Werkelijke klasse
6. Ontstaan van oogkleppen
4.2 Aanbevelingen tot verder onderzoek
Het sterke punt van dit onderzoek is dat het een basis biedt voor verder onderzoek. Er is uitvoerig onderzoek gedaan naar de bestaande literatuur, naar de raakpunten tussen CRISP- DM, beleid en misdaadbestrijding. Verder is al een aanzet gegeven voor andere onderzoekers om dit onderzoek uit te breiden.
In eerste instantie kunnen meerdere cases toegevoegd worden aan dit onderzoek. Enerzijds kan er geopteerd worden om gelijkaardige projecten met elkaar te vergelijken, zoals enkel ANPR-projecten opnemen. Anderzijds kunnen er allemaal verschillende projecten worden opgenomen, zoals drugsdealing, hotspots, ANPR-camera’s, controle van containers.
Een tweede aanbeveling voor verder onderzoek is de rol van beleid beter te onderzoeken. Zoals wordt aangegeven in de literatuurstudie speelt beleid wel degelijk een belangrijke rol. En zijn er veel overeenstemmingen tussen CRISP-DM en beleid. De relatie tussen beide moet verder onderzocht worden. Dit kan bijvoorbeeld gebeuren door mensen van de gemeenten te interviewen die meewerken aan het project of mee beslissingen nemen over het project.
De conclusie die wordt opgesteld naar aanleiding van het onderzoek, vormt slechts een basis die ontstaan is uit een beperkt aantal cases. Verder onderzoek kan de conclusie bevestigen of ontkrachten.
74
CONCLUSIE
Datadriven misdaadbestrijding is vandaag de dag nog steeds in volle ontwikkeling in de Vlaamse politiezones. Verschillende zones proberen op hun manier een datagedreven project uit te werken. Uit onderzoek kan gesteld worden dat momenteel elke zone op zijn eigen manier aan datagedreven misdaadbestrijding doet. Verder is er slechts amper sprake van samenwerking of kennis uitwisselen over de aanpak van datadriven misdaadbestrijding tussen verschillende politiezones.
Met deze masterproef is nagegaan in welke mate CRISP-DM geschikt is als raamwerk voor datadriven misdaadbestrijding. Het Cross Industry Standard Process for Data Mining, of kortweg CRISP-DM, is een toepassing van een datamining-proces. Het wordt gebruikt om een oplossing te vinden voor een bedrijfsprobleem. Uit huidig onderzoek is gebleken dat CRISP- DM als raamwerk kan dienen voor datadriven misdaadbestrijding. Echter is er nog onduidelijkheid over de meerwaarde dat het raamwerk kan bieden aan projecten die datagedreven werken. Het hanteren van het raamwerk zorgt voor een duidelijk overzicht van hoe een project aangepakt wordt.
De vraag moet gesteld worden of dit raamwerk bekwaam genoeg is wanneer het gaat over projecten die complexe problemen bevatten. Complexe problemen hebben nood aan veel en duidelijke communicatie en vereisen daarbovenop veel samenwerkingen zowel binnenin de organisatie als met externe actoren. Ook is er nood aan meer interactie tussen de verschillende fasen. Gedurende het hele project moet er meer aandacht besteed worden aan een continue evaluatie bij de verschillende fasen. Voor deze factoren biedt het raamwerk geen ruimte. Op de subvraag of beleid een rol speelt in dit raamwerk is het antwoord zeker en volmondig ja. De literatuurstudie geeft het belang van beleid aan, maar uit onderzoek kan vastgesteld worden dat de rol van beleid nog niet herkend wordt en dus ook niet terugkeert in datadriven misdaadbestrijding.
Er kan geconcludeerd worden dat het raamwerk over het algemeen geschikt is voor datagedreven misdaadbestrijding. Echter hangt de meerwaarde van het raamwerk af van het project dat wordt behandeld. Voor projecten die een complex probleem bevatten, zal het raamwerk zoals het nu gehanteerd wordt, doorgaans geen geschikt model zijn.
