💻 computer science

Agent-based Modeling meets the Capability Approach for Human Development: Simulating Homelessness Policy-making

Dit artikel stelt een nieuw agent-gebaseerd simulatiekader voor dat de Capability Approach integreert met reinforcement learning om dakloosheidsbeleid te modelleren en te evalueren dat gericht is op het uitbreiden van de werkelijke mogelijkheden van individuen voor persoonlijke ontwikkeling.

Oorspronkelijke auteurs: Alba Aguilera, Nardine Osman, Georgina Curto

Gepubliceerd 2026-01-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alba Aguilera, Nardine Osman, Georgina Curto

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een groep mensen probeert te helpen die op straat proberen te overleven. Traditioneel zouden beleidsmakers naar een kaart kijken en zeggen: "We moeten ze meer dekens en voedsel geven." Maar dit artikel betoogt dat het simpelweg uitdelen van middelen niet genoeg is. Het is alsof je iemand een fiets geeft, maar vergeet te controleren of ze benen hebben om te trappen, of de wegen geblokkeerd zijn, of dat ze bang zijn om te rijden omdat er een bord staat met "Geen Fietsen Toegestaan".

Dit artikel stelt een nieuwe manier voor om beleid te ontwerpen met behulp van een "digitale zandbak" (een computersimulatie) om te zien wat mensen écht helpt om weer op de been te komen. Hier is hoe ze het doen, onderverdeeld in eenvoudige concepten:

1. De Kern: Het gaat niet om het Cadeau, maar om het Vermogen

De auteurs gebruiken een concept genaamd de Capability Approach (de benadering van vermogens). Denk er zo over na:

Resources (Middelen) zijn de hulpmiddelen die je hebt (een fiets, een jobaanbod, een opvang).
Capabilities (Vermogens) zijn wat je daadwerkelijk kunt doen met die hulpmiddelen.

Als je iemand een fiets geeft die niet weet hoe hij moet fietsen, of als de wet verbiedt dat hij fietst, heeft diegene niet echt het "vermogen" om te reizen. Het artikel betoogt dat dakloosheid niet alleen een gebrek aan geld is; het is een gebrek aan mogelijkheden om een waardig leven te leiden. Ze willen meten of een beleid mensen daadwerkelijk het vermogen geeft om dingen te doen zoals gezond blijven, werk vinden of zich veilig voelen, in plaats van alleen te tellen hoeveel dekens er zijn uitgedeeld.

2. Het Instrument: Een "Digitale Zandbak" voor Mensen

Om beleid te testen zonder echte mensen te schaden, bouwt het team een Agent-Based Model.

Stel je een gigantische videogame voor waarin elke personage (agent) een echt persoon is die dakloos is, een maatschappelijk werker of een non-profitorganisatie.
Deze personages volgen niet alleen een script; ze hebben hun eigen persoonlijkheid, waarden en dringende behoeften.
De computer draait de simulatie om te zien wat er gebeurt als je de regels verandert (het beleid). Bijvoorbeeld: "Wat gebeurt er als we de wet veranderen zodat mensen zonder ID-kaart een arts kunnen bezoeken?"

3. De Motor: Hoe de Personages Beslissen

Het artikel introduceert een slimme manier om deze digitale personages te laten denken als echte mensen met behulp van een wiskundig kader genaamd een Markov Decision Process (MDP).

De Kaart (States/Toestanden): Waar de persoon zich nu bevindt (bijv. ziek, dakloos, geregistreerd burger).
De Bewegingen (Actions/Acties): Wat zij kunnen proberen te doen (bijv. naar een kliniek gaan, hulp vragen).
De Blokkades (Conversion Factors/Conversiefactoren): Soms wordt een beweging geblokkeerd. Misschien is de kliniek te ver weg (omgeving), of de wet zegt "Nee" (sociale factor).
De Motivatie (Choice Factors/Keuzefactoren): Dit is het speciale deel. De personages handelen niet willekeurig. Ze worden gedreven door twee dingen:
1. Urgentie (Behoeften): "Ik heb nu pijn." (Korte termijn)
2. Waarden (Lange termijn): "Ik wil een goede vader zijn" of "Ik hecht waarde aan mijn waardigheid." (Lange termijn)

De simulatie probeert te achterhalen hoe deze personages de balans vinden tussen directe pijn en hun langetermijndromen. Een persoon kan bijvoorbeeld een gratis maaltijd overslaan (een dringende behoefte negeren) omdat daarheen gaan hun persoonlijke waarden of veiligheid zou schenden.

4. De Praktijktest: Gezondheid in Barcelona

Het team test dit op een specifiek probleem in Barcelona, Spanje: Waarom sterven daklozen jonger en worden ze zieker?

