🤖 machine learning

SMaRT: Online Reusable Resource Assignment and an Application to Mediation in the Kenyan Judiciary

Gesterkt door de uitdaging van het toewijzen van mediators aan zaken in de Keniaanse rechterlijke macht, introduceert dit artikel SMaRT, een online algoritme dat kwadratische programmering en multi-agent bandit learning combineert om middelen efficiënt toe te wijzen over een hoogdimensionale toestandsruimte, terwijl capaciteitsbeperkingen en het leren over de kwaliteit van mediators worden gebalanceerd.

Oorspronkelijke auteurs: Shafkat Farabi, Didac Marti Pinto, Wei Lu, Manuel Ramos-Maqueda, Sanmay Das, Antoine Deeb, Anja Sautmann

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shafkat Farabi, Didac Marti Pinto, Wei Lu, Manuel Ramos-Maqueda, Sanmay Das, Antoine Deeb, Anja Sautmann

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 het Keniaanse rechtssysteem voor als een enorme, drukke spoedeisende hulp van een ziekenhuis. Elke dag lopen er honderden nieuwe patiënten (juridische zaken) door de deur. Om hen te behandelen, heeft het ziekenhuis een team van specialisten (mediators). Echter, er zijn drie grote problemen:

Specialisatie: Niet elke specialist kan elke patiënt behandelen. Sommigen houden zich alleen bezig met "familiezaken", anderen met "zakelijke geschillen", en sommigen mogen alleen in specifieke steden werken.
Onbekende vaardigheden: Het ziekenhuis weet niet altijd precies hoe goed een specialist is in het krijgen van een overeenkomst tussen patiënten. Sommigen zijn tovenaars in onderhandelen; anderen worstelen ermee. En er komen voortdurend nieuwe specialisten bij het team.
De "Geen Wachtregels": In deze spoedeisende hulp kun je een patiënt niet vertellen: "Kom morgen maar terug als er een specialist vrij is." Er moet onmiddellijk een specialist aan hen worden toegewezen.

Het artikel introduceert een nieuw "Slim Triage Systeem" genaamd SMaRT (Selecting Mediators that are Right for the Task) om deze chaos op te lossen.

De Oude Manier: De "Round-Robin" Dans

Voorheen probeerden menselijke ambtenaren patiënten handmatig aan specialisten te koppelen. Het was als een spelletje stoelendans waarbij de regels voortdurend veranderden.

Ze wijsden vaak dezelfde "ster"-specialist toe aan te veel patiënten, waardoor deze overbelast raakte (burn-out).
Ze gaven soms moeilijke zaken aan specialisten die er niet zo goed in waren, simpelweg omdat die specialist toevallig vrij was.
Het resultaat? Veel patiënten vertrokken zonder een oplossing en moesten terugkeren naar de hoofdrechtbank, wat zorgde voor een enorme achterstand.

Het Nieuwe Systeem: SMaRT

SMaRT is een algoritme dat werkt als een superintelligent, onvermoeibaar dispatchcentrum. Het gebruikt twee belangrijke trucs om betere beslissingen te nemen:

1. Het "Rapportcijfer van de Leraar" (Vaardigheden Leren)

Net zoals scholen bijhouden hoeveel een leraar een leerling helpt te verbeteren, houdt SMaRT bij hoeveel een mediator helpt om een zaak op te lossen.

Het Raadspel: Wanneer een nieuwe mediator zich aansluit, weet het systeem de vaardigheidsgraad nog niet. Het begint met een gok.
De Update: Terwijl de mediator zaken afhandelt, werkt het systeem de "overtuiging" over hun vaardigheid bij. Als ze consequent zaken oplossen, wordt het systeem er zeker van dat ze een ster zijn. Als ze worstelen, verlaagt het systeem de inschatting.
De Balans: Het systeem weet dat het nieuwe mediators moet uitproberen (om te zien of ze goed zijn), maar ook degenen die het al goed doen moet gebruiken. Het is als een ouder die een nieuwe oppas uitprobeert terwijl hij nog steeds vertrouwen heeft in de oude.

2. De "Toekomstbestendige" Wiskunde (Het Kwadratische Programma)

Dit is het meest slimme deel. Een simpel systeem zou kunnen zeggen: "Geef deze zaak direct aan de beste beschikbare mediator." Maar SMaRT denkt vooruit.

De Analogie: Stel je voor dat je één briljante schaker hebt (Mediator A) die op twee verschillende borden kan spelen (Stad A en Stad B) en een redelijke speler (Mediator B) die alleen op Bord A kan spelen.