X
REFERENTIES
Akkerman, A., & de Vries, M. (2008). Problemen op de agenda. In A. Hoogerwerf, & M. Herweijer (Red.), Overheidsbeleid: een inleiding in de beleidswetenschap (pp. 63- 82). Alphen aan den Rijn: Kluwer.
Akkerman, A., Resodihardjo, S.L. & de Vries, M.S. (2014). Problemen op de agenda. In: Hoogerwerf, A. & Herweijer, M. Overheidsbeleid: Een inleiding in de beleidswetenschap. Alphen aan den Rijn: Kluwer, pp. 52-71.
Anderson J. (2000) Public Policy Making. An introduction. Boston-New York: Houghton Mifflin Company.
Australian Public Service Commission (2007). Tackling wicked problems. A public
policy perspective. Australian Government,
http://www.apsc.gov.au/__data/assets/pdf_file/0005/6386/wickedproblems.pdf
Bachrach, P., Baratz, M.S. (1970). Power and Poverty. Theory and Practice. Oxford: Oxford University Press, Inc
Beak, K., & Quinton, P. (2015). Predictive hotspots policing. Geraadpleegd op 4 november 2019, van https://www.college.police.uk/FOI/Documents/FOIA-2018-0059.pdf
Belfius. (2018, 14). Samenstelling van de clusters Vlaanderen. Geraadpleegd op 25
maart 2020, van https://research.belfius.be/wp-
content/uploads/2018/06/CLUSTER_NL_INT.pdf
Boeije, H. (2008). Analyseren in kwalitatief onderzoek, denken en doen Boom. Lemma, Den Haag.
Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Strength in numbers: How does data- driven decisionmaking affect firm performance?. Beschikbaar op SSRN 1819486.
Buijs, A. E., Mattijssen, T. J., & Kamphorst, D. A. (2013). Framing: de strijd om het nieuwe natuurbeleidsverhaal. Landschap: tijdschrift voor landschapsecologie en milieukunde, 30(1), 33-41.
Burrough, P. A., McDonnell, R. A., McDonnell, A., & Lloyd, C. D. (2015). Principles of Geographical Information Systems. Oxford : OUP Oxford.
XI
Burrough, P.A., & McDonnell, R.A. (1998). Principles of geographical information systems. Oxford : Oxford University Press
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. & Wirth, R. (2000). CRISPDM 1.0 step-by-step data mining guide. Technical report, CRISP-DM
Comité P. (z.d.). Comité P. Geraadpleegd op 17 maart 2020, van https://comitep.be/index.html
Coolsma, J. C. (2008). De uitvoering van overheidsbeleid. In A. Hoogerwerf, & M. Herweijer (Red.), Overheidsbeleid: een inleiding in de beleidwetenschap (pp. 119- 135). Alphen aan den Rijn: Kluwer.
De Groote, B., de Corte, R., & Bruloot, D. (2017). Privaatrecht in hoofdlijnen Deel 1, inleiding tot het recht (13de druk). Mortsel België: Intersentia.
De Peuter, B. et al. (2007). Handleiding Beleidsevaluatie. Leuven: SBOV.
De Tré, G. (2017). Principes van databases (Tweede ed.). Amsterdam: Pearson Benelux.
de Vries, A., & Smit, S. (2016). Predictive policing: Politiewerk aan de hand van voorspellingen. Justitiële Verkenningen, 42(3) Geraadpleegd van https://search.proquest.com/docview/1872562209?accountid=11077
de Vries, M. (1998). Problemen op de agenda. In A. Hoogerwerf, & M. Herweijer (Red.), Overheidsbeleid: een inleiding in de beleidswetenschap (pp. 39-57). Alphen aan den Rijn: Samson.
Devos, C. (Ed.). (2016). Een plattegrond van de macht. Academia Press.
