Verslag 194 ste plenaire SWR-conferentie: 16 en 17 september 2016, Leusden Thema: Big data: kansen en risico s

Transcriptie

1 Verslag 194 ste plenaire SWR-conferentie:, Leusden Thema: Big data: kansen en risico s Introductie op het wetenschappelijke deel Corien Prins, Universiteit van Tilburg, covoorzitter van de plenaire conferentie Het thema van de plenaire SWR-conferentie is Big Data: kansen en risico s. Zoals de titel reeds aangeeft, worden niet alleen de mogelijkheden van Big Data besproken gedurende deze conferentie: er is ook aandacht voor de risico s die bijvoorbeeld het gebruik van deze grote datasets en de manier van onderzoek doen met zich mee kunnen brengen. Corien Prins introduceert kort het thema met de woorden dat Kees Aarts in zijn presentatie verder zal ingaan op de definitie van Big Data. In de presentaties van vrijdag 16 september staan twee rapporten centraal. Er zal op redelijke termijn een KNAW-adviesrapport over Big Data verschijnen. Kees Aarts presenteert de (voorlopige) bevindingen van de KNAW-commissie die dit rapport voorbereidt. Vervolgens zal Ernst Hirsch Ballin het WRRrapport Big data in een vrije en veilige samenleving toelichten. In de presentaties van zaterdag 17 september komen er drie verschillende toepassingen van Big Data aan bod. Overvloed en onbehagen: big data en wetenschap Kees Aarts, Universiteit van Groningen, covoorzitter van de plenaire conferentie Kees Aarts presenteert de voorlopige bevindingen van de KNAW-commissie die het adviesrapport over Big Data voorbereidt. De commissie voert een brede verkenning uit naar de effecten van Big Data op wetenschappelijk onderzoek. Het accent ligt hierbij op de wetenschapsgebieden die werken met gegevens over personen. De commissie heeft twee taken: i) het uitvoeren van deze brede verkenning; ii) het voorbereiden van een KNAW-advies over enkele geselecteerde onderwerpen op basis van deze brede verkenning. Het rapport zal niet uitgebreid ingaan op de ethische en juridische aspecten, daar deze aspecten reeds worden behandeld in het (eerdere) KNAW-rapport over de ethische en juridische aspecten van informaticaonderzoek. Ter voorbereiding van haar rapport heeft de commissie discussiebijeenkomsten met focusgroepen gehouden. Deze focusgroepen bestaan uit onderzoekers en informaticaspecialisten. Begin november zal er een klankbordbijeenkomst worden gehouden met jongere Big Data-onderzoekers. Na deze inleiding gaat Kees Aarts in op de definitie van Big Data. Hij laat zien dat er een groot aantal verschillende definities van Big Data wordt gebruikt aan de hand van een word cloud uit het onderzoek van Dutcher (2014). Hieruit blijkt dat een aantal woorden vaak terugkomt, maar dat het vooral een vaag omlijnd begrip blijft. Ook zijn er veel verwante begrippen, zoals bijvoorbeeld data science, open data, data-driven research en e-science die niet hetzelfde betekenen als Big Data, maar wel vaak samen worden genoemd. Het gebruik van deze modieuze begrippen maakt de afbakening van Big Data behoorlijk lastig, maar er kan toch wel een lijn worden ontdekt: er zijn namelijk drie woorden die vaak terugkomen in de definities van Big Data. Deze woorden beginnen allemaal met de letter v en worden dan ook vaak de drie v s genoemd: volume, velocity en variety. Voorbeelden van de combinatie van volume en velocity omvatten social media data (bijvoorbeeld twitter-gegevens in de verkiezingstijd), zoekgedrag op het web, gps-data, etc. Variety gaat vervolgens om het koppelen van verschillende databronnen. Kees Aarts geeft hierbij het voorbeeld van het stelsel van sociaalstatistische bestanden van het CBS, waarbij gegevens van organisaties worden gekoppeld aan activiteiten van mensen, die vervolgens worden gekoppeld aan personen. Deze gegevens over personen worden vervolgens weer gekoppeld aan ruimtelijke data (bijvoorbeeld adresgegevens), maar ook aan gegevens over huishoudens. In dit verband verwijst Kees Aarts naar de virtuele volkstelling van Nederland (Bakker et al, 2014).