Het Probleem: Veel daklozen zijn "niet-geregistreerd" (ze hebben geen officiële ID-papieren). Hierdoor blokkeert de wet hen van het bezoeken van een huisarts. Ze krijgen alleen hulp wanneer ze in een levensbedreigende noodsituatie terechtkomen in een ziekenhuis.
De Simulatie: Ze maken een digitale versie van deze buurt. Ze zullen duizenden "digitale daklozen" creëren met verschillende achtergronden en gezondheidsproblemen.
Het Experiment: Ze zullen de simulatie twee keer draaien:
1. Huidige Realiteit: De wet blokkeert niet-geregistreerde mensen van toegang tot artsen.
2. Nieuw Beleid: Een voorgestelde wet die niet-geregistreerde mensen direct toegang geeft tot artsen.

Ze zullen kijken of het nieuwe beleid de "capability" van deze mensen daadwerkelijk herstelt om gezond te blijven, of dat andere barrières (zoals angst of een gebrek aan vertrouwen) hen nog steeds tegenhouden.

5. Waarom Dit Belangrijk Is

Het doel is niet alleen om een cool computerprogramma te maken. Het is om een niet-invasieve testomgeving te creëren.

In plaats van een nieuwe wet uit te proberen op echte mensen en te hopen dat het werkt (wat kan mislukken en hen schade kan berokkenen), kunnen ze het beleid eerst in de computer "kapotmaken".
Ze kunnen zien of het beleid daadwerkelijk de vrijheid van mensen vergroot om een waardig leven te leiden, of dat het onbedoeld nieuwe problemen creëert.

Kortom: Dit artikel gaat over het bouwen van een "vluchtsimulator" voor sociaal beleid. In plaats van te gokken of een nieuwe wet daklozen zal helpen, gebruiken ze wiskunde en informatica om de levens van deze mensen te simuleren, zodat de beleidsmaatregelen die ze ontwerpen hen ook daadwerkelijk de kracht geven om een goed, gezond leven te leiden, en niet alleen de spullen om te overleven.

Technische Samenvatting: Agent-gebaseerde Modellering ontmoet de Capability Approach voor Menselijke Ontwikkeling

Probleemstelling
Het artikel adresseert de dringende behoefte aan alternatieve beleidsoplossingen voor de groeiende wereldwijde omvang van dakloosheid. Traditionele ontwikkelingsmodellen richten zich vaak op de distributie van middelen (bijv. utilitaire kaders), terwijl de auteurs betogen dat dakloosheid en armoede begrepen moeten worden als ernstige vormen van capability deprivation (tekortkoming in vermogens). Dit perspectief, geworteld in de Capability Approach (CA), stelt dat individuen niet in staat zijn om toegang te krijgen tot "centrale capabilities" (essentiële menselijke aanspraken voor een waardig leven, zoals gezondheid, lichamelijke integriteit en controle over de eigen omgeving) door een gebrek aan middelen en ongunstige conversiefactoren (persoonlijke, sociale en omgevingsfactoren).

Huidige beleidsvorming mist instrumenten om niet-invasief te beoordelen hoe specifieke interventies (juridische normen, middelenallocatie) deze capabilities beïnvloeden. Bestaande literatuur over agent-gebaseerde modellering (ABM) gebruikt de CA zelden als conceptueel kader, en de gevallen waarin dit wel gebeurt, versimpelen menselijke motivatie vaak door uitsluitend te vertrouwen op hiërarchische behoeften (bijv. Maslow) in plaats van op de complexe interactie tussen waarden en behoeften die inherent is aan de CA.

Methodologie
De auteurs stellen een nieuw kader voor dat de Capability Approach operationaliseert met behulp van Agent-Based Modeling (ABM) en Reinforcement Learning (specifiek Markov Decision Processes - MDPs). De methodologie omvat drie kerntechnische stappen:

Formalisering van CA als een MDP: De auteurs mappen CA-concepten naar MDP-elementen om computationele simulatie mogelijk te maken:
- States ( $s$ ): Vertegenwoordigen de huidige situatie van de agent, inclusief persoonlijke kenmerken, beschikbare middelen en individuele behoefte-/waardevoorkeuren.
- Actions ( $a$ ): Gedifferentieerd in mogelijke acties (specifieke capabilities), onmogelijke acties (gedepriveerde capabilities) en gerealiseerde acties (functionings).
- Transition Probabilities ( $P(s'|s, a)$ ): Vertegenwoordigen Conversiefactoren. Deze bepalen de waarschijnlijkheid dat een agent van een middelenstaat naar een capabilitystaat beweegt. Sociale conversiefactoren worden gemodelleerd als juridische en sociale normen die bepaalde acties onmogelijk kunnen maken (bijv. een niet-geregistreerd burger kan geen primaire gezondheidszorg krijgen).
- Rewards: Vertegenwoordigen Keuzefactoren. Het kader maakt onderscheid tussen:
  - Korte-termijn beloningen: Gedreven door behoefte-urgentie (bijv. directe pijnbestrijding).
  - Lange-termijn beloningen: Gedreven door waardevoorkeuren (bijv. langdurige gezondheid of veiligheid).
- Policy ( $\pi$ ): De beslisregel van de agent aggregeert korte- en lange-termijn verwachte beloningen ( $Q_s$ en $Q_l$ ) om acties te selecteren, wat het modelleren van complex gedrag mogelijk maakt waarbij waarden de directe behoeften kunnen overstijgen.
Verbeterd Besluitvormingsmodel: In tegenstelling tot eerdere werken die steunen op rigide behoeftehiërarchieën, integreert dit model menselijke waarden (gebaseerd op het Schwartz-waardekader) en behoeften als onderscheidende motivatoren. Het systeem staat dynamische updates toe waarbij gerealiseerde acties de staat van een agent (middelen/conversiefactoren) en hun interne keuzefactoren kunnen veranderen (bijv. een ongeval waardoor een agent risicomijdender wordt).
Simulatiekader: De MDP dient als de gedragsmotor voor agents die diverse belanghebbenden vertegenwoordigen (mensen met een dakloosheidservaring - PEH, maatschappelijk werkers, non-profitorganisaties). De simulatie omvat een fysieke omgeving (middelen) en een regulatoire omgeving (juridische normen). Het is ontworpen om gevuld te worden met synthetische data afgeleid van echte geanonimiseerde data en interviews met belanghebbenden.

