Big data en innovatieve methoden voor criminologisch onderzoek

1 Nieuwe technologieën als motor voor innovaties in criminologisch onderzoek 19
Wim Hardyns & Thom Snaphaan
1.1 Inleiding 19
1.2 De vierde industriële revolutie en nieuwe technologieën 21
1.3 Data 22
1.3.1 De kennispiramide 22
1.3.2 Soorten data 23
1.3.2.1 Kwalitatieve en kwantitatieve data 23
1.3.2.2 Primaire, secundaire en tertiaire data 24
1.3.2.3 Made en found data 25
1.3.2.4 Index-, attribuut- en metadata 25
1.3.2.5 Gestructureerde, semigestructureerde en ongestructureerde data 26
1.3.2.6 Primitieve en niet-primitieve data 26
1.4 Twee culturen in het modelleren van data 27
1.5 Leeswijzer 29

Deel I Big data 39

2 Big data in wetenschappelijk onderzoek 41
Bart Custers
2.1 Inleiding 41
2.2 Wat zijn big data en wat is er nieuw aan? 43
2.3 Onderzoekstoepassingen voor big data 45
2.4 Voor- en nadelen 48
2.5 Besluit 52

3 Digital History en big data uit het verleden
Methodologische innovaties in de historische criminologie 57
Pieter Leloup
3.1 Inleiding 57
3.2 De traditionele dataverzameling en -analyse: De historische methode 61
3.2.1 De historische methode als dataverzameling 61
3.2.2 De historische methode als bronnenkritiek 62
3.2.3 De historische methode als data-analyse 63
3.3 Digital History en historische big data 64
3.3.1 Opkomst van historische big data 64
3.3.2 Invloed op de dataverzameling en -analyse 66
3.4 Het historische werkveld en de nieuwe digitale methoden 69
3.5 Big data en historische criminologie: Proceedings of the Old Bailey, 1674-1913 71
3.6 Valkuilen en uitdagingen 75
3.7 Besluit 77

4 ‘There is plenty of room at the bottom’
Het gebruik van innovatieve databronnen in de sociale wetenschappen 83
Thom Snaphaan & Wim Hardyns
4.1 Inleiding 83
4.2 Innovatieve databronnen 85
4.3 Methodologie 89
4.4 Resultaten 95
4.4.1 Algemene kenmerken van de geïncludeerde studies 95
4.4.2 Aantal gepubliceerde studies over de tijd heen 97
4.4.3 Volume van de gebruikte data 98
4.4.4 Gebruikte databronnen 100
4.4.4.1 Directed data 101
4.4.4.2 Automated data 102
4.4.4.3 Volunteered data 104
4.5 Besluit 105

5 Bij voorbaat effectiever?
Over de noodzaak van het herwaarderen van vakmanschap en de onvermijdelijkheid van actieonderzoek bij het gebruik van big-datatoepassingen door de politie 131
Remco Spithoven & John van de Pas
5.1 Inleiding 131
5.2 De achtergronden van big-datatoepassingen 132
5.3 Een blik op effecten en neveneffecten van predictive policing 134
5.4 De complexiteit van intelligence 136
5.5 De onderbelichte rol van vakmanschap 139
5.6 Naar actieonderzoek 140
5.7 Besluit 143

6 Wetenschappelijk onderzoek met (big) data en het gegevensbeschermingsrecht
Het kluwen ontward 149
Judith Vermeulen & Eva Lievens
6.1 Inleiding 149
6.2 Toepassingsgebied AVG en definities 150
6.3 Actoren 152
6.4 Anonimisering en pseudonimisering 154
6.4.1 Anonimisering 154
6.4.2 Pseudonimisering 157
6.5 Gegevensbeschermingsbeginselen (artikel 5 AVG) 159
6.6 Rechtmatigheid (artikel 6 AVG) 160
6.6.1 Toestemming 160
6.6.2 Wettelijke verplichting 164
6.6.3 Taak van algemeen belang 165
6.6.4 Gerechtvaardigd belang van de verwerkingsverantwoordelijke of een derde 166
6.7 Bijkomende voorwaarden voor de verwerking van bepaalde categorieën van persoonsgegevens 169
6.8 Rechten van betrokkenen en mogelijke afwijkingen 171
6.8.1 Rechten van betrokkenen 171
6.8.2 Afwijkingen (van de in artikelen 14-18 en 21 AVG genoemde rechten) 172
6.9 Verplichtingen van de verwerkingsverantwoordelijke 174
6.10 Handhaving 177
6.11 Besluit 178