Dey, I. (1993). Qualitative data analysis A user-friendly guide for social scientists. London: Routledge
Dunn, W.N. (2004). Public Policy Analysis: An Introduction (3rd edn). Upper Saddle River, NJ: Prentice Hall. Handbook of Policy Formulation, edited by Michael Howlett, and Ishani Mukherjee, Edward Elgar Publishing Limited, 2017.
Entman, R. M. (1993). Framing: Toward clarification of a fractured paradigm. Journal of communication, 43(4), 51-58.
XII
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37. https://doi.org/10.1609/aimag.v17i3.1230
Federale politie. (2020, 1 februari). De informatiegestuurde politiezorg (Intelligence Led Policing). Geraadpleegd op 3 februari 2020, van https://www.politie.be/5998/nl/over- ons/federale-gerechtelijke-politie/de-informatiegestuurde-politiezorg-intelligence-led
Gartner. (2916). 2017 Planning Guide for Data and Analytics. Geraadpleegd van https://www.gartner.com/binaries/content/assets/events/keywords/catalyst/catus8/2017_plan ning_guide_for_data_analytics.pdf
Graham, M. (2012) Big data and the end of theory? Geraadpleegd op 22 mei 2018: https:/www.theguardian.com/news/datablog/2012/mar/09/big-data-theory.
Groff, E. & La Vigne, N. (2002). Forecasting the future of predictive crime mapping. Crime Prevention Studies. 13.
Haberman, C. P. & Ratcliffe, J. H. (2012). The Predictive Policing Challenges of Near Repeat Armed Street Robberies. Policing: A Journal of Policy and Practice 6(2), 151-166
Han, J., Pei, J., & Kamber, M. (2011). Data Mining: Concepts and Techniques. Waltham, United States: Elsevier Science.
Harrington, P. (2012). Machine learning in action. Manning Publications Co..
Heath, R. L., & Palenchar, M. J. (2008). Strategic issues management: Organizations and public policy challenges. Sage Publications.
Heida, M. (2017, 17 november). Wat is Machine Learning? Geraadpleegd op 4 november 2019, van https://internetofthingsnederland.nl/wat-is-machine-learning/
Heywoord, I., Cornelius, S., & Carver, S. (2006). An Introduction to Geographical Information Systems. Prentice Hall.
Hoogerwerf, A., Herweijer, M. (2008). Overheidsbeleid; Een inleiding in de beleidswetenschap. Alphen aan den Rijn: Kluwer.
Hoogstrate, A. J., Veenman, C. J., & van Ypenburg, L. (2012). Informatiegestuurde grenscontrole.
XIII
How can Computers learn to think? From “Machine Learning” to “Machine Thinking”.
(2017). Geraadpleegd op 17 oktober 2019 via
https://allagora.wordpress.com/2017/07/19/how-can-computers-learn-to-think-from-machine- learning-to-machine-thinking/
Howlett, M. & Rayner, J. (2013). Patching versus Packaging in Policy Formulation: Assessing Policy Portfolio Design. Politics and Governance, 1(2), pp. 170-182,
King, N., & Horrocks, C. (2010). Interviews in Qualitative Research. London: Sage Publications.
Kingdon, J.W. (1995). Agendas, Alternatives, and Public Policies. Boston: Little, Brown Knoepfel, P., Larrue, C., Varone, F. & Hill, M. (2007) Public policy analysis. Bristol, The Policy Press.
Kraft, M. E., Furlong, S. R. (2012). Public policy: Politics, Analysis and Alternatives, 4th edition. Sage Publications.
Lemeire, L., Clarysse, E., & Maes, G. (2018). Make IT happen : slim gebruik van ICT binnen je organisatie. Gent: Owl Press.
