NIEUWE TECHNOLOGIEËN ALS MOTOR VOOR INNOVATIES IN
CRIMINOLOGISCH ONDERZOEK
Inleiding
Het is belangrijk om methodologisch instrumentarium van een criminoloog niet te
beperken tot enkel de gekende soorten kwantitatieve en kwalitatieve methode
“If the only tool you have is a hammer, you tend to see every peoblem as a nail.” –
Abraham maslow
Wanneer je dus niet op de hoogte bent van de bestaande methode of enkel een
deel daarvan kan je nooit een beredeneerde keuze maken voor de meest passende
methode
Bushway & Weisburd (2006) merken op dat de sociale wetenschappen
geconfronteerd worden met een voortdurende uitdaging om methoden te importeren,
introspecteren en innoveren opdat we in staat zijn om onderzoeksvragen te
beantwoorden
1) Importeren
a. Noodzaak om methoden te ontlenen uit andere disciplines aangezien
criminologie van nature een interdisciplinaire wetenschap is zonder eigen
methode
b. In de criminologie gebruikt men inzichten en methoden uit verschillende
disciplines (wiskunde, politieke wetenschappen, sociologie, filosofie,
geschiedenis, biologie…)
c. Criminologie = objectwetenschap
2) Introspectie
a. Zelfreflectie over de gebruikte methode
3) Innovatie
a. Nieuwe methoden ontwikkelen, want methodologische innovaties leiden
tot nieuwe inzichten door de verschillende meetniveaus
b. We moeten inspelen op de big data, want de opkomst van big data breidt
de set van beschikbare databronnen uit
2 academische ontwikkelingen
Dit verzamelwerk behandelt (2) belangrijke academische ontwikkelingen
1) Gebruik van big-data-analysemethoden
a. Dit betekent dat criminologen steeds vaker grote hoeveelheden gegevens
analyseren met behulp van technologie, zoals algoritmes en
geavanceerde software
i. Grootste uitdaging hierbij is dat bij deze nieuwe/innovatieve
methoden andere competenties & vaardigheden vragen (algoritmes
denken, werken met technologie…)
2) Uitdaging om disciplines bijeen te brengen
a. Om al deze verschillende vakgebieden op een goede manier samen te
brengen, zodat ze elkaar versterken in het onderzoek
De criminoloog van morgen is maar zo sterk als het instrumentarium
waarover hij/zij beschikt
Want: criminologen moeten over andere competenties & vaardigheden beschikken
omwille van de verscheidenheid aan innovatieve methoden
1
,Methodologisch onderwijs als basis ontbreken handboek vergemakkelijkt inbedding
niet
De vierde industriële revolutie en nieuwe technologieën
De evoluties op vlak van dataverzameling en -analyse hangen samen met de
technologische vooruitgang
Vandaag de dag bevinden we ons in de zogenaamde 4de industriële revolutie, die
een data-explosie met zich meebrengt (opkomst van big data)
De vorige 3 revoluties waren voornamelijk gekenmerkt door vooruitgang in
technologie
1) Eerste industriële revolutie
IJzer en textiel industrie ontwikkelt
Opkomst stoommachine
2) Tweede industriële revolutie
Ontwikkeling van staal, olie, elektriciteit… heeft gezorgd voor volgende technologie
o Telefoon
o Gloeilamp
o Verbrandingsmotor
3) Derde industriële revolutie
Ook wel digitale revolutie genoemd
Wordt gekenmerkt door ontwikkeling van PC, internet…
4) Vierde industriële revolutie
Hierbij wordt vooral verder gebouwd op de digitale revolutie, om manieren te
vinden om technologie te verfijnen & implementeren/gebruiken (artificiële
intelligentie, 3D printen, robotica…)
Miljarden mensen maken gebruik van technologieën uit de digitale revolutie en de
4de revolutie wat een enorme instroom is aan data
2
, o Hierdoor spreken we van een data-explosie
o We spreken niet langer meer van data, maar van big data
Data
Onder invloed van nieuwe technologieën wordt veel meer data gegenereerd
