KompetentNL-feardigensdeteksje

Statistyk Nederlân

CompetentNL is de Nederlânske standert foar it beskriuwen fan feardigens. It CBS helpt CompetentNL aktueel, ûnôfhinklik en betrouber te hâlden. Dit wurdt dien troch arbeidsmerkgegevens wiidweidich te sykjen nei feardigensbeskriuwingen; wy neame dit feardigensdeteksje. De resultaten hjirfan wurde dield mei de organisaasje dy't CompetentNL beheart.

Lêst feroare op 26 maart 2026 om 15:28 | Publikaasjestandaard 1.0

• Publicatiecategorie: Oare algoritmes
• Impacttoetsen: DPIA
• Status: Yn gebrûk

Algemene ynformaasje

Tema

• Wurk
• Ûnderwiis en wittenskip

Begjindatum

09-2025

Kontaktgegevens

[e-mail]

Link nei publykspagina

https://competentnl.nl

Ferantwurde gebrûk

Doel en impact

De algoritmen wurde brûkt binnen de gearwurking CompetentNL, yn opdracht fan it Ministearje fan Sosjale Saken en Wurkgelegenheid (SZW) en it Ministearje fan Underwiis, Kultuer en Wittenskip (OCW).

De algoritmen binne makke om CompetentNL te helpen. CompetentNL is in nasjonale standert foar it beskriuwen fan feardigens. De algoritmen helpe by it ferwurkjen fan in grutte hoemannichte aktuele arbeidsmerkgegevens. Se sykje nei feardigensbeskriuwingen (identifikaasje) en organisearje se (klassifikaasje).

Boargers en bedriuwen brûke CompetentNL fia digitale tsjinsten en platfoarms, lykas it Learningsoersjoch en it Feardigensdashboard. Dizze jouwe ynformaasje oer feardigens en karriêremooglikheden. De algoritmen wurkje op 'e eftergrûn en hawwe gjin direkt kontakt mei boargers en bedriuwen.

Afwagings

Foardielen: De algoritmen helpe om CompetentNL better te meitsjen. Se soargje derfoar dat wy aktuele en relevante feardigens út 'e arbeidsmerk brûke. Dit ferbetteret de kwaliteit fan 'e gegevens. It soarget der ek foar dat elkenien him identifisearje kin mei CompetentNL, om't wy de taal fan 'e arbeidsmerk effektyf ferwurkje.

Neidielen en risiko's: As de trainingsgegevens ferâldere binne, kin dit ynfloed hawwe op de kwaliteit fan 'e resultaten. De algoritmen wurkje op 'e eftergrûn en krije gjin direkte feedback fan brûkers. Dit kin it lestich meitsje om flaters te finen.

Rjochtfeardiging: It gebrûk fan dizze algoritmen is foardielich, om't se de kwaliteit en relevânsje fan CompetentNL ferbetterje. Minskelike saakkundigen bliuwe belutsen om de resultaten te ferifiearjen, sadat wy risiko's kinne ferminderje.

Minskele tuskenkomst

De resultaten fan 'e algoritmen wurde troch saakkundigen beoardiele foardat se opnommen wurde yn CompetentNL. Dizze saakkundigen kontrolearje oft de feardigensbeskriuwingen en klassifikaasjes relevant, akkuraat en fan goede kwaliteit binne. Se kinne de resultaten oanpasse of ôfwize op basis fan harren kennis.

Dit tafersjoch is wichtich om flaters en ferâldere ynformaasje te identifisearjen en te korrigearjen. De algoritmen wurde ek regelmjittich evaluearre en oanpast op basis fan feedback fan saakkundigen en nije ûntjouwings op 'e arbeidsmerk. Dit soarget derfoar dat de ynformaasje aktueel en betrouber bliuwt.

Risikobehear

Fleksibiliteit fan trainingsgegevens: Wy planne regelmjittige updates foar de trainingsgegevens. Dit helpt de modellen by de tiid te hâlden. Eksperts kontrolearje de resultaten kontinu om te bepalen wannear't oanpassingen nedich binne.

Foaroardielen en ûnkrektens: De útkomsten fan it algoritme wurde altyd kontrolearre troch minsklike saakkundigen foardat se brûkt wurde. Wy ferbetterje de taalmodellen en metoaden om foaroardielen te ferminderjen.