Lokale Politie Gent. (2020). Zonaal Veiligheidsplan 2020-2025 Gent. Geraadpleegd van https://www.politie.be/5415/sites/5415/files/downloads/ZVP%20PZ%20Gent%202020- 2025.pdf
Lokale politie HANO. (2020, 20 februari). Dienst APO. Geraadpleegd op 27 februari 2020, van https://www.politie.be/5372/contact/diensten/dienst-apo
Lokale politie regio Puyenbroeck. (2019, 13 mei). Lokaal informatie kruispunt. Geraadpleegd op 27 februari 2020, van https://www.politie.be/5416/contact/diensten/lokaal- informatie-kruispunt
Lokale politie Regio Rhode en Schelde. (2020, 11 februari). Basisfunctionaliteiten. Geraadpleegd op 24 februari 2020, van https://www.politie.be/5418/over- ons/basisfunctionaliteiten/basisfunctionaliteiten
Lokale Politie Regio Turnhout. (2020, 28 januari). Over ons. Geraadpleegd op 2 april 2020, van https://www.politie.be/5364/over-ons
XIV
Luton, L. S. (2015). Qualitative research approaches for public administration. Routledge.
Maddison, S. & Denniss, R. (2012). An introduction to Australian public policy. Theory and practice. C). ambridge: Cambridge University Press, pp. 102-122.
Mali, B., Bronkhorst-Giesen, C., & den Hengst, M. (2017). Predicitive policing: lessen
voor de toekomst. Geraadpleegd van
https://www.politieacademie.nl/kennisenonderzoek/kennis/mediatheek/PDF/93263.PDF Mayer-Schönberger, V., & Cukier, K (2013). Big data: A revolution that will transform how we live, work and think. New York : John Murray.
Meraz, S. (2011). Using time series analysis to measure intermedia agenda-setting influence in traditional media and political blog networks. Journalism & Mass Communication Quaterly, 88(1), 176-194. doi: 10.1177/107769901108800110
Mortelmans, D. (2007). Handboek kwalitatieve onderzoeksmethoden. Leuven: Acco. Óscar M., Gonzalo M. & Javier S. (2009). A Data Mining & Knowledge Discovery Process Model, Data Mining and Knowledge Discovery in Real Life Applications, Julio Ponce and Adem Karahoca (Ed.), ISBN: 978-3-902613-53-0, InTech. Geraadpleegd van http://www.intechopen.com/books/data_mining_and_knowledge_discovery_in_real_life_appl ications/a_data_mining__amp__knowledge_discovery_process_model
Perry, W. L. (2013). Predictive Policing : The Role of Crime Forecasting in Law Enforcement Operations. Santa Monica, Washington: RAND Corporation.
Pipino, L. L., Lee, Y. W., & Wang, R. Y. (2002). Data quality assessment. Communications of the ACM, 45(4), 211-218.
Plaisier, A. (2010). Waarom straffen? Festus, nr. 2, 2010, p. 4-5
Ponsaers, P., Janssens, J., Verbist, K., Keyenberg, D., Schuddinck, S., Avaux, L., & De Ruyver, B. (2014). Naar een vrijwillige opschaling van de lokale politie. Antwerpen: Maklu. Pröpper, I. (1998). Terugkoppeling: de vertaling van evaluatie naar beleid. In Overheidsbeleid: Een inleiding tot de beleidswetenschap (pp. 141-162). Alphen aan den Rijn: Samsom.
XV
Provost, F., & Fawcett, T. (2013). Data Science for Business : What You Need to Know about Data Mining and Data-Analytic Thinking. California, United States : O’Reilly Media.
Ratcliffe, J. (2015). What is the future… of predictive policing. Practice, 6(2), 151-166. Saltz, J. (2015). The need for new processes, methodologies and tools to support big data teams and improve big data project effectiveness. IEEE International Conference on Big Data (Big Data)(pp. 2066-2071). IEEE.
Saltz, J., & Shamshurin, I. (2016). Big data team process methodologies: A literature review and the identification of key factors for a project’s success. 2016 IEEE International Conference on Big Data (pp. 2872-2879). Washington, DC: IEEE.
