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 Général¹. 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 criminaliteit². 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 emotie³. 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.

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 vrijetijdsbesteding³. 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 adolescentie⁴. 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. Garage2020⁵ 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.

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 ontwikkelen⁶. 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.

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 betrokkenen⁷. 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 sporen⁸. 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.

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.