Belangrijk is het feit dat data eigenlijk de bouwsteen is van kennis & informatie
Je kan data zien als een bron van informatie die je gaat gebruiken in uw onderzoek
Kennispiramide
De DIKW-piramide is een model dat laat zien hoe gegevens (data) worden omgezet in
bruikbare kennis & wijsheid, de piramide bestaat uit 4 lagen
Wisdom – applied
knowledge
Knowledge – organised
information
Information – linked elements
Data – abstracted elements
1) Data
= Data is een vereenvoudigde weergave van de werkelijkheid
Wanneer we data verzamelen, nemen we niet alles mee wat er in de echte wereld
gebeurt
We kiezen alleen specifieke aspecten die we belangrijk vinden om vast te leggen;
dit proces noemen we abstractie en reductie
o Abstractie = we richten ons alleen op wat relevant is & laten de rest weg
o Reductie = we vertalen iets complex (de echte wereld) naar iets eenvoudigs
en meetbaars (data)
2) Information
= De ruwe data moet geordend & georganiseerd worden, waardoor je betekenis kan
geven aan de verzamelde data (verbanden leggen)
3) Knowledge
= Door info te analyseren & interpreteren komen we tot kennis
4) Wijsheid of toegepaste kennis
= Wanneer we kennis effectief gaan gebruiken of toepassen
Soorten data
Onder invloed van nieuwe technologieën wordt veel meer data gegenereerd
Kwalitatieve en kwantitatieve data
Primaire, secundaire en tertiaire data
Made en found data
Index-, attribuut- en metadata
Primitieve en niet-primitieve data
3
, 1) Kwalitatieve & kwantitatieve data
Kwalitatief Kwantitatief
Niet-numerieke data Numerieke data
Vb. Tekst, foto’s, video’s, geluid Nominale variabelen = categorisatie (vb.
Dit kan gekwantificeerd worden haarkleur), zonder volgorde
Ordinale variabelen = ordening in
categorieën (vb. opleidingsniveau), met
volgorde dus
Intervalvariabelen = gelijke verschillen
tussen de categorieën (vb. verschil 0°C en
5°C = verschil 20°C en 25°C), 0 is niet echt
0, je kan onder 0 gaan
Ratiovariabelen = absoluut nulpunt (vb.
leeftijd)
2) Primaire, secundaire en tertiaire data
Primair = data wordt gebruikt door de onderzoekers die ze zelf verzameld hebben
Secundair = verzameld door anderen voor anderen (primaire) doeleinden
o Vb. Politiediensten die criminaliteitscijfers bijhouden
Tertiair = komt voor uit de verwerking van primair en secundaire data
3) Made & found data
Andere manier naar data kijken: aard van de creatie
Data kunnen worden gemaakt & gevonden
o Onderscheid met primaire en secundaire data
Bij primaire en secundaire data wordt er gekeken vanuit het perspectie
van de onderzoeker die de data op dat moment gebruikt
Terwijl bij meta & found data wordt gekeken vanwaar de data initieel
komt
4) Index-, attribuut- en metadata
Indexdata = data die identificatie en koppeling mogelijk maken = unieke
identificatoren (vb. studentennummer)
o Gegevens die gebruikt worden om iets of iemand uniek te identificeren en
aan andere gegevens te koppelen
o Het zijn unieke identificatore
Attribuutdata = data over aspecten van een bepaald verschijnsel, maar niet
indexerend van aard (vb. geslacht)
o Attribuut = kenmerk
o Dit zijn gegevens die iets beschrijven, maar die niet uniek zijn of niet kan
worden gebruikt om iets of iemand te identificeren
Metadata = data over data
o Helpt om gegevens beter te begrijpen, er zijn 3 soorten
Beschrijvende metadata = gebruikt om data te verkennen en
informatie op te zoeken en te lokaliseren (vb. resp. burgerservice- of
rijkregisternummer)
Structurele metadata = betrekking op de interne structuur en
beschrijven de relaties tussen elementen (vb. leeftijd moet een
integer getal zijn tussen 0 en 120)
Legt vast hoe de data intern in elkaar zit en welke regels gelden