2 Pagina 2 van 7 Eén van de thema s van de Big Data-commissie gaat over de vraag of er sprake is van een paradigmawisseling. Hey et al (2009) beschrijft de verschillende science paradigms en stelt dat er vandaag de dag een paradigma-wisseling heeft plaatsgevonden naar data exploration. Kees Aarts vraagt zich echter af of dit wel echt het geval is en noemt hierbij vijf spanningsvelden. 1. Hij stelt dat data een misleidende term is: data zijn nooit gegeven, maar worden altijd geconstrueerd, terwijl de term Big Data eigenlijk de suggestie wekt dat de data er al zijn. Met andere woorden: er moet iets gedaan worden voordat we de data krijgen. Het gevolg hiervan is dat er altijd een keuze moet worden gemaakt over wat er wordt waargenomen. Deze keuze heeft gevolgen voor de betrouwbaarheid en geldigheid van de data: Kees Aarts stelt namelijk dat er een grote kloof is tussen het waarnemingsproces en de data die we willen analyseren. 2. Vervolgens stelt Kees Aarts dat conventionele statistische toetsen hun betekenis verliezen, doordat de steekproefgrootte (of in sommige gevallen de gehele populatie) zo groot is dat deze conventies eigenlijk altijd wel zullen gelden. 3. Daarnaast wordt de geldigheid problematisch. Hierbij onderscheidt Kees Aarts de externe geldigheid en de interne geldigheid. De externe geldigheid omvat de vraag of de resultaten te generaliseren zijn. Zo dient men zich af te vragen waar de data vandaan komen en voor welk geheel ze staan. De interne geldigheid gaat over het verschil tussen correlatie en causaliteit: Big Dataonderzoek richt zich namelijk voornamelijk op correlaties. 4. Vervolgens gaat Kees Aarts in op verificatie en replicatie. Hij stelt dat de FAIR-principes belangrijke vereisten inhouden: findable, accessible, interoperable & re-usable. Bij verificatie en replicatie speelt eigenaarschap een belangrijke rol. Grote datasets zijn veelal eigendom van grote bedrijven en dit kan problemen opleveren. Hij geeft hierbij het voorbeeld van de American Economic Review (naar het artikel van Einav & Levin (2014) in Science). De auteurs hebben onderzoek gedaan naar het aantal artikelen in de AER dat stelt gebruik te hebben gemaakt van administrative of private data, zodat de publicatie van de dataset niet vereist is: ze laten zien dat een steeds groter gedeelte van de artikelen valt onder deze uitzonderingsgrond, zodat publicatie van de data niet vereist is. 5. Tot slot gaat Kees Aarts in op persoonsbescherming. Zo geeft hij het voorbeeld van America Online, een Amerikaans bedrijf dat drie maanden geanonimiseerde zoekgeschiedenis van gebruikers beschikbaar stelde voor de wetenschap. Aan de hand van de zoekopdrachten werd Thelma Arnold echter geïdentificeerd als gebruiker # en kon er zelfs worden vastgesteld dat haar hond zindelijkheidsproblemen had. Kees Aarts stelt dat mensen zich onvoldoende bewust zijn van de privacy-risico s door de geïnterpreteerde kennis die over hen beschikbaar is zoals bij Thelma Arnold en dat disclaimers onvoldoende begrepen worden. Deze vijf kanttekeningen verdienen aandacht voordat er over een paradigmawisseling gesproken kan worden. Voor de toekomst van de sociale wetenschap stelt Kees Aarts dat er een infrastructuur nodig is zodat de kwaliteit van metingen, de methodologische en statistische expertise en de maximale generaliseerbaarheid wordt bewerkstelligd. Ook moet de infrastructuur ervoor zorgen dat de FAIRprincipes operationeel worden, het eigenaarschap van de data wordt geregeld en privacy wordt beschermd. Kees Aarts geeft aan dat de volgende stappen in gang zijn gezet: