Samenvatting: boek Big data en innovatieve methoden voor criminologisch onderzoek

BIG DATA & INNOVATIEVE METHODEN
VOOR CRIMINOLOGISCH ONDERZOEK
Het boek is ingedeeld in 3 delen.

Inleiding
HOOFDSTUK 1: NIEUWE TECHNOLOGIEËN ALS MOTOR VOOR INNOVATIES IN
CRIMINOLOGISCH ONDERZOEK
1.1. INLEIDING

Ø Sociale wetenschappen (Bushway & Weisburd, 2006)
 De sociale wetenschappen, waaronder de criminologie, staan voor de voortdurende
uitdaging om geschikte onderzoeksmethoden te kiezen. Ze moeten bestaande methoden
uit andere disciplines importeren, kritisch evalueren (introspecteren) en waar
nodig vernieuwen (innoveren) om complexe maatschappelijke en gedragswetenschappelijke
vraagstukken beter te begrijpen.

o Importeren: Criminologie = interdisciplinaire en objectwetenschap zonder eigen
methodologie.
 Criminologie is dus interdisciplinair omdat het geen eigen unieke methode
heeft om criminaliteit te onderzoeken.  Interdisciplinair betekend dus dat
ze methoden leent van andere vakgebieden (zoals sociologie, psychologie,
economie, recht en biologie) om criminaliteit te analyseren vanuit
verschillende perspectieven.
o Noodzaak om methoden te ontlenen !
 Criminaliteit is een complex fenomeen dat verschillende dimensies kent
zoals: sociale, psycho,… Daarom is het noodzakelijk methoden uit die
dimensies te gebruiken om betrouwbare en complete verklaringen te
vinden.
 Methodologische innovaties leiden tot nieuwe inzichten door de verschillende meetniveaus
 De opkomst van big data breidt de set van beschikbare databronnen uit

 Dit verzamelwerk behandelt (2) belangrijke academische ontwikkelingen binnen de zogenaamde
crime science:
(1) Gebruik van big-data-analysemethoden
(2) Uitdaging om disciplines bijeen te brengen

 “De criminoloog van morgen is maar zo sterk als het instrumentarium waarover hij/zij beschikt”
• Want: criminologen moeten over andere competenties en vaardigheden
beschikken omwille van de verscheidenheid aan innovatie methoden.
• Methodologisch onderwijs als basis  MAAR het ontbreken van een (standaard)handboek
vergemakkelijkt de inbedding niet




1

,1.2 DE VIERDE INDUSTRIËLE REVOLUTIE EN NIEUWE TECHNOLOGIEËN.




De evoluties op vlak van dataverzameling en -analyse hangen samen met de technologische vooruitgang.
Vandaag bevinden we ons in de 4de industriële revolutie De eerste drie industriële revoluties hebben in die
zin de vierde industriële revolutie mogelijk gemaakt.

 De eerste drie industriële revoluties legden de basis:
1. Eerste revolutie (18e-19e eeuw): ijzer, textiel, stoommachine.
2. Tweede revolutie (1870-1914): staal, olie, elektriciteit, telefoon, gloeilamp.
3. Derde revolutie (1980-heden): digitale revolutie, pc, internet, ICT.
 Vierde revolutie: bouwt voort op de digitale revolutie met robotica, AI, nanotechnologie,
quantum computing, IoT, 3D-printen, zelfrijdende auto’s (Schwab, 2017).


 Gevolg: enorme datastromen ontstaan, wat leidt tot big data en talloze nieuwe
toepassingen in wetenschap, industrie en bij particulieren.
 Uitdagingen voor criminologie en onderzoek:

o Hoe omgaan met de grote hoeveelheid data?
o Voor welke doeleinden kunnen big data gebruikt worden?
o Welke vaardigheden zijn nodig om betrouwbare conclusies te trekken?

Kern: De vierde industriële revolutie creëert ongeziene hoeveelheden data die kansen en
uitdagingen bieden voor onderzoek, technologie en samenleving.

1.3. DATA

Data zijn abstracte representaties van de werkelijkheid zoals : cijfers, symbolen, tekst, afbeeldingen, geluiden,
bits, enz die op zichzelf bestaan en nog geen betekenis of interpretatie hebben. Ze vormen de bouwstenen
van informatie en kennis. (kort=Ruwe data.  gevormd tot kennis Dan wijsheid).


1.3.1 DE KENNISPIRAMIDE

Kennispiramide- Dikw-piramide:




2

, W ijsh
eid →
kennis
toege
past in
besluit
vorm i
ng en
actie;
toeko
m stge
Kennis richt
→ inform atie
gecom bineerd
en m et
ervaring, interpretatie
sterk en
inzicht;
subjec
hier kom t
subjectiviteit
tief. bij kijken.