Saltz, J., Shamshurin, I. & Crowston, K. (2017). Comparing data science project management methodologies via a controlled experiment. Proceedings of the 50th Hawaii International Conference on System Sciences. Hawaii.
Saltz, J., Shamshurin, I., & Connors, C. (2017). Predicting data science sociotechnical execution challenges by categorizing data science projects. Journal of the Association for Information Science and Technology, 2720-2728.
Scriven, M. (1991). Evaluation thesaurus. Fourth edition. CA: Sage.
Silverman, D. (Ed.). (1997). Qualitative research: Theory, method and practice. Sage Publications, Inc.
Takeshita, T. (1997). Exploring the media’s roles in defining reality: from issue-agenda setting to attribute-agenda setting. In M. McCombs, D. Shaw & D. Weaver (Red.). Communication and Democracy: Exploring the Intellectual Frontiers in Agenda-setting Theory. (pp. 15-28). Hove: Psychology Press.
Transcriptiespecialist. (z.d.). Transcriptie - wat is het en welke vormen zijn er ? Geraadpleegd op 2 april 2020, van https://transcriptie.com/transcriptie/
Uchida, C.D. (2009) Predictive policing, Encyclopedia of Criminology and Criminal Justice, 3871- 3880, Dordrecht: Springer.
XVI
Uhasselt. (z.d.). GIS. Geraadpleegd van
https://www.uhasselt.be/Documents/uhasselt@school/lesmateriaal/verkeerskunde/GIS_curs ustekst.pdf
van Brakel, Rosamunde, Pre-Emptive Big Data Surveillance and its (Dis)Empowering Consequences: The Case of Predictive Policing (April 28, 2016). pp. in 117-141 in van der Sloot, B. et al (ed.) (2016) Exploring the Boundaries of Big Data, Amsterdam: Amsterdam University Press. Geraadpleegd van SSRN : https://ssrn.com/abstract=2772469
Van de Graaf, H., Hoppe, R. (2000) Beleid en politiek, een inleiding tot de beleidswetenschap en de beleidskunde. Bussum: Coutinho.
Vlaanderen.be. (2009, 6 mei). De organisatie van de politiediensten in België. Geraadpleegd op 24 februari 2020, van https://www.vlaanderen.be/de-organisatie-van-de- politiediensten-in-belgie
Vlaanderen.be. (2014, 3 september). Organisatie van een gemeentebestuur. Geraadpleegd op 21 april 2020, van https://www.vlaanderen.be/organisatie-van-een- gemeentebestuur
Vorhies, W. (2016, July 26). CRISP-DM — a Standard Methodology to Ensure a Good
Outcome. Retrieved from Data Science
Central: https://www.datasciencecentral.com/profiles/blogs/crisp-dm-a-standard- methodology-to-ensure-a-good-outcome
VVSG. (2019, 26 maart). Situering lokale politie. Geraadpleegd op 24 februari 2020, van https://www.vvsg.be/kennisitem/vvsg/situering-lokale-politie-1
Wayenberg, E. (2018, 23 februari). Sessie 3 oplossingsanalyse I. Geraadpleegd op 26
februari 2020, van
https://minerva.ugent.be/courses2017/F71034102017/document/Sessie_3__Probleemanaly se_II_en_Oplossingsanalyse_I/Sessie_3_-
_Oplossingsanalyse_I_.pptx?cidReq=F71034102017
Wayenberg, E. (2018a, 23 februari). Sessie 2 Probleemanalyse II - Beleidproblemen
uitklaren. Geraadpleegd op 26 februari 2020, van
XVII
_Probleemanalyse_II_en_Oplossingsanalyse_I/Sessie_2_-_Probleemanalyse_II_- _Beleidsproblemen_uitklaren.pptx?cidReq=F71034102017
Wiemer, H., Drowatzky, L., & Ihlenfeldt, S. (2019). Data Mining Methodology for Engineering Applications (DMME)—A Holistic Extension to the CRISP-DM Model. Geraadpleegd op 12 september 2019. Doi :10.3390/app9122407
Winter, H.B. (2014). Evaluatie van overheidsbeleid. In: Hoogerwerf, A., Herweijer, M. Overheidsbeleid. Een inleiding in de beleidswetenschap. 9e druk. Kluwer, Alphen aan den Rijn, pp. 158-167.