i) op 27 oktober wordt er een koepelvoorstel voor een nieuwe nationale roadmap voor een dataplatform voor mens- en maatschappijwetenschappen gelanceerd (NDSW); ii) de lange termijnagenda van de KNAWcommissie Agenda grootschalige onderzoeksfaciliteiten omvat de ontwikkeling van een datainfrastructuur voor de sociale wetenschappen, biologie, medicijnen, genetica en informatica (termijn: jaar). Het Big Data-adviesrapport van de KNAW zal omstreeks januari 2017 klaar zijn. Big data in een vrije en veilige samenleving. Opmerkingen naar aanleiding van het WRR-rapport Ernst Hirsch Ballin, Universiteit van Tilburg, Universiteit van Amsterdam Ernst Hirsch Ballin presenteert het WRR-rapport Big Data in een vrije en veilige samenleving. Hij verwijst naar het antwoord van de minister van J&V op de Kamervraag of er niet effectiever gebruik kan worden gemaakt van gegevens in strafrechtelijk onderzoek (aanhangselnummer 3413). De

3 Pagina 3 van 7 minister antwoordt hierop dat er binnen het Rijk al op verschillende manieren gebruik wordt gemaakt van Big Data-analyses. Vervolgens gaat Ernst Hirsch Ballin net als Kees Aarts in op de definitie van Big Data. Gewezen wordt op het belang van het onderscheid tussen correlatie en causaliteit. Correlatie op een plaats van een misdrijf is nog geen bewijs, daar is een redelijk vermoeden van schuld voor nodig. En het is juist aanlokkelijk om iets te doen met veelvoorkomende gedragingen binnen bepaalde bevolkingsgroepen. Daarna stelt Ernst Hirsch Ballin dat het domein van veiligheid een bijzonder domein is. Zo is een bedrijf als Amazon zeker niet te vergelijken met de politie. Ook stelt hij dat het legaliteitsbeginsel en de waarborging van fundamentele rechten niet af te wegen is: hij verwijst hierbij naar de nieuwe afwegingen van vrijheid en veiligheid na 9/11. Deze andere afwegingen zijn naar hun aard instabiel. Daarnaast zijn Big Data ook nuttig voor de veiligheid. Hierbij wordt verwezen naar de mogelijkheden van crowd control, met als voorbeeld het project in het uitgaansgebied Stratumseind in Eindhoven. Ernst Hirsch Ballin stelt dat er een sterkte-zwakte analyse moet plaatsvinden om de beloftes (beter, sneller, goedkoper, veilig, etc.) en de beperkingen (bias, gebrekkige kwaliteit, correlatie is geen causaliteit, juiste instrument, etc.) van Big Data in kaart te kunnen brengen. De aanbeveling die hiervoor wordt gedaan is het stellen van randvoorwaarden, bijvoorbeeld omtrent de beschikbaarheid van data, de expertise en inbedding in de organisatie en de beveiliging. Ook moeten de risico s in kaart worden gebracht. Deze risico s ontstaan bijvoorbeeld door het werken met bepaalde profielen (bijvoorbeeld etniciteit), waardoor de vraag moet worden gesteld of er mogelijk immorele sociale effecten kunnen ontstaan. Ernst Hirsch Ballin noemt ook een aantal andere risico s, zoals function creep, chilling effects en het feit dat er uit niet-persoonlijke data (dan wel niet gevoelige persoonsgegevens) gevoelige persoonsgegevens kunnen worden geconstrueerd. Het laatste brengt met zich mee dat het indelen van gegevens in deze categorieën, wat men tracht te doen, eigenlijk niet mogelijk is. Vervolgens gaat Ernst Hirsch Ballin in op het juridisch kader en haalt in bijzonder artikel 8 van het Handvest van de grondrechten van de Europese Unie aan. Artikel 8 lid 2 stelt: [d]eze gegevens moeten eerlijk worden verwerkt, voor bepaalde doeleinden en met toestemming van de betrokkene of op basis van een andere gerechtvaardigde grondslag waarin de wet voorziet. Eenieder heeft recht op toegang tot de over hem verzamelde