Inform atie → data waaraan context is
toegevoegd (het wie, wat, wanneer, waar);
hierdoor krijgt het betekenis.



Data (gegevens) → ruwe feiten of m etingen; nog niet verwerkt en
zonder context.




De w ereld




De DIKW-piramide laat dus zien hoe we bewegen van niets weten (ruwe data) naar wijs
handelen (doordachte beslissingen).

De piramide is niet lineair: De toepassing van kennis/wijsheid beïnvloedt de werkelijkheid, die weer
kan leiden tot nieuwe data.--> Zo ontstaat er een feedbackloop. (resultaat van een actie heeft weer
invloed op het begin van het proces.

 Hoe hoger je gaat in de piramide, hoe meer betekenis en waarde iets krijgt.
 Hoe lager je gaat, hoe minder betekenis er is.
 Kort: context maakt data nuttig en verandert het in informatie.


1.3.2. SOORTEN DATA

Door de snelle opkomst van nieuwe technologieën neemt de hoeveelheid gegenereerde data sterk
toe. Data kan op verschillende manieren worden ingedeeld.

 Kwalitatieve en kwantitatieve data
 Primaire, secundaire en tertiaire data
 Made en found data
 Index-, attribuut- en metadata
 Gestructureerde, semi gestructureerde, ongestructureerde
 Primitieve en niet-primitieve data



(1) KWALITATIEVE EN KWANTITATIEVE DATA
 Kwalitatief = niet-numerieke data
o Bv. Tekst, foto’s, video’s, geluid
o Dit kan eventueel gekwantificeerd worden  In numerieke data omgezet.




3

,  Voorbeeld:Uit interviews over buurtveiligheid wordt vaak opgeschreven wat
mensen zeggen (kwalitatief).  Deze uitspraken kunnen bijvoorbeeld
worden geteld of gecategoriseerd: “10 mensen voelen zich veilig, 5 mensen
voelen zich onveilig.”  Zo ontstaat kwantitatieve informatie uit
kwalitatieve bronnen.

 Kwantitatief = numerieke data
o Nominale variabelen: categorisatie (bv. haarkleur)
o Ordinale variabelen: ordening in categorieën (bv. opleidingsniveau)
o Intervalvariabelen: gelijke verschillen tussen de categorieën (bv. verschil 0°C en 5°C
= verschil 20°C en 25°C)
o Ratiovariabelen: absoluut nulpunt (bv. leeftijd)



(2) PRIMAIRE, SECUNDAIRE EN TERTIAIRE DATA

 Primair: data wordt gebruikt door de onderzoekers die ze zelf verzameld hebben (voor hun
eigen doeleinden), bv eigen enquetes.
 Secundair: verzameld door anderen voor andere (primaire) doeleinden. Dus als ik die
primaire data gebruik en ik gebruik die data voor mijn eigen doeleinden(andere) dan is mijn
document secundair.
Bv. Politiediensten die criminaliteitscijfers bijhouden
 Tertiair: komt voor uit de verwerking van primair en secundaire data
o Het gaat dus om informatie die niet rechtstreeks gemeten is, maar
bijvoorbeeld geordend, geanalyseerd of samengevat wordt. (primaire+secundaire
data)

(3) MADE EN FOUND DATA

 Made data: data die actief wordt gecreëerd door mensen of systemen. (bv: surveys)
 Found data: data die toevallig wordt gevonden of beschikbaar is. (Bv: social media data,
sensorgegevens)
 Verschil met primaire en secundaire data: is dat made/found kijkt naar oorsprong van de
data, terwijl primaire/secundaire kijkt naar gebruik door de onderzoeker.
  Dit is een andere manier om naar data te kijken, gebaseerd op de aard van de creatie (zie
hoofdstuk 4).


(4) INDEX-, ATTRIBUUT- EN METADATA
 Indexdata: data die identificatie en koppeling mogelijk maken = unieke identificatoren (bv.
Studentennummer)  Bedoeld om iets 1 op 1 te kunnen herkennen.
 Attribuutdata: data over aspecten(kenmerken) van een bepaald verschijnsel, maar niet
indexerend van aard, het identificeerd niet. (bv. Geslacht)
 Metadata: Data over data, onderverdeeld in: (denk aan foto (de data), en het tijdstip, locatie,
…  meta data)
o Beschrijvende metadata: gebruikt om data te verkennen en informatie op te zoeken
en te lokaliseren HELPT ZOEKEN EN VINDEN VAN DATA
 (bv. Resp. burgerservice- of rijksregisternummer)
o Structurele metadata: beschrijft hoe de data is opgebouwd en aan elkaar
verbonden (bv. Leeftijd moet een integer getal zijn tussen 0 en 120)

4