Witten, I. H, Frank, E., & Hall, M. A. (2011). Data mining : practical machine learning tools and techniques. 3rd ed. Burlington, MA: Morgan Kaufmann.
Xu, J., Zhang, Y., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information Sciences, 507, 772-794
Yin, R. K. (2013). Case Study Research. Ventura County, California: Sage Publications Inc.
XVIII
BIJLAGE
Bijlage 1. Vragenlijst
Beste, bij deze stuur ik de vragenlijst voor tijdens het interview al door, zodat jullie een zicht hebben waar ik mij op ga focussen. De bedoeling van mijn masterproef is om te kijken of het mogelijk is om de stappen, die ondernomen worden in de verschillende projecten rond datadriven misdaad bestrijding, in een model te gieten. Het model waarop ik mij baseer is CRISP-DM. Dit model is weergegeven in de bijlage. Tijdens het interview doorloop ik de verschillende stappen van CRISP-DM en probeer te kijken waar er een overeenstemming is met jullie aanpak.
Doordat ik bestuurskunde en publiek management studeer, wil ik mij ook focussen op het beleidsaspect. Aangezien er nog niet veel geweten is over de connectie tussen datagedreven werken en het beleidsproces, zijn deze vragen iets aftastender. Het is de bedoeling om een zicht te krijgen of er een impact is en wat voor invloed CRISP-dm en beleidsuitvoering op elkaar kunnen hebben.
Geen probleem wanneer u nu de onderstaande vragenlijst leest, en op niet veel kan antwoorden. Het is zeker mogelijk dat dit het geval is doordat mijn masterproef onderzoekend is.
Als jullie vragen op voorhand hebben, twijfel niet en stel ze mij gerust. Indien er documenten zijn die ik op voorhand kan doornemen om het interview vlotter te laten verlopen, mogen jullie deze zeker doorsturen. Voor mijn onderzoek is het ook interessant om zaken te kunnen staven met cijfers.
In bijlage vinden jullie volgende documenten, zo is het makkelijker om te volgen tijdens het interview :
- Het proces van crisp-dm
- Verschillende tools bij data samen zetten - Criteria-lijst
- Confusionmatrix
XIX
- Naar welke criteria werd er gekeken om te beslissen om voor dit probleem datagedreven te werken? Was er een doorslaggevend moment voor de beslissing om op dit gebied datagedreven te werken?
a. Werd er gekeken naar de noden van de samenleving? b. Werd er gekeken naar de stijging van de misdaadcijfers?
c. Is het datadriven werken tot stand gekomen uit eigen beweging of opgelegd door derden? (bottom-up, top-down)
- Er wordt steeds meer en meer gezocht om problemen op een creatieve manier aan te pakken, datadriven werken is zo een creatieve manier. Maar ook hier zijn er verschillende tools. In hoeverre is er een creatieve aanpak gehanteerd?
a. Bij datadriven misdaad bestrijding kan alle data worden samen gezet , echter kan data ook al op een andere manier behandeld worden zoals clusteren, classificatie, regressie, data reduction, simimarity matching (zie lijst betekenissen)
- Hoe is het probleem afgebakend? Hoe is het niveau bepaald (regionaal, nationaal, internationaal)? Vanaf wanneer schuldig/ overgaan tot actie?