gegevens en op rectificatie daarvan. Secundair gebruik van data zorgt ervoor dat het juridische kader (met betrekking tot het vereiste van binding aan bepaalde doeleinden) gebrekkig is. Ook neemt het juridische kader dataminimalisatie als uitgangspunt, terwijl het bij Big Data nu juist draait om grote, en het liefst nog grotere datasets. Aangezien een herziening van het Handvest niet binnen handbereik is, wordt deze bepaling momenteel wat opgerekt. Ernst Hirsch Ballin stelt dat de huidige kaders zich momenteel hoofdzakelijk richten op het verzamelen van data, terwijl de meerwaarde juist zou liggen bij de regulering van de fases van analyse en gebruik, zodat er toezicht komt op wat er in de algoritmes gebeurt. Met betrekking tot de fase van analyse moet onder andere het algoritmische hart van de analyse voor toezicht toegankelijk worden gemaakt. En met betrekking tot de fase van gebruik moet er een verbod komen op (semi)automatische besluitvorming. De verantwoordelijkheid en de bewijslast (juridisch) moeten worden verankerd bij de gegevensverwerkende partij. Ernst Hirsch Ballin stelt dat Big Data grote impact hebben op de mogelijkheid tot distantie. Met distantie is er ruimte voor persoonlijke vrijheid. Door het recht wordt deze distantie mogelijk gemaakt, daar het recht zorgt voor vertrouwen zonder dat er enige persoonlijke connectie voor nodig is. De democratie zorgt voor distantie van de macht ten opzichte van het persoonlijk leven met persoonlijke vrijheid als resultaat. Big Data zijn killing voor distantie: door Big Data is het mogelijk om altijd alles van iedereen te weten. Hierdoor vervalt het onderscheid tussen de intieme, persoonlijke sfeer en de abstracte sfeer die wordt geordend door het recht. Een voorbeeld hiervan is crowd control, dat niet enkel gebruikt kan worden door de politie, maar ook door actoren met politieke beweegredenen. Hierdoor verliest de democratie het vermogen tot abstracte representativiteit en ontstaat er een totale transparantie. Ernst Hirsch Ballin vraagt zich af of het recht ons nog schuilplaatsen kan bieden, zodat men zich nog terug kan trekken uit de totale transparantie: kan er

4 Pagina 4 van 7 nog wel bescherming worden geboden tegen de druk van het opgeroepen ongenoegen, of dat het een kwestie van wennen? Afsluitend stelt Ernst Hirsch Ballin dat het kabinetsstandpunt in voorbereiding is. Wat betreft verder onderzoek moeten de puntjes nog worden ingevuld. Big data, data science, and ubiquitous computing there s something fishy going on Maarten van Steen, CTIT, Universiteit Twente Maarten van Steen stelt dat hij het perspectief van een informaticus op een eenvoudige manier zal weergeven in zijn presentatie. Hij werkt met large-scale distributed computer systems en heeft de afgelopen jaren vooral onderzoek gedaan door middel van het scannen van grote mensenmassa s. Hierbij is hij geïnteresseerd in patronen. Het onderzoek naar patronen in grote mensenmassa s geschiedt door middel van de apparaten die mensen dragen. Deze apparaten kunnen ook andere apparaten van andere mensen detecteren. Een voorbeeld hiervan is wifi checking, waarbij er gebruik wordt gemaakt van bijvoorbeeld smartphones en wearables. De wetenschappelijke vraag hierbij houdt vooral in hoe er uit very lousy data informatie kan worden gehaald. Het doel is niet het verzamelen van data op individueel niveau an sich, maar deze informatie is wel nodig voor de analyses. Veel persoonlijke data worden dan ook weggegooid, maar dit brengt wel de problematiek omtrent persoonsgegevens met zich mee. Vervolgens gaat Maarten van