Meldingen openbare ruimte

Gemeente Eemnes

Als er op straat of in een park iets gemaakt of opgeruimd moet worden, dan kan dat bij de gemeente worden gemeld via Signalen, het open source meldingensysteem van voor en door gemeenten.

Laatst gewijzigd op 16 december 2025 om 9:42 | Publicatiestandaard 1.0

• Publicatiecategorie: Impactvolle algoritmes
• Impacttoetsen: Veld niet ingevuld.
• Status: In gebruik

Algemene informatie

Thema

Openbare orde en veiligheid

Begindatum

12-2025

Einddatum

12-2027

Contactgegevens

[e-mail]

Link naar publiekspagina

Melding openbare ruimte - Gemeente Eemnes

Verantwoord gebruik

Doel en impact

Als er op straat of in een park iets gemaakt of opgeruimd moet worden, dan kan dat bij de gemeente worden gemeld via Signalen, het open source meldingensysteem van voor en door gemeenten. Ook een gevaarlijke verkeerssituatie, woonoverlast of overlast van personen en horeca kan gemeld worden. Voorheen moesten mensen zelf kiezen bij welke categorie hun melding het beste paste (bijvoorbeeld ‘overlast’ of ‘straatmeubilair’), zodat de melding bij de juiste afdeling van de gemeente terecht kwam.

Maar de gemeente is een complexe organisatie en de lijst met categorieën is lang. Daardoor koos men niet altijd de juiste categorie. Dat zorgde soms voor vertraging in de afhandeling van meldingen. Daarom gebruiken we nu een algoritme dat woorden herkent, bijvoorbeeld ‘afval’ en ‘stoep’. Op basis daarvan wordt bepaald bij welke categorie de melding het best past en welke afdeling de melding moet afhandelen. De melder hoeft dus geen categorie meer te kiezen, en de melding wordt sneller afgehandeld omdat hij bij de juiste afdeling terecht komt.

Afwegingen

De afweging om dit algoritme in te zetten is om het maken van een melding zo gemakkelijk mogelijk te maken. Doordat melders worden geholpen bij het kiezen van de juiste categorie worden er minder tot geen verkeerde categoriën gekoppeld aan een melding. Dit zorgt voor het versneld afhandelen van de melding. 

Menselijke tussenkomst

Als het algoritme op basis van de door de melder geschreven tekst geen passende categorie kan vinden, wordt de melding op de categorie "overig" gezet door het algoritme. Vervolgens vindt een menselijke beoordeling plaats en wordt de melding alsnog ingedeeld in een passende categorie.

Daarnaast wordt intern elke melding nog bekeken en beoordeeld of de melding bij de juiste behandelaar terecht is gekomen. 

Risicobeheer

Er zitten weinig risico’s aan dit algoritme. Het plaatst een melding in de juiste categorie en zorgt dat het sneller bij de juiste afdeling onder de aandacht is. Als het algoritme een melding niet met voldoende zekerheid in een categorie kan plaatsen, komt hij in de categorie ‘Overig’ terecht. Deze meldingen worden dan binnen de BEL Combinatie door medewerkers beoordeeld. Als het algoritme niet naar behoren werkt, duurt het dus iets langer voordat de melding bij de juiste afdeling is. De melder kan persoonsgegevens toevoegen als hij of zij op de hoogte gehouden wil worden. Deze gegevens worden beveiligd opgeslagen en niet door het algoritme gebruikt.

Werking

Gegevens

Meldingen

De dataset bestaat uit meldingen die eerder gedaan zijn (vrij tekstveld). In eerste instantie hebben we 45.000 meldingen uit de afgelopen jaren gebruikt om het algoritme te trainen. Het algoritme wordt voortdurend getraind met alle nieuwe meldingen die worden gemeld.

Iemand die een melding doet, kan zijn of haar telefoonnummer en/of e-mailadres achterlaten als hij of zij dat wil. We houden de melder dan op de hoogte van de voortgang en we hebben de mogelijkheid om hem of haar terug te bellen. Deze informatie wordt niet langer bewaard dan voor dit doel nodig is en wordt dus niet door het algoritme gebruikt.

Technische werking

Architectuur van het model

De tekst van de melding wordt opgedeeld in losse woorden. Van elk woord uit een melding wordt geanalyseerd hoe uniek het is voor die melding, afgezet tegen de totale collectie woorden (‘TF-IDF’ of ‘term frequency-inverse document frequency’). Een woord als ‘de’ of ‘bedankt’ krijgt daardoor een laag gewicht en een woord als ‘vuilnis’ krijgt een hoger gewicht.

Van die combinatie van woorden wordt vervolgens met logistische regressie (een machine-learning-techniek) bepaald bij welke categorie de melding hoort en daarmee bij welke afdeling binnen de gemeente de melding het meest waarschijnlijk past.