SAMENVATTING MISDAADANALYSE 2019-2020 1
Samenvatting Misdaadanalyse 2019-2020
Universiteit Leiden, Master Forensische Criminologie
W36. Inleiding.........................................................................2
Algorithmic risk governance: Big data analytics, race and information activism in criminal
justice debates Hannah-Moffat, K. (2018)..............................................................................2
Is big data challenging criminology?......................................................................................5
Should Prison Sentences be based on crimes that haven’t been committed yet?...................9
W37. Risicotaxatie................................................................11
A CAUTIONARY NOTE ON THE USE OF ACTUARIAL RISK ASSESSMENT TOOLS
FOR SOCIAL CONTROL....................................................................................................11
SOCIOECONOMIC MARGINALITY IN SENTENCING: THE BUILT-IN BIAS IN
RISK ASSESSMENT TOOLS AND THE REPRODUCTION OF SOCIAL INEQUALITY
...............................................................................................................................................16
RISK ASSESSMENT IN CRIMINAL SENTENCING.......................................................20
THE USE OF RISK ASSESSMENT IN SENTENCING....................................................23
W38. Pre-crime en post-crime.............................................27
The new penology: Notes on the emerging strategy of corrections and its implications.....27
Pre-crime and post-criminology?..........................................................................................31
PRE-CRIME AND COUNTER-TERRORISM....................................................................36
DE NIEUWE PREVENTIE: ACTUARIËLE ARCHIEFSYSTEMEN EN DE NIEUWE
TECHNOLOGIE VAN DE VEILIGHEID...........................................................................41
W39. Predictive policing......................................................47
Big data surveillance: The case of policing..........................................................................47
Predictive policing as a new tool for law enforcement? Recent developments and
challenges..............................................................................................................................55
Randomized controlled field trials of predictive policing.....................................................64
Constructing hot spots policing: Unexamined consequences for disadvantaged populations
and for police legitimacy.......................................................................................................66
W40. Criminaliteit voorspellen met Big Data....................73
Predictive policing aan de hand van voorspellingen.............................................................73
Pre-emptive big data surveillance and its (dis)empowering consequences: The case of
predictive policing.................................................................................................................76
,SAMENVATTING MISDAADANALYSE 2019-2020 2
W36. Inleiding
ALGORITHMIC RISK GOVERNANCE: BIG DATA ANALYTICS, RACE AND
INFORMATION ACTIVISM IN CRIMINAL JUSTICE DEBATES
Hannah-Moffat, K. (2018)
INTRODUCTIE
We leven in een algoritmische tijd, waarin wiskunde- en computerwetenschap op nieuwe,
machtige manieren samenkomen en welke individueel gedrag en bestuur beïnvloeden. Deze
invloed is terug te zien in de manier waarop big data – digitaal opgeslagen informatie over
individuen, organisaties, bedrijven en gebeurtenissen – wordt verzameld en gebruikt. Een
grote hoeveelheid data wordt routinematig verzameld en opgeslagen. Denk hierbij aan data
afkomstig van fitness trackers, GPS, online shoppen en Snapchat. Internationale
veiligheidsbureaus gebruiken deze data om nationale risico’s, zoals terrorisme, te
identificeren. De data-gedreven technologieën worden ook voortgezet naar strafrechtelijke
instituten. Zo wordt PredPol (voorspellende politiesoftware) gebruikt om criminele
gebeurtenissen in kaart te brengen. De integratie van big data in het strafrechtssysteem
verhoogt de efficiëntie, verantwoording en gelijkheid.
Big data wordt onder andere ingezet bij risicotaxatie om criminaliteit te voorspellen en
voorkomen, veiligheid te verbeteren, en daders te straffen. Goede risicotaxatie is evidence-
based1, wat als betrouwbaarder wordt beschouwd dan klinische beoordeling bij het benaderen
van risico (e.g. op recidive).