Steen in op de rol van computers in de Big Data-omgeving. Hij stelt dat een computer niet alleen een computing instrument is, maar ook gebruikt wordt als information retrieval device en als data gathering & analysis system. Wat betreft een computer als rekenapparaat stelt Maarten van Steen dat mensen eigenlijk een programma en wat data in een computer stoppen, om er vervolgens een antwoord uit te krijgen: bij sophisticated programma s en data worden er vervolgens sophisticated antwoorden verkregen. Bij Big Data kunnen datasets niet zomaar met een computer worden geanalyseerd, maar moeten ze eerst worden gecleand. Indien computers worden gebruikt voor information retrieval, hoeft men niet na te denken over het programma en de data die worden gebruikt: er wordt een query gedaan en het antwoord wordt verkregen. In dat geval verwerkt de computer namelijk de dataset en hoeft de wetenschapper enkel over de vragen die worden gesteld na te denken. Voor Big Data, waarbij er een sophisticated query wordt gedaan, is er een grotere computer nodig en staan de datasets overal verspreid, gekoppeld aan de cloud. Maarten van Steen stelt dat bij information retrieval het antwoord wordt bepaald door het vraaggedrag: computers geven geïnterpreteerde antwoorden, waardoor er een bias ontstaat. Bovendien is het bij Big Data eigenlijk niet meer te achterhalen waar een antwoord vandaan komt. Hij geeft een voorbeeld ter illustratie: een weergave van circa mensen in een vierkant plaatje. Elke persoon wordt weergegeven door een punt en detectie wordt weergegeven door een lijntje. De zaal observeert een stroom door de mensenmassa (een lane). Deze lane is vrij makkelijk te observeren, maar welke vraag zou aan de computer moeten worden gesteld om de lane te ontdekken? Hiervoor moet er extra informatie worden gegeven aan de computer over de context. Met andere woorden: je moet informatie aan de computer geven om uiteindelijk informatie te krijgen. Maarten van Steen verwijst hierbij naar het closure principle: bij het opzoeken van informatie moet je ergens beginnen en het startpunt geeft reeds informatie over het antwoord dat je gaat vinden. Vervolgens geeft Maarten van Steen een aantal voorbeelden van computers for control. Zo geeft hij Tesla als voorbeeld van een embedded system ( een computer waar je in kunt zitten ). Ook heeft hij het over smart watches en over een robotvogel die dient als vogelverschrikker. Deze computers (robots) verzamelen sensed data, deze data worden geanalyseerd, uit deze analyse volgt feedback voor de computers, die vervolgens weer sensed data verzamelen. Zoals BMW het verwoordt: Robots And Humans Team Up At BMW To Digitally Disrupt Auto Industry. In Big Data embedded systems kunnen robots meer sensed data verzamelen, daarmee kunnen vervolgens sophisticated analyses plaatsvinden die vervolgens weer leiden tot feedback voor de robots. En in plaats van robots worden er ook data verzameld van mensen (de maatschappij), die data worden geanalyseerd

5 Pagina 5 van 7 met Big Data-technieken, waaruit vervolgens weer feedback volgt voor de maatschappij, waardoor ook deze cirkel weer rond is. Maarten van Steen stelt vervolgens dat we achterlopen op de snelheid waarmee de technologie vooruitgaat en laat een figuur zien waarin de kennis in de technologie exponentieel sneller stijgt dan de kennis van de omgeving, waardoor het verschil in begrip steeds groter wordt (met op de y-as begrijpen en op de x-as tijd ). We kunnen de maatschappij op allerlei verschillende manieren meten, bijvoorbeeld in smart industries. Zoals de bovenbeschreven