Belangrijkste Bijdragen

Computationele Operationalisering van CA: Het artikel biedt een concrete mapping van de abstracte Capability Approach (Middelen, Conversiefactoren, Capabilities, Keuzefactoren, Functionings) naar de technische taal van MDPs en ABM.
Integratie van Waarden en Behoeften: Het introduceert een besluitvormingsmodel waarbij "waarden" (belang/langetermijndoelen) en "behoeften" (urgentie/kortetermijndoelen) als onderscheidende keuzefactoren fungeren, wat een meer genuanceerde representatie van menselijk gedrag mogelijk maakt dan eerdere CA-gebaseerde simulaties.
Beleidsevaluatietool: Het kader is ontworpen om de impact van beleid te beoordelen, niet alleen op de distributie van middelen, maar op de expansie of herstel van centrale capabilities. Het evalueert rechtvaardigheid door de set van mogelijke versus onmogelijke acties te analyseren die beschikbaar zijn voor agents onder verschillende regulatoire scenario's.
Interdisciplinair Casestudyontwerp: De auteurs schetsen een specifieke toepassing in de wijk Raval in Barcelona, met de focus op gezondheidsongelijkheid. Ze beschrijven hoe agentprofielen geconstrueerd kunnen worden met behulp van echte data van non-profitorganisaties (bijv. Arrels Fundació) en domeinexperts om de effecten van voorgestelde wetten op de toegang tot primaire gezondheidszorg voor geregistreerde versus niet-geregistreerde burgers te simuleren.

Resultaten en Huidige Status
Aangezien dit een voorstel en een methodologiepapier is, presenteert het geen definitieve simulatieresultaten of empirische validatiedata. In plaats daarvan presenteert het:

Een Conceptueel Prototype: Een vereenvoudigd MDP-voorbeeld (Figuur 2) dat demonstreert hoe een juridische norm (registratiestatus) fungeert als een conversiefactor, waardoor de actie "medische zorg ontvangen" onmogelijk wordt voor niet-geregistreerde burgers, waardoor zij worden beroofd van de centrale capability "lichamelijke gezondheid".
Implementatie-roadmap: Een plan om op te schalen van dit eenvoudige voorbeeld naar een complexe simulatie met meerdere centrale capabilities, gebruikmakend van synthetische populatiedata en iteratieve feedback van belanghebbenden.
Evaluatiemetrieken: Een gedefinieerde set indicatoren voor toekomstige evaluatie, inclusief huisvestingstoestanden (ETHOS-terminologie), gezondheidstoestanden, registratiestatus, economische uitgaven en institutionele discriminatie.

Significantie
Het artikel claimt significantie door een niet-invasief, repliceerbaar simulatiekader te bieden dat geworteld is in de Capability Approach. Het primaire doel is het ondersteunen van de evaluatie van beleid gericht op het uitbreiden van menselijke capabilities, in lijn met de Duurzame Ontwikkelingsdoelstellingen (SDG's) van de VN. Door de focus te verschuiven van middelenallocatie naar de mogelijkheid om een waardig leven te leiden, beoogt het framework beleid te identificeren dat effectief de centrale capabilities voor gemarginaliseerde groepen kan herstellen. De auteurs benadrukken dat deze aanpak nauwe interdisciplinaire samenwerking vereist om contextspecifieke elementen (conversiefactoren, waarden) te definiëren en beoogt ethische uitdagingen zoals "aporofobie" (afwijzing van de armen) en institutionele discriminatie aan te pakken. Het werk wordt gepositioneerd als een stap naar een robuust, computationeel gefundeerd instrument voor beleidsvorming op het gebied van sociale rechtvaardigheid en menselijke ontwikkeling.