Begrijpen van de beschikbare data
- Hoe wordt de gehanteerde data verzameld? Waar komt de data vandaan?
a. Wordt de data verzameld door middel van een voorbeeld van een gelijkend initiatief? (beleidsformulering)
b. Bestond de data al en moest die opgevraagd worden? i. Satellietbeelden, gps, camera
c. Indien de data nog niet bestond, wat hebben jullie gedaan om de data te verzamelen? Hoe ontworpen?
d. Wordt de data aan criteria onderworpen? (zie lijst)
- Is er innovatie doorgevoerd op bestaande technieken om de data af te stemmen op het probleem?
- Zijn er problemen geweest met het feit dat data niet beschikbaar was? Wat gedaan?
Transformeren van de data zodat men een model tot stand kan brengen
- Werden er verschillende methodes door elkaar gebruikt? Zo ja, was de data in zijn oorspronkelijke vorm bruikbaar of moesten er gegevens aangepast worden?
a. Hoe gebeurde deze aanpassing?
- Het vaststellen van het probleem, verzamelen van data en het transformeren van data, wordt in de meeste gevallen meerdere keren herhaald. Was dit ook het geval ?
XX
Het eigenlijke modelleren van de data
- Voor het modelleren van data, het bruikbare maken/ontwerpen van de data, werd er een gekende dataset gehanteerd (targeted)? Of werd met de verzamelde data een volledig nieuwe dataset gehanteerd?
- Is de dataset targeted? Zo ja naar wat gericht?
Het evalueren van het model
- Worden de resultaten die uit het model komen, direct overgenomen of komt er een evaluatie/analyse methode bij kijken?
a. Wat bij niet eensgezindheid over wat te doen met de data? (overeenstemmen rond een oplossing)
- Zijn er criteria waaraan de data wordt onderworpen om te controleren of het geschikt en betrouwbaar is?
- Welke variabelen spelen de grootste rol om de uitkomst wel of niet te volgen?
- Bestaan er uitgeschreven regels/beleid die gevolgd moeten worden omtrent het uitvoeren van de resultaten
- Confusion matrix
a. Wat doen jullie met TP, FN, TN, FP en hoe in beleid vertalen (zie tabel) - Hoe wordt de invloed van datadriven werken gemeten?
Het uitrollen van het model
- Welke stappen zijn er meerdere keren ondernomen? Hoeveel werd het probleem geherformuleerd, nieuwe data gezocht, data hervormd?
- Wordt het gehanteerde model aan een test onderworpen vooraleer het gehanteerd wordt?
- Hoe wordt de werkwijze up-to-date gehouden? Zijn er periodieke aanpassingen of evaluaties?
Als je kijkt naar het punt van aanvang van het project tot waar het project nu staat, in hoeverre is de werkwijze/ model geëvolueerd?
- Zouden er in de toekomst nog veranderingen plaats vinden die je nu al kan voorspellen?
De impact van het model op beleidsuitvoering
- Hoe wordt er gewerkt wanneer het bedrijfsprobleem meerdere sectoren of niveaus bevat? (wicked issue/complex probleem)
XXI
- Wat gebeurt er met de cijfers van het project? Worden deze overgedragen of gebruikt voor beleidsdoeleinde ?
- Zijn er al cijfers bekend? Wat zeggen deze cijfers?
- Wordt er meer advies gevraagd aan autoriteiten wat wel en niet kan? Worden er actoren van buiten de zone geraadpleegd?
- Worden andere zones geraadpleegd, worden er methodes of data gedeeld?
- Houden jullie rekeningen met het vormen van bias/ vooroordelen? Zowel bij het verzamelen van data als het uitvoeren ? Ontstaan er soms oogkleppen doordat je luistert naar een voorspelde uitkomst?
X
Bijlage 2. Codeboom
Nodes Description Files References
CRISP-DM Model voor datadriven misdaad bestrijding aan 3 130
1 Bedrijfsprobleem begrijpen 3 25
Aanleiding tot project 3 6