cirkel beschrijft, worden de metingen ook weer teruggestuurd naar de maatschappij. Maarten van Steen sluit af met de volgende boodschap: data zijn niet meer wat het geweest is, data worden automatisch verzameld, geïnterpreteerd en geselecteerd op manieren die we niet langer helemaal (kunnen) begrijpen. Ook zijn de causale effecten niet meer vast te stellen in menselijke gedragingen, omdat mensen en computers zeer nauw verweven zijn geworden. Tot slot stelt hij dat er toch nog vaak met ouderwetse data wordt gewerkt en dat er meer aandacht zou moeten komen voor data-driven processes. Big data: praktijkervaringen in het veiligheidsdomein Erwin Lanting, Tardis Research Erwin Lanting is directeur van Tardis Research, een bedrijf dat zich bezighoudt met onder andere computational linguistics en contraterrorisme, waarbij er veel gebruik wordt gemaakt van web and social media intelligence (open-source data). Tardis Research levert vooral diensten aan de overheid (inclusief technieken, methodiek en procesinnovatie). Het werkveld omvat met name grootschalige evenementen waar Erwin Lanting twee voorbeelden van noemt in zijn presentatie: de Nuclear Security Summit en het festival Tommorowland in België. Essentieel bij deze projecten is het waarnemen van escalatiepunten; in dat geval wordt namelijk de verantwoordelijkheid overgedragen aan de politie. Erwin Lanting bespreekt het juridisch kader waarin Tardis Research opereert. Hij noemt artikel 282 lid 2 van het Wetboek van Strafrecht, artikel 3 Politiewet, artikel 8 Wet politiegegevens en artikel 8 EVRM. Erwin Lanting stelt dat Tardis Research gericht data verzamelt bij grootschalige evenementen (niet stelselmatig). Voorafgaand aan het evenement bekijkt Tardis Research alle berichten op de sociale media, waaronder voornamelijk Twitter, die over dit evenement gaan om eventuele dreigingen in kaart te kunnen brengen. Deze dataverzameling moet op een tactische manier gebeuren. Hiermee wordt bedoeld dat van tevoren moet worden vastgesteld naar welke begrippen er moet worden gezocht. Erwin Lanting geeft hierbij het voorbeeld dat het zoeken op de naam Ban Ki-Moon weinig resultaten opleverde, maar Spanky Banky, zijn bijnaam, wel. Een ander voorbeeld is het zoeken op de termen mijn, of in het Engels mine, of het woord bom (Braziliaans bom dia ): deze woorden kunnen grote hoeveelheden aan (irrelevante) resultaten opleveren. Vervolgens vertelt Erwin Lanting over een crowd monitoring-project op het Belgische festival Tomorrowland, waarbij hij de term real-time event monitoring gebruikt. ID&T is de organisator van Tomorrowland. Verder zijn er allerlei partners betrokken bij de organisatie, zoals de politie, de airport authority etc. Tardis Research volgt alle sociale mediacommunicatie zoals twitterberichten en stelt censors vast waar rekening mee wordt gehouden, zoals bijvoorbeeld de voedselveiligheid, het weer, etc. Erwin Lanting spreekt over een micro-omgeving waarin er meer mogelijk is voor Tardis Research dan daarbuiten het geval zou zijn. Zo geven bezoekers van tevoren toestemming en kunnen ze hun festivalbandje koppelen aan hun facebookaccount, waardoor er weer extra informatie beschikbaar komt via de sociale media. Drugshandel (met inbegrip van handel in gevaarlijke pillen) kan snel worden getraceerd aan de hand van de data. Indien er een concreet gevaar wordt geconstateerd, kunnen er via de matrixborden op het festivalterrein vervolgens waarschuwingen worden gegeven, bijvoorbeeld voor bepaalde drugs. Deze matrixborden worden namelijk aangestuurd vanuit de controlekamer. Voor aanvang van het festival Tomorrowland werden er zo n 10 miljoen twitterberichten bekeken door Tardis Research. Gedurende het festival (duur: twee dagen) waren dit nog eens 6 miljoen berichten. Deze berichten worden geanalyseerd met modellen die geformaliseerde vooroordelen bevatten per censor of thema. Hierdoor kunnen dreigingen op een geautomatiseerde manier worden