4
CRIMINOLOGISCH ONDERZOEK
Inleiding
Het is belangrijk om methodologisch instrumentarium van een criminoloog niet te
beperken tot enkel de gekende soorten kwantitatieve en kwalitatieve methode
“If the only tool you have is a hammer, you tend to see every peoblem as a nail.” –
Abraham maslow
Wanneer je dus niet op de hoogte bent van de bestaande methode of enkel een
deel daarvan kan je nooit een beredeneerde keuze maken voor de meest passende
methode
Bushway & Weisburd (2006) merken op dat de sociale wetenschappen
geconfronteerd worden met een voortdurende uitdaging om methoden te importeren,
introspecteren en innoveren opdat we in staat zijn om onderzoeksvragen te
beantwoorden
1) Importeren
a. Noodzaak om methoden te ontlenen uit andere disciplines aangezien
criminologie van nature een interdisciplinaire wetenschap is zonder eigen
methode
b. In de criminologie gebruikt men inzichten en methoden uit verschillende
disciplines (wiskunde, politieke wetenschappen, sociologie, filosofie,
geschiedenis, biologie…)
c. Criminologie = objectwetenschap
2) Introspectie
a. Zelfreflectie over de gebruikte methode
3) Innovatie
a. Nieuwe methoden ontwikkelen, want methodologische innovaties leiden
tot nieuwe inzichten door de verschillende meetniveaus
b. We moeten inspelen op de big data, want de opkomst van big data breidt
de set van beschikbare databronnen uit
2 academische ontwikkelingen
Dit verzamelwerk behandelt (2) belangrijke academische ontwikkelingen
1) Gebruik van big-data-analysemethoden
a. Dit betekent dat criminologen steeds vaker grote hoeveelheden gegevens
analyseren met behulp van technologie, zoals algoritmes en
geavanceerde software
i. Grootste uitdaging hierbij is dat bij deze nieuwe/innovatieve
methoden andere competenties & vaardigheden vragen (algoritmes
denken, werken met technologie…)
2) Uitdaging om disciplines bijeen te brengen
a. Om al deze verschillende vakgebieden op een goede manier samen te
brengen, zodat ze elkaar versterken in het onderzoek
De criminoloog van morgen is maar zo sterk als het instrumentarium
waarover hij/zij beschikt
Want: criminologen moeten over andere competenties & vaardigheden beschikken
omwille van de verscheidenheid aan innovatieve methoden
1
,Methodologisch onderwijs als basis ontbreken handboek vergemakkelijkt inbedding
niet
De vierde industriële revolutie en nieuwe technologieën
De evoluties op vlak van dataverzameling en -analyse hangen samen met de
technologische vooruitgang
Vandaag de dag bevinden we ons in de zogenaamde 4de industriële revolutie, die
een data-explosie met zich meebrengt (opkomst van big data)
De vorige 3 revoluties waren voornamelijk gekenmerkt door vooruitgang in
technologie
1) Eerste industriële revolutie
IJzer en textiel industrie ontwikkelt
Opkomst stoommachine
2) Tweede industriële revolutie
Ontwikkeling van staal, olie, elektriciteit… heeft gezorgd voor volgende technologie
o Telefoon
o Gloeilamp
o Verbrandingsmotor
3) Derde industriële revolutie
Ook wel digitale revolutie genoemd
Wordt gekenmerkt door ontwikkeling van PC, internet…
4) Vierde industriële revolutie
Hierbij wordt vooral verder gebouwd op de digitale revolutie, om manieren te
vinden om technologie te verfijnen & implementeren/gebruiken (artificiële
intelligentie, 3D printen, robotica…)
Miljarden mensen maken gebruik van technologieën uit de digitale revolutie en de
4de revolutie wat een enorme instroom is aan data
2
, o Hierdoor spreken we van een data-explosie
o We spreken niet langer meer van data, maar van big data
Data
Onder invloed van nieuwe technologieën wordt veel meer data gegenereerd
