Categorieën
Policy Algorithms Sociaal Domein

Brainstorm Sociaal Domein en AI

Voorbeelden en knelpunten bij de inzet van kunstmatige intelligentie en sturing in het sociaal domein.

Verschillende deskundigen gingen in op mijn uitnodiging om de mogelijkheden van de inzet van kunstmatige intelligentie in het sociaal domein te bespreken.

In ieder geval twee uitkomsten wil ik u meegeven:

Voorbeelden van onderzoeken die gedaan zijn/worden:

Heerlen richtte zich op het generatieprobleem, waarbij bepaalde achterstanden van generatie op generatie blijven bestaan. Met een model en behulp van gegevens van CBS zijn hier factoren van invloed geanalyseerd. Dit kon helpen bij ondersteuning. Het blijkt echter lastig te bepalen welke interventies werken.

In het lectoraat Data Science van de HHS doen ze onderzoek naar fysieke en mentale gezondheid van studenten in relatie tot onderwijsprestaties. Het dan van belang om sociale factoren in verband te brengen met gerelateerde variabelen.

CBS onderzoekt bijvoorbeeld de samenhang tussen schuldhulpverlening en jeugdhulp.

Er is onderzoek gedaan naar de ondersteuning door AI bij het juridisch loket in gemeenten. AI kon leiden tot een betere uitvraag en informatievergaring. En deze informatie hielp de samenhang van vraagstukken en de aansturing/samenwerking van de deelnemers beter in beeld te krijgen.

Met de gemeente Rotterdam is gewerkt aan een factorenmodel over armoede. De gemeente had meer dan honderd factoren geïdentificeerd die een rol spelen bij armoede. De bedoeling was vervolgens met behulp van AI/Big Data/statistische gegevens te komen tot een onderbouwing van het factorenmodel. Het dataficeren van het vraagstuk bleek hierbij het grootse probleem.

Privacy

En er is een vraagstuk over privacy en het koppelen van data. Bijvoorbeeld, als we willen weten hoeveel kinderen met jeugdhulp op een bepaalde school zitten, dan is de koppeling van die bestanden privacygevoelig.

Welke data heb je nodig? Is het echt van belang om iets te weten op individueel niveau of kun je met trends uit de voeten? Want bij aggregatie van data is al meer mogelijk.

Het is mogelijk te werken met proxies. Bijvoorbeeld, de WOZ-waarde van een woning is een proxy voor inkomen.

Met het inzetten van CBS-data zijn al bepaalde waarborgen in plaats voor privacy. Daar wordt bijvoorbeeld gewerkt met gegevenslandschapssessies.

Dus er is meer ruimte voor wat betreft privacy. In de ELSA-labs vanuit de Nederlandse AI coalitie is hier al meer ervaring mee opgedaan.

Privacy wordt vaak als een belemmering gezien, maar dat hoeft niet.

  • Schuldenlab 070 heeft met behulp van CBS microdata kunnen werken.
  • In Utrecht is gewerkt met pseudonimisering van data, waardoor privacy minder relevant is.

Bij de inzet van Distributed AI, blijft data waar die hoort. Dan wordt alleen een aggregatie opgehaald die minder privacygevoelig is. Bijvoorbeeld het medische dossier: niet iedere organisatie die met die data wil werken moet een eigen bestand opbouwen. Door de gegevens bij anderen op te halen en te aggregeren, is alleen een code nodig voor die berekeningen. Bij het rijk werken ze aan een interbestuurlijke datastrategie om de data van bijvoorbeeld CBS en CPB bij elkaar te brengen.

Mijn bedoeling is uiteraard het vraagstuk van sturing in het sociaal domein verder te brengen. En ik verwacht dat grote analyses die hiervoor nodig zijn ondersteund kunnen worden met AI.

Het gaat tenslotte om het leven van onze inwoners te verbeteren.