6 Pagina 6 van 7 gedetecteerd. Erwin Lanting stelt dat dit niet altijd begrijpelijk meer is, maar dat de resultaten erg goed zijn. Een tweede voorbeeld is de Nuclear Security Summit (NSS) in Den Haag. Erwin Lanting stelt dat vliegtuigspotters voornemens waren om tijdens de NSS foto s te maken rondom Schiphol. Voorzorgsmaatregelen bestonden onder meer uit het verbod op telelenzen. Een eerste analyse wees uit dat het ging om een groep van circa vliegtuigspotters, vanuit binnen- en buitenland. De vliegtuigspotters maken voor hun communicatie vooral gebruik van speciale spottersfora, waardoor de normale sociale media niet alle informatie opleverden. Tardis Research heeft de communicatie via deze fora letterlijk in kaart gebracht en op deze manier twee plekken gevonden voorafgaand aan de NSS die nog niet waren opgenomen in de beveiliging. Erwin Lanting laat hiermee zien dat dataverzameling via de het internet allerlei mogelijkheden biedt om evenementen te beveiligen. Tot slot stelt Erwin Lanting nogmaals dat er binnen het kader van grote evenementen meer mogelijk is dan erbuiten. Dit leidt ook binnen de overheid tot onbegrip, vooral bij de politie. Hij vraagt zich af of we mensen, zoals de vliegtuigspotters, zonder verdenking wel mogen volgen, en gegevens mogen gebruiken die openbaar beschikbaar zijn, ook als we ze bewerken. Big data: alle Handelingen der Tweede Kamer Maarten Marx, Instituut voor informatica, Universiteit van Amsterdam Maarten Marx presenteert het gebruik van Big Data-technieken om comparatief onderzoek naar parlementaire stukken te vereenvoudigen: de zoekmachine PoliticalMashup. Het gaat hierbij om alle parlementaire handelingen die op zo n manier worden omgezet zodat één machine ze kan lezen. Er moet informatie over politici, de partijen en de speeches beschikbaar zijn via deze repository. Over elk uitgesproken woord is er dan ook informatie nodig met betrekking tot wanneer het gezegd is, door wie, in wat voor rol en in welke context, etc. Deze metadata worden dan aan de parlementaire handelingen toegevoegd in de repository PoliticalMashup. Deze repository is zeer omvangrijk, zowel in de breedte (het aantal landen), als in de diepte (het verleden). Allereerst gaat Maarten Marx in op de vraag of een dergelijke repository eigenlijk wel iets nieuws is. Antwoord: in een bepaald opzicht niet echt. Zo geeft hij een tijdlijn met initiatieven uit het verleden die het doel hadden om overheidsdocumenten te digitaliseren. In 1848 was er bijvoorbeeld een parlementair besluit om Handelingen met terugwerkende kracht vanaf 1814 te reconstrueren. En in 1904 werd de opdracht gegeven om alle handgeschreven resoluties van de Staten-General vanaf het begin (1576) te ontcijferen en openbaar te maken. Momenteel moet dit voor de jaren nog gebeuren. Vervolgens zijn in 2003 alle stukken van online beschikbaar gemaakt via En in 2008 werd de eerste versie van politicalmashup.nl gelanceerd. Tot slot, in 2010 werd Parlando omgedoopt tot overheid.nl en werden alle kamerstukken ook beschikbaar in XML. Soortgelijke initiatieven zijn ook in andere landen ondernomen. Aan de andere kant stelt Maarten Marx dat deze repository wel degelijk iets nieuws is: digitalisering beperkt