Toch is er nog weinig bekend over waar big data nou echt vandaan komt, hoe het wordt
gebruikt, hoe het autoriteiten helpt en beslissingen rechtvaardigt. Dit artikel onderzoekt hoe
big data organisatorische risicopraktijken veranderd, sociaal wetenschappelijke methoden van
risicotaxatie uitdaagt en kennis over risico beïnvloed.
NUANCES VAN ACTUARIEEL RISICO
PSYCHOLOGICALLY INFORMED RISK VS BIG DATA INFORMED RISK
De term psychologically informed risk (PIR) omvat de algemene actuariële2 technologieën
die gebruikt worden om statische en/of dynamische risico’s en criminogene behoeften te
benaderen. Hoewel zowel PIR als big data informed risk (BDIF) actuarieel zijn en
beperkingen delen, verschillen ze op het gebied van kennisleer en methode. PIR
technologieën worden vaak ontworpen om recidive te voorspellen, terwijl BDIF
technologieën op die manier kunnen worden gebruikt. De technologieën verschillen ook in
populatiegrootte: PIR is gebaseerd op een steekproef van de gehele populatie terwijl BDIF
gebaseerd is op een massieve en oneindige populatie. Daarnaast is PIR gebaseerd op data dat
1
Gebaseerd op wetenschappelijk onderzoek.
2
Een vorm van risicotaxatie waarbij gegevens over een empirisch vastgestelde set risicofactoren volgens een
vastliggende procedure worden verzameld en volgens een vastliggend algoritme worden omgezet in een
conclusie (Raes & Bakker, 2017).
,SAMENVATTING MISDAADANALYSE 2019-2020 3
is verkregen via discipline-specifieke onderzoeksmethoden, terwijl BDIF gebaseerd is op data
verkregen uit meerdere bronnen zonder specifiek doel, met weinig aandacht voor
sociaalwetenschappelijke methodologische standaarden. Tot slot is PIR empirisch
verdedigbaar, betrouwbaar, valide en clean, terwijl BDIF methodologische onzekerheden
bevat.
PIR is gebaseerd op kennis van criminaliteit. De kwantitatieve risicoscore van een dader
wordt bepaald door het meten van individuele factoren (e.g. geschiedenis van
substantiegebruik, leeftijd eerste delict). Zulke factoren zijn statistisch gelinkt aan het risico
op recidive. BDIF verzamelt, analyseert en vergelijkt grote datasets en identificeert patronen.
Het maakt voorspellingen afhankelijk van de manier waarop de data verzameld is en voor
welk doel. BDIF variabel omdat de betekenis van de verzamelde data constant fluctueert in
relatie tot de context waarin het gegenereerd wordt. Het zit vaak ook vol fouten en
onzekerheden en mist transparantie. Echter, de voorspelling is dat BDIR veiligheid verbetert,
efficiënter data analyseert en error beperkt.
HET PRODUCEREN VAN NIEUWE CRIMINOLOGISCHE KENNIS
De big data is ongestructureerd en produceert grote datasets die gebruikt kunnen worden voor
verschillende analytische doeleinden. Om een dataset te creëren wordt de data
schoongemaakt, gematcht, omgezet en geaggregeerd van het ruwe format naar een bruikbare
vorm (data scraping). Deze data scraping wordt gebruikt om kennis over BDIR is
verzamelen. Het is een kostbaar en tijdrovend proces. Sommige ontwikkelaars maken de
datasets doorzoekbaar en maken het proces van dataverwerking openbaar. Risico-algoritme
procedures zijn vaak juist afgeschermd en privé. BDIR kan een significante bijdrage leveren
aan het openbaar maken van data en het voorzien in toegankelijke informatie over
strafrechtelijke procedures. Echter, dit kan problemen opleveren met privacy, ethiek en
ongewenste schade. Daarnaast blijkt uit onderzoek dat BDIR niet volledig unbiased is.