Belangrijk is het feit dat data eigenlijk de bouwsteen is van kennis & informatie
Je kan data zien als een bron van informatie die je gaat gebruiken in uw onderzoek
Kennispiramide
De DIKW-piramide is een model dat laat zien hoe gegevens (data) worden omgezet in
bruikbare kennis & wijsheid, de piramide bestaat uit 4 lagen
Wisdom – applied
knowledge
Knowledge – organised
information
Information – linked elements
Data – abstracted elements
1) Data
= Data is een vereenvoudigde weergave van de werkelijkheid
Wanneer we data verzamelen, nemen we niet alles mee wat er in de echte wereld
gebeurt
We kiezen alleen specifieke aspecten die we belangrijk vinden om vast te leggen;
dit proces noemen we abstractie en reductie
o Abstractie = we richten ons alleen op wat relevant is & laten de rest weg
o Reductie = we vertalen iets complex (de echte wereld) naar iets eenvoudigs
en meetbaars (data)
2) Information
= De ruwe data moet geordend & georganiseerd worden, waardoor je betekenis kan
geven aan de verzamelde data (verbanden leggen)
3) Knowledge
= Door info te analyseren & interpreteren komen we tot kennis
4) Wijsheid of toegepaste kennis
= Wanneer we kennis effectief gaan gebruiken of toepassen
Soorten data
Onder invloed van nieuwe technologieën wordt veel meer data gegenereerd
Kwalitatieve en kwantitatieve data
Primaire, secundaire en tertiaire data
Made en found data
Index-, attribuut- en metadata
Primitieve en niet-primitieve data
3
, 1) Kwalitatieve & kwantitatieve data
Kwalitatief Kwantitatief
Niet-numerieke data Numerieke data
Vb. Tekst, foto’s, video’s, geluid Nominale variabelen = categorisatie (vb.
Dit kan gekwantificeerd worden haarkleur), zonder volgorde
Ordinale variabelen = ordening in
categorieën (vb. opleidingsniveau), met
volgorde dus
Intervalvariabelen = gelijke verschillen
tussen de categorieën (vb. verschil 0°C en
5°C = verschil 20°C en 25°C), 0 is niet echt
0, je kan onder 0 gaan
Ratiovariabelen = absoluut nulpunt (vb.
leeftijd)
2) Primaire, secundaire en tertiaire data
Primair = data wordt gebruikt door de onderzoekers die ze zelf verzameld hebben
Secundair = verzameld door anderen voor anderen (primaire) doeleinden
o Vb. Politiediensten die criminaliteitscijfers bijhouden
Tertiair = komt voor uit de verwerking van primair en secundaire data
3) Made & found data
Andere manier naar data kijken: aard van de creatie
Data kunnen worden gemaakt & gevonden
o Onderscheid met primaire en secundaire data
Bij primaire en secundaire data wordt er gekeken vanuit het perspectie
van de onderzoeker die de data op dat moment gebruikt
Terwijl bij meta & found data wordt gekeken vanwaar de data initieel
komt
4) Index-, attribuut- en metadata
Indexdata = data die identificatie en koppeling mogelijk maken = unieke
identificatoren (vb. studentennummer)
o Gegevens die gebruikt worden om iets of iemand uniek te identificeren en
aan andere gegevens te koppelen
o Het zijn unieke identificatore
Attribuutdata = data over aspecten van een bepaald verschijnsel, maar niet
indexerend van aard (vb. geslacht)
o Attribuut = kenmerk
o Dit zijn gegevens die iets beschrijven, maar die niet uniek zijn of niet kan
worden gebruikt om iets of iemand te identificeren
Metadata = data over data
o Helpt om gegevens beter te begrijpen, er zijn 3 soorten
Beschrijvende metadata = gebruikt om data te verkennen en
informatie op te zoeken en te lokaliseren (vb. resp. burgerservice- of
rijkregisternummer)
Structurele metadata = betrekking op de interne structuur en
beschrijven de relaties tussen elementen (vb. leeftijd moet een
integer getal zijn tussen 0 en 120)
Legt vast hoe de data intern in elkaar zit en welke regels gelden
4