zich namelijk veelal tot een schermversie van het papieren origineel. Hij spreekt over het inscannen van documenten, eventueel met optische karakterherkenning, vrij summiere metadata en knullige websites. Echte digitalisering houdt echter ook in dat de tekst kan worden geïnterpreteerd door een machine. Impliciete informatie wordt op deze manier expliciet, en van de tekst wordt gestructureerde data gemaakt waar men door middel van zoek- en analysemethoden informatie uit kan halen. Gestructureerde data worden verkregen door van de parlementaire handelingen een spreadsheet te maken, waarbij elke rij een resolutie weergeeft en kolommen worden opgenomen met de datum, het resolutienummer, de resolutietekst, bijbehorende voetnoten, alle genoemde personen, etc. Een voorbeeld van het uit tekst gestructureerde data maken is IBM Watson: deze computer won het spel Jeopardy! door van allerlei bronnen, zoals Wikipedia, gestructureerde en voor een machine leesbare informatie te maken. Vervolgens stelt Maarten Marx de vraag waarom deze repository eigenlijk wordt gemaakt. Hij geeft aan dat de parlementaire handelingen een vrijwel onveranderd meetinstrument vormen, en dat eigenlijk alles wat van belang is, wordt besproken in het parlement. Bovendien zijn er longitudinale

7 Pagina 7 van 7 metingen beschikbaar en zijn deze documenten vrij gestandaardiseerd over verschillende landen. Deze aspecten zorgen ervoor dat de parlementaire handelingen een fantastische bron vormen. Maarten Marx geeft twee voorbeelden van gebruik: i) Easy search and exploration, waarbij er op een eenvoudige manier naar tekst kan worden gezocht, die vervolgens uitgebreider wordt geanalyseerd. Bovendien kan men eenvoudig refereren naar de gebruikte bronnen door middel van een unique identifier voor elke speech. ii) Data science like applications, waarbij het begrip immigratie als voorbeeld wordt gegeven. Het is hierbij mogelijk om de ontwikkeling van woorden die te maken hebben met immigratie te plotten. Er wordt bijvoorbeeld gekeken naar de context van de woorden ( neigbouring words ), kunnen begrippen tevens worden gegroepeerd per politieke partij en is het mogelijk om de ontwikkeling van dit begrip te vergelijken met andere landen als bijvoorbeeld Canada en Engeland. Een ander voorbeeld is het tellen van het aantal interrupties bij speeches van Wilders, zodat onderzocht kan worden wie er anti-wilders is. Deze interrupties worden dan bijvoorbeeld weergegeven in een figuur met op de x-as de tijd. Een andere vraag is bijvoorbeeld wie er veel clichés gebruikt (zoals, klip en klaar, boter bij de vis, etc.). Tot slot wordt het voorbeeld gegeven van het gebruik van linkse en rechtse woorden in de afgelopen tien jaar. Zo wordt er gekeken naar het term normen en waarden (of waarden en normen ). Wat blijkt? Deze van oorsprong zeer christelijke term wordt vandaag de dag vooral gebruikt door de PVV. Tot slot laat Maarten Marx zien hoe de website politicalmashup.nl werkt aan de hand van de zoekterm referendum. Zoals gezegd, omvatten de data in deze repository de parlementaire handelingen, bestaande uit de verschillende actoren (politici en partijen) en de structuur van de Handelingen zelf (inclusief de opening, het aantal onderwerpen etc.). Er is gekozen voor een nested model waarbij de niveaus onderwerpen, scenes, sprekers en paragrafen worden gehanteerd. Zoals hij in het begin van zijn presentatie heeft aangegeven, laat hij zien dat er naast de parlementaire handelingen ook veel metadata worden toegevoegd. Verslag: Anne Lafarre, docent ondernemingsrecht TiU, promovenda TiU