Melding openbare ruimte
- Publicatiecategorie
- Overige algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik
Algemene informatie
Thema
- Openbare orde en veiligheid
- Ruimte en infrastructuur
- Verkeer
Begindatum
Contactgegevens
Verantwoord gebruik
Doel en impact
Voorheen moesten melders zelf kiezen bij welke hoofd- en subcategorie hun melding het beste paste, zodat de melding bij de juiste afdeling van de gemeente terecht kwam. Door het algoritme hoeft dit niet meer; de (sub)categorie wordt bepaald op basis van de meldingstekst en de melding wordt automatisch ingedeeld. Dit scheelt de melder (de inwoner) werk en de medewerker ook, aangezien (meestal) zonder tussenstappen de melding direct doorgaat naar het team dat deze moet afhandelen.
Afwegingen
Reden om het algoritme te gebruiken is de efficiëntieslag die ermee gemaakt wordt.
Menselijke tussenkomst
Meldingen komen niet altijd in de goede categorie terecht en het algoritme herkent ook niet altijd in welke categorie de melding moet komen (en zet deze dan in categorie Overig). In die gevallen moet de melding nog handmatig in de goede categorie worden gezet.
Risicobeheer
Er zitten weinig risico’s aan dit algoritme. Klein risico is dat het algoritme een melding in een verkeerde categorie zet. In dat geval kan het zijn dat een melder vervolgvragen krijgt die niets te maken hebben met de gemaakte melding. In dat geval krijgt de melder altijd nog de optie dat de vragen niet van toepassing zijn, maar zou verwarring kunnen veroorzaken.
Werking
Gegevens
Meldingsteksten worden gebruikt voor het algoritme. Tijdens het maken van een melding kan de melder op een nieuwe pagina ervoor kiezen een telefoonnummer of e-mailadres achter te laten, maar deze gegevens worden enkel gebruikt voor het geven van een terugkoppeling bij statusverandering. Deze informatie wordt niet langer bewaard dan voor dit doel nodig is en wordt ook niet voor het algoritme gebruikt.
Technische werking
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.