Deel II Innovatieve dataverzamelingsmethoden 181

7 Het hedendaags gebruik van conventionele dataverzamelingsmethoden in de criminologie 183
Yinthe Feys & Antoinette Verhage
7.1 Inleiding 183
7.2 Het gebruik van conventionele dataverzamelingsmethoden in de criminologie 184
7.3 Surveys 186
7.3.1 Conventioneel gebruik in de criminologie 186
7.3.2 Innovatieve manieren van dataverzameling 188
7.3.2.1 Factorial survey experiment 188
7.3.2.2 Experience-sampling method 189
7.3.2.3 Space-time budget method 189
7.3.2.4 Life-events calendar methode 190
7.4 Interviews 192
7.4.1 Conventioneel gebruik in de criminologie 193
7.4.2 Innovatieve manieren van dataverzameling 194
7.4.2.1 Diary research 194
7.4.2.2 Photo-elicitation en video-elicitation 195
7.4.2.3 Het gebruik van GPS-coördinaten 196
7.5 Focusgroepen 197
7.5.1 Conventioneel gebruik in de criminologie 198
7.5.2 Innovatieve manieren van dataverzameling 198
7.5.2.1 Photo-elicitation en video-elicitation 199
7.5.2.2 Nominal group technique 199
7.6 Observaties 200
7.6.1 Conventioneel gebruik in de criminologie 200
7.6.1.1 Systematic social observations 201
7.6.1.2 (Systematic) self-observation 201
7.6.2 Innovatieve manieren van dataverzameling 202
7.6.2.1 Video’s als observatiemateriaal 202
7.6.2.2 Electronically activated recorder-studies 202
7.6.2.3 Virtual reality 203
7.7 Besluit 204

8 “Vertel me wat je ziet”
Het gebruik van photo-elicitation in criminologisch onderzoek 215
Lana De Pelecijn, Stef Decoene & Wim Hardyns
8.1 Inleiding 215
8.2 Photo-elicitation: what’s in a name? 216
8.2.1 De verschillende vormen van PEI-onderzoek 218
8.2.1.1 Participant-driven PEI 218
8.2.1.2 Research-driven PEI 219
8.2.2 Voor welke onderzoeksvragen? 219
8.2.3 Voor welke onderzoekspopulaties? 220
8.3 Voordelen en nadelen van photo-elicitation onderzoek 220
8.3.1 Voordelen 221
8.3.1.1 Rijkere en nieuwe informatie 221
8.3.1.2 Empowerment, agency en zelf-reflexiviteit 221
8.3.1.3 Vertrouwen tussen onderzoeker en respondent 222
8.3.1.4 Werken met beeldmateriaal 222
8.3.2 Nadelen 222
8.3.2.1 Praktische nadelen 222
8.3.2.2 Nadelen met betrekking tot de validiteit en betrouwbaarheid van het onderzoek 223
8.4 De verschillende stappen in het photo-elicitation proces 225
8.4.1 Keuze PEI-instrument 225
8.4.2 Briefing respondenten 226
8.4.2.1 Participant-driven PEI 226
8.4.2.2 Research-driven PEI 227
8.4.3 Fotoverzameling 228
8.4.3.1 Participant-driven PEI 228
8.4.3.2 Research-driven PEI 228
8.4.4 Pretesten PEI-instrument 229
8.4.5 Interviewproces 229
8.4.5.1 Participant-driven PEI 229
8.4.5.2 Research-driven PEI 230
8.4.6 Data-analyse 230
8.4.7 Rapportage 231
8.5 Enkele ethische aandachtspunten 232
8.5.1 Vertrouwelijkheid en anonimiteit 233
8.5.2 Manier van fotoverzameling 234
8.5.3 Emotionele reacties 235
8.6 Besluit 235