PUBLIEKE ASPECTEN VAN DATA-ANALYSE: DELEN EN FACILITEREN VAN KENNIS
Voorstanders van big data pleiten voor de openlijke toegang tot data, waarbij data proactief
geplaats wordt in het publieke domein zonder beperkingen in hun gebruik. Big data helpt
advocaten en juristen om een evidence-based pleidooi te houden. Door gebruik van big data
zijn grote databases ontstaan met uitspraken van rechtszaken (e.g. Legal Intelligence). Dit
type big data analyse daagt de huidige institutionele vormen van datamanagement en haar
toegankelijkheid uit.
Big data maakt networked social activism mogelijk; politieke participatie door gebruik te
maken van big data. Het daagt de traditionele vormen van actuariële risicotaxatie en
politiepraktijken uit, wat uiteindelijk het beleid zal beïnvloeden. De focus ligt niet langer op
individuele criminelen of specifieke criminele activiteiten, maar op overheidspraktijken en
beleid die bijdragen aan criminaliteit en dus recidive. Big data analyse kan uiteindelijk de
publieke opinie beïnvloeden, protesteerders assisteren en leiden tot verandering.
, SAMENVATTING MISDAADANALYSE 2019-2020 4
EEN WAARSCHUWING
Big data en zijn technologieën kunnen wordt gebruikt voor high-tech profiling van mensen,
gebeurtenissen en plaatsen. Hoewel dit positief lijkt, moet een waarschuwing worden
gegeven: het kan grondwettelijke bescherming schenden, een vals gevoel van veiligheid
produceren en worden ingezet voor commerciële winst. Daarnaast kunnen big data
technologieën leiden tot verhoogde capaciteit voor high-tech profiling, onvermogen om
eerlijkheid in een geautomatiseerd beslissingsproces te verzekeren, verlies van bescherming
van de privacy, gebruik van informatie over mensen op een niet-gewilde manier en
commerciële exploitatie.
CONCLUSIE
Het is op dit moment nog niet precies te zeggen hoe en of BDIR alternatieve vormen van
psychologische risicotaxatie zal vervangen of verrijken. Wel is duidelijk dat big data
technologieën nieuwe manieren van framing, voorspelling en risicomanagement zal
produceren, welke de huidige vormen van actuariële en non-actuariële risicotaxatie zal
uitdagen. Big data kan het bestuur beïnvloeden, debatten van onderwerp laten veranderen en
nieuwe manieren van denken produceren over expertise, criminaliteit en gerelateerde sociale
problemen. Ook kan big data worden gebruikt door individuen en groepen om bestuurlijke
acties uit te dagen. Tot slot heeft big data nieuwe actoren aangesteld en nieuwe manieren
aangeleverd om problemen omtrent criminaliteit en reacties tot criminaliteit te identificeren en
betwisten.
ABSTRACT
Meanings of risk in criminal justice assessment continue to evolve, making it critical to
understand how particular compositions of risk are mediated, resisted and reconfigured by
experts and practitioners. Criminal justice organizations are working with computer
scientists, software engineers and private companies that are skilled in big data analytics to
produce new ways of thinking about and managing risk. Little is known, however, about how
criminal justice systems, social justice organizations and individuals are shaping,
challenging and redefining conventional actuarial risk episteme(s) through the use of big
data technologies. The use of such analytics is shifting organizational risk practices,
challenging social science methods of assessing risk, producing new knowledge about risk
and consequently new forms of algorithmic governance. This article explores how big data
reconfigure risk by producing a new form of algorithmic risk—a form of risk which is posited
as different from the social science (psychologically) informed risk techniques already in use
in many justice sectors. It also shows that new experts are entering the risk game, including
technologists who make data public and accessible to a range of stakeholders. Finally, it
demonstrates that big data analytics can be used to produce forms of usable knowledge that
constitute types of ‘information activism’. This form of activism produces alternative risk
narratives, which are focused on ‘criminogenic structures’ or ‘criminogenic policy’.
