘blokkenspel’waarbij het verleden van jeugdhulp van de
jongere in kwestie weergegeven wordt op een bord. Een foto van
het bord wordt geüpload naar de bijbehorende app. Vervolgens
worden uit de data mogelijke vervolgtrajecten van jeugdzorg
gehaald, die tenslotte worden weergegeven in de app. Zo kan
efficiënt en nauwkeurig een vervolgtraject gecalculeerd worden.
Uitdagingen en de zoektocht naar alternatieven
Roeland de Koning en Fokko Dijksterhuis stelden in de vorige
editie van Trends in Veiligheid dat het veiligheidsdomein meer
zou moeten experimenteren met de inzet van AI om de methode
verder te ontwikkelen
6. Initiatieven als Garage2020 zijn een
mooi voorbeeld hiervan. Echter benoemden zij ook een aantal
uitdagingen bij de implementatie van deze techniek.
Ten eerste geeft Garage2020 aan dat zij rondom 2017 een
verschuiving zien in het gebruik van de datasets, mede door
herinrichting van de jeugdzorg. De sets van voor die tijd zijn
makkelijker te gebruiken omdat die bepaalde categorieën van
jeugdzorg weergaven, die in latere datasets zijn losgelaten
vanwege een andere manier van sturen. De datasets anno
2020 zijn te beperkt om robuuste analyses uit op te maken.
Van jeugdhulpverleners wordt verder verwacht dat ze
maatwerkgericht en preventief werken. Hierom worden er
alternatieven van zware jeugdhulptrajecten aangeboden in
de app van Extra Team-lid, die aansporen om ‘outside the box’na te denken.
Niet alleen AI, maar outside-of-the-box denken is
belangrijk in de huidige, complexe datagedreven
samenleving."
Echter de grootste uitdaging die Garage2020 ziet is de
beperking vanuit privacywetgeving. Het koppelen van
datasets zou enorme inzichten kunnen bieden, maar daar durft
niemand zich echt aan te branden. De Algemene Verordening
Gegevensbescherming (AVG) stelt dat geautomatiseerde
besluitvorming, waaronder profilering, in combinatie met het
koppelen van datasets een hoog risico kan opleveren voor de
rechten en vrijheden van betrokkenen
7. Zo dient er voor de
beoogde gegevensverwerking een Data Protection Impact
Assesment (DPIA) plaats te vinden om deze risico’s in kaart
te brengen. In sommige gevallen is dit zelfs verboden. Zo
oordeelde de Rechtbank Den Haag in februari 2020 dat het
Systeem Risico Indicatie (SyRI) van het ministerie van Sociale
Zaken en Werkgelegenheid in strijd is met privacywetgeving
en het Europees Verdrag voor de Rechten van de Mens (EVRM).
Dit systeem koppelt datasets van verschillende overheden
aan elkaar, analyseert deze en maakt profielschetsen om
fraude op te sporen
8. Het lijkt erop dat de samenleving dus
nog wat ethische vraagstukken moet beantwoorden, voordat
initiatieven als Garage2020 volop kunnen profiteren van de
voordelen die AI kan bieden.
De rechtbank Den Haag oordeelde in februari 2020
dat het Systeem Risico Indicatie (SyRI) van het
Ministerie van Sociale Zaken en Werkgelegenheid
in strijd is met privacywetgeving en het Europees
Verdrag voor de Rechten van de Mens EVRM."
Conclusie
Het combineren van datasets afkomstig van verschillende
partners binnen de jeugdzorgketen lijkt op het eerste gezicht
een veelbelovende techniek die deuren openzet voor het gebruik
van AI. De toename van de hoeveelheid data in de samenleving
zou ons middels het gebruik van geavanceerde analysemethoden
meer inzicht kunnen verschaffen in de complexiteit van factoren
die kunnen leiden tot (zware) jeugdzorgtrajecten. Hiermee zou
kunstmatige intelligentie een nieuwe doorbraak kunnen inluiden
voor ons begrip van jeugdcriminaliteit, net zoals Quetelet deed
in 1842 toen hij begon te experimenteren met statistische
methoden. Er zijn al initiatieven gaande binnen de jeugdzorg om
te experimenteren met de toepassing van AI binnen jeugdzorg
processen. Een voorbeeld hiervan is Garage2020, die met een
multidisciplinaire benadering de jeugdzorg efficiënter probeert
in te richten middels het gebruik van AI in hun processen.
Echter zijn er ook nog beren op de weg te zien.De komst van
wetgevingen zoals de AVG maken het ingewikkelder om datasets
van verschillende ketenpartners met elkaar te koppelen. Dit
maakt het moeilijker om geavanceerde AI-analysemethoden
toe te passen, omdat de kwantiteit en kwaliteit van de data
te beperkt blijft. Alvorens er verder geëxperimenteerd zal
worden met het toepassen van AI binnen de jeugdzorg, dient
onze samenleving nog wat prangende ethische vraagstukken
te beantwoorden. Deze gewaagde technologie staat immers
nog in haar kinderschoenen.

1 Beirne, P. (1987). Between Classicism and Positivism: Crime and Penalty in the
Writings of Gabriel Tarde. Criminology.
2 McLaughlin, E. & Muncie, J. (2013). Criminological Perspectives: Essential
Readings. SAGE Publications Ltd.
3 Sampson, R. J. and J. H. Laub. (1992). Crime and Deviance in the Life Course.
Annual Review of Sociology 18:63-84.
4 Het CCV, gepubliceerd op 31-12-2019. Secondant: voorspellen van
delinquentie op jonge leeftijd.
https://hetccv.nl/nieuws/secondantvoorspellen-
van-delinquentie-op-jonge-leeftijd/.
5 Interview Bastiaan Bervoets, 22 januari 2020; Interview Jeroen de Vries- 28
januari 2020, 09:30u; Interview John Komen 11 februari 2020, 17:00u.
6 Dijksterhuis, F. & Koning, R. de. Vertrouwen in artificial
intelligence voor het veiligheidsdomein begint met
experimenteren
https://www.trendsinveiligheid.nl/
rapport/2019-slimmer-samenwerken-aan-een-veiliger-nederland/
vertrouwen-in-artificial-intelligence-voor-het-veiligheidsdomein-begint-metexperimenteren/.
7 Artikel 35 AVG, zie ook Handreiking V&J.
https://ec.europa.eu/newsroom/
article29/item-detail.cfm?item_id=611236.
8 Rb. Den Haag 5 februari 2020, ECLI:NL:RBDHA:2020:865.