9 Het factorial survey experiment in criminologisch onderzoek 241
Ann De Buck & Lieven Pauwels
9.1 Inleiding 241
9.2 Toepassing van het factorial survey experiment in de sociale wetenschappen: Een terugblik 244
9.2.1 Het factorial survey experiment in de sociale wetenschappen 244
9.2.2 Het factorial survey experiment in de criminologie 245
9.3 FS-terminologie uitgelegd aan de hand van een concreet criminologisch voorbeeld 248
9.4 Waarom survey en experimentele methode combineren? Een overzicht van mogelijkheden en beperkingen 253
9.4.1 Mogelijkheden van het factorial survey experiment 253
9.4.2 Beperkingen van het factorial survey experiment en mogelijke remedies 256
9.5 Visuele scenario’s in het factorial survey 258
9.6 Besluit 263

10 Het gebruik van virtual reality in de criminologie 271
Emma Jaspaert & Geert Vervaeke
10.1 Inleiding 271
10.2 Wat is VR? 272
10.2.1 Definiëring van VR 272
10.2.2 De Virtual Environment 273
10.2.3 Twee kernconcepten: immersie en aanwezigheid 273
10.2.3.1 Immersie 274
10.2.3.2 Aanwezigheid 275
10.3 VR als antwoord op methodologische beperkingen van criminologisch onderzoek 276
10.3.1 De afweging tussen experimentele controle en ecologische validiteit 277
10.3.2 Standaardisatie en systematische variaties 278
10.3.3 Induceren van cognitieve en affectieve factoren 280
10.3.4 Verhoogde objectiviteit en sensitiviteit in dataverzamelingsmethoden 281
10.3.5 Tegemoetkomen aan ethische bezwaren in traditioneel criminologisch onderzoek 281
10.4 Beperkingen van VR 283
10.4.1 Imperfecties in de gebruikte technologie 283
10.4.2 Cybersickness 284
10.4.3 Kostprijs en vereiste technologische kennis 285
10.5 Functies van VR in criminologisch onderzoek 286
10.5.1 VR als technologie op zich 287
10.5.2 VR als methode voor wetenschappelijk onderzoek 289
10.5.2.1 Onderzoek naar criminaliteitsfenomenen 289
10.5.2.2 Onderzoek naar reacties op criminaliteit en onveiligheidsgevoelens 291
10.5.2.3 Onderzoek naar sociale interacties en dynamieken 292
10.5.3 VR als concrete toepassing voor de criminologische praktijk 292
10.5.3.1 VR als toepassing in juridische procedures 293
10.5.3.2 VR als tool voor de behandeling van daders (en slachtoffers) van criminele feiten 293
10.5.3.3 VR voor training van politie en justitie 294
10.6 Besluit 296

11 Het gebruik van beeldmateriaal in criminologisch onderzoek
Van turven met pen en paper tot geautomatiseerde detectie en classificatie van overlastfenomenen 305
Thom Snaphaan & Wim Hardyns
11.1 Inleiding 305
11.2 Overlast als bestudeerd fenomeen en haar traditionele meetmethoden 308
11.3 Primaire data, manuele codering 310
11.4 Secundaire data, manuele codering 313
11.5 Secundaire data, geautomatiseerde codering 315
11.6 Primaire data, geautomatiseerde codering 322
11.7 Besluit 324

Deel III Innovatieve data-analysemethoden 333

12 De opkomst van neurale-netwerkanalyse in de criminologie 335
Anneleen Rummens & Wim Hardyns
12.1 Inleiding 335
12.2 Wat is neurale-netwerkanalyse? 337
12.2.1 Een methode uit het domein van machine learning 337
12.2.2 Structuur en kenmerken van een neuraal netwerk 340
12.3 Neurale-netwerkanalyse in criminologisch onderzoek 345
12.3.1 Predictive policing 345
12.3.2 Predictive profiling 347
12.3.3 Fraudedetectie 347
12.4 De praktische toepassing van neurale-netwerkanalyse 348
12.4.1 Dataverzameling en -preparatie 348
12.4.2 Trainen en testen van het neurale netwerk 349
12.4.3 Interpretatie en evaluatie van de resultaten 353
12.5 Besluit 356