Ofhinklikens fan 'e algoritmen: It systeem is sa ûntwurpen dat resultaten fan 'e algoritmen net automatysk oernommen wurde. Minsklik tafersjoch is altyd fereaske. Training en bewustwêzen ûnder saakkundigen helpe om de algoritmen kritysk te brûken.

Beperkingen op ynterpretaasje en gebrûk: Resultaten wurde net direkt oan einbrûkers werjûn sûnder ferifikaasje. Dit makket it mooglik om flaters en ûnfolsleinheden op 'e tiid te finen en te korrigearjen.

Wettlike basis

De algoritmen wurde brûkt neffens de regels fan 'e Wet op de Statistyk Nederlân. Se foldogge ek oan 'e Algemene Ferordening Gegevensbeskerming en de Nederlânske privacyregeljouwing. It proses helpt by it berikken fan 'e doelen fan it Ministearje fan Sosjale Saken en Wurkgelegenheid en it Ministearje fan Underwiis, Kultuer en Wittenskip. Dizze ministearjes jouwe de oarders út. It brûken fan algoritmen makket de arbeidsmerk en it ûnderwiis better en earliker. De Europeeske Uny hat regels foar KI, en dy wurde ek folge. Gegevens wurde ferwurke mei respekt foar minskerjochten. Saakkundigen soargje derfoar dat alles earlik en transparant is.

Links nei wettlike basis

• Central Statistical Office Act: https://wetten.overheid.nl/jci1.3:c:BWBR0015926&z=2025-09-01&g=2025-09-01
• General Data Protection Regulation (AVG) (EU) 2016/679: https://eur-lex.europa.eu/legal-content/NL/TXT/?uri=CELEX%3A32016R0679
• AI regulation (Regulation (EU) 2021/0106): https://eur-lex.europa.eu/legal-content/NL/ALL/?uri=CELEX:52021PC0206

Taljochting op impacttoetsen

Der is gjin ynfloedbeoardieling útfierd foar minskerjochten en algoritmen. Dit komt om't de algoritmen dy't wy brûke allinnich stypjend binne en op 'e eftergrûn operearje. Se hawwe gjin direkte ynteraksje mei brûkers of nimme besluten oer minsken. Dêrom is it risiko op minskerjochteskendingen of diskriminaasje lyts.

De ferwurking fan gegevens mei dizze algoritmen falt ûnder de algemiene CBS Data Protection Impact Assessment (DPIA). Derneist is in ynterne DPIA útfierd as oanfolling op de algemiene DPIA. De ynterne DPIA rjochte him op net-standert prosedueres, nammentlik AI-ferwurking en gegevensopjeften oan it UWV. Dit betsjut dat privacyrisiko's yngeand ûndersocht en beheind binne. Wy fertrouwe op trochgeande monitoring en minsklik tafersjoch om potinsjele risiko's op 'e tiid te identifisearjen en oan te pakken.

Impacttoetsen

Data Protection Impact Assessment (DPIA): https://www.cbs.nl/-/media/cbs/over-ons/organisatie/standaardcbspia-2021-v20.pdf

Wurking

Gegevens

De algoritmen brûke gegevens fan UWV. Dit bestiet út arbeidsmerkgegevens, lykas funksjebeskriuwingen en profilen fan wurksykjenden. UWV-eksperts leverje annotaasjes en labels foar de training fan 'e modellen. Eksterne taalmodellen, lykas LaBSE, wurde ek brûkt foar ferwurking. De gegevens helpe om feardigens en kompetinsjes binnen CompetentNL te identifisearjen en te ferbetterjen. Alle gegevensferwurking hâldt him oan privacy- en feiligensnormen, en de gegevens wurde wêr mooglik anonymisearre.

Links nei gegevensboarnen

LaBSE language model: https://huggingface.co/sentence-transformers/LaBSE

Technyske wurking

De algoritmen brûke tûke taalmodellen om arbeidsmerkgegevens te analysearjen. Der binne twa algoritmen: Identifikaasje en Klassifikaasje. Yn Identifikaasje herkent it algoritme wichtige feardigens yn arbeidsmerkgegevens, lykas fakatueres en profilen. Dit wurdt dien mei in ekstern taalmodel en in sels ûntwikkele model om relevante frases te finen. Eksperts ferifiearje de resultaten. Yn Klassifikaasje fergeliket it algoritme de fûne frases mei besteande feardigens yn CompetentNL. De bêste oerienkomsten wurde selektearre en presintearre oan saakkundigen.