‘Recidive beter voorspellen’

Delen:

Foto: Pexels

Het moet mogelijk zijn om recidive in strafzaken beter te voorspellen. In zijn proefschrift maakt WODC-medewerker Nikolaj Tollenaar gebruik van ‘machine learning’, dat beter kan werken dan de klassieke statistische methoden. Tollenaar promoveert 24 maart aan de Universiteit Utrecht op zijn dissertatie Prediction modelling for population conviction data.

Tollenaar behandelt de verschillende toepassingen waarvoor (recidive)voorspellingsmodellen binnen het kader van justitie kunnen worden gebruikt. Om dit goed te kunnen uitvoeren heeft hij onderzocht hoe goed verschillende soorten recidive kunnen worden voorspeld op basis van enkel justitiële registerdata. Hij keek naar de kwaliteit van de voorspellingen van recidive over de tijd en over regio’s.

Daarnaast onderzocht Tollenaar hoe een recidivevoorspelling kan worden geoptimaliseerd door moderne, rekenintensieve technieken uit onder meer machinaal leren (machine learning) en  predictieve data mining te gebruiken, naast klassieke statistische methoden. Probeert men recidive te voorspellen (er zal wel of geen recidive plaatsvinden) op een bepaald moment in de tijd, dan blijken moderne methoden weinig tot niet beter te zijn dan klassieke methoden. Voor de voorspelling van recidivekansen over een tijdsperiode vindt Tollenaar in sommige datasets wel bewijs voor potentiële verbetering.

Delen:

Het belangrijkste nieuws wekelijks in uw inbox?

Abonneer u op de Mr. nieuwsbrief: elke dinsdag rond de lunch een update van het nieuws van de afgelopen week, de laatste loopbaanwijzigingen en de recentste vacatures. Meld u direct aan en ontvang elke dinsdag de Mr. nieuwsbrief.

Scroll naar boven