13 Text mining in de criminologie
De geautomatiseerde analyse van (grote) tekstcorpora 361
Thom Snaphaan, Anneleen Rummens & Wim Hardyns
13.1 Inleiding 361
13.2 De ontginning van ongestructureerde tekstdata 362
13.2.1 Application Programming Interface (API) 363
13.2.2 Web scraping 364
13.2.3 Parsing van tekstdocumenten 364
13.3 Text mining: de analyse van ongestructureerde tekstdata 365
13.3.1 Wat is text mining? 365
13.3.2 Types van text mining 365
13.3.3 Analyseproces en sleutelconcepten 367
13.4 Text mining in criminologisch onderzoek 372
13.4.1 Analyse van politierapporten 373
13.4.2 Analyse van berichten op sociale-netwerksites 374
13.4.3 Analyse van juridische bronnen 374
13.4.4 Analyse van open interview- en surveyvragen 375
13.4.5 Text mining als input voor vervolganalyses 376
13.5 Text mining toegepast: Topic Modeling 376
13.5.1 Latent Dirichlet Allocation en Structural Topic Modeling 377
13.5.2 Een analyse van hoog en laag gerankte criminologische tijdschriften (categorische covariabele) 379
13.5.3 Een analyse van de evolutie van topics over de tijd in een criminologisch tijdschrift (numerieke covariabele) 389
13.6 Besluit 395

14 Het voorspellen van het gedrag van een menigte op basis van agent-gebaseerd modelleren en sociale-media-analyse 401
Charlotte Gerritsen, Erik van Haeringen & Emmeke Veltmeijer
14.1 Inleiding 401
14.2 Agent-gebaseerd modelleren 402
14.3 ASCRIBE: een simulatiemodel voor spreiding van mentale toestanden 403
14.4 Emotiebepaling 406
14.5 Casestudy 409
14.6 Besluit 411

15 De meerwaarde van sociale-netwerkanalyse voor criminologisch onderzoek 417
Anneleen Rummens & Wim Hardyns
15.1 Inleiding 417
15.2 Wat is sociale-netwerkanalyse? 418
15.2.1 Netwerkperspectief en -structuur 418
15.2.2 Sleutelconcepten 420
15.3 Sociale-netwerkanalyse in criminologisch onderzoek 422
15.3.1 Analyse van co-daderschap en co-slachtofferschap (predictive profiling) 422
15.3.2 Analyse van criminele groepen en netwerken 424
15.3.3 Analyse van daderbewegingen en criminaliteitshotspots 425
15.3.4 Analyse van de (criminologische) wetenschappelijke literatuur 426
16 Big data en innovatieve methoden voor criminologisch onderzoek
15.4 De praktische toepassing van sociale-netwerkanalyse 427
15.4.1 Dataverzameling en -preparatie 428
15.4.2 Verkennende statistieken en analyses 429
15.4.3 Hypothesen testen en netwerkmodellering 432
15.5 Besluit 433

16 De introductie van risicoanalyse in de aanpak van
criminaliteit 437
Marlies Sas, Genserik Reniers, Koen Ponnet & Wim Hardyns
16.1 Inleiding 437
16.2 Risicomanagement 440
16.2.1 Risicoanalysemetaforen 442
16.2.1.1 Zwitserse-kaasmetafoor 443
16.2.1.2 Bow-tie-metafoor 445
16.2.2 Risicoanalysemodellen 447
16.2.2.1 HAZOP-model 447
16.2.2.2 What-if-model 450
16.2.3 Overzicht sterke en zwakke punten risicoanalysemetaforen en -modellen 451
16.3 Risicobehandeling 452
16.4 Databronnen en dataverzamelingsmethoden 454
16.5 Aandachtspunten bij het uitvoeren van risicoanalyses 457
16.5.1 Transparantie over de uitkomsten van risicoanalyses 457
16.5.2 Factor van onzekerheid 458
16.5.3 ‘Black swan’ events 459
16.5.4 Criminaliteitsbeheersing als een continu proces 459
16.6 Besluit 460

Nawoord door prof. dr. Lieven Pauwels 465

Over de editors 467
Over de auteurs 471