De Hebzuchtige Fout: Als er een spel binnenkomt op Bord A, geeft een "hebzuchtig" systeem het spel direct aan de briljante speler. Maar dan komt er een spel binnen op Bord B. De briljante speler is dan te druk, waardoor het systeem gedwongen is om een verschrikkelijke speler voor Bord B te gebruiken.
De SMaRT-strategie: SMaRT kan zeggen: "Laten we de briljante speler even achterhouden voor Bord B, zelfs als dat betekent dat we nu een redelijke speler voor Bord A moeten gebruiken." Het accepteert een iets lagere kans op winst vandaag om een veel grotere kans op winst morgen te garanderen.

Om dit te doen, gebruikt SMaRT een wiskundige formule (een Kwadratisch Programma) die fungeert als een strafsysteem.

Het wil zoveel mogelijk zaken oplossen.
Maar het vindt het ook vreselijk om een specialist te overbelasten.
Het systeem heeft een "draaiknop" (een parameter genaamd $\lambda$ ). Als je de knop omhoog draait, wordt het systeem zeer streng in het voorkomen van overbelasting, zelfs als dat betekent dat er iets minder zaken worden opgelost. Als je de knop omlaag draait, zet het de beste mediators harder aan om meer zaken op te lossen, waarbij geaccepteerd wordt dat ze misschien een beetje uitgeput raken.

Wat gebeurde er toen ze het testten?

De onderzoekers testten SMaRT met echte gegevens uit de Keniaanse rechtspraak (meer dan 30.000 zaken en 2.000 mediators).

Betere Resultaten: SMaRT loste meer zaken op dan de oude handmatige methoden of eenvoudige "kies de beste beschikbare" algoritmen.
Eerlijkere Werkdruk: Het voorkwam dat de "ster"-mediators werden verpletterd door te veel werk en verdeelde de last gelijkmatiger.
Flexibel: Door de "draaiknop" aan te passen, kan het hof beslissen: "Willen we vandaag het maximale aantal zaken oplossen, of willen we ervoor zorgen dat niemand overwerkt raakt?"

De Kern van het Verhaal

Het artikel beweert dat SMaRT klaar is om de "hersenen" te zijn achter een nieuwe digitale tool voor de Keniaanse rechtbanken. Het staat momenteel op het punt om een praktijktest (een gerandomiseerde trial) te ondergaan om te zien of het officieel het oude handmatige systeem kan vervangen. Als het net zo goed werkt als de simulaties suggereren, zal het helpen de achterstanden in de rechtbank weg te werken en ervoor zorgen dat zaken door de juiste mensen worden afgehandeld op het juiste moment, zonder de mediators uit te putten.

Technische Samenvatting: SMaRT – Online Toewijzing van Herbruikbare Middelen voor de Keniaanse Magistratuur

Probleemdefinitie
Het artikel behandelt de uitdaging van het toewijzen van mediators aan civiele zaken binnen het Court-Annexed Mediation (CAM) systeem van Kenia. Dit is een online toewijzingsprobleem dat wordt gekenmerkt door drie specifieke beperkingen die bestaande algoritmen (zoals standaard Multi-Armed Bandits of Bandits with Knapsacks) inefficiënt of onbruikbaar maken:

Onbekende en Leerafhankelijke Kwaliteit: De effectiviteit van een mediator (Value Added of VA) is niet vooraf bekend en moet in de loop van de tijd worden geleerd. Nieuwe mediators treden toe tot het systeem, en hun prestaties moeten worden ingeschat terwijl een balans wordt gezocht tussen exploratie en exploitatie.
Zachte, Dynamische Capaciteitsbeperkingen: In tegenstelling tot standaard "Bandits with Knapsacks" (BwK), die strikte, niet-vernieuwbare limieten veronderstellen, hebben mediators een capaciteit die wordt aangevuld zodra zaken worden afgehandeld. Echter, het systeem vereist onmiddellijke toewijzing bij aankomst van een zaak, wat een niet-nul kans creëert op het overschrijden van de capaciteit (overbelasting). Hoewel de magistratuur de voorkeur geeft aan mediators die niet meer dan drie gelijktijdige zaken behandelen, is het overschrijden hiervan een "zachte" beperking in plaats van een hard verbod.
Hoogdimensionele Toestandsruimte en Heterogene Accreditatie: Er zijn meer dan 2.000 mediators met variërende accreditaties verspreid over 87 rechtbankstations en 12 typen zaken. Een mediator kan alleen aan een zaak worden toegewezen als hij/zij geaccrediteerd is voor die specifieke (station, zaakstype) combinatie. Dit creëert een complex bipartiet matchingsprobleem waarbij middelen overlappende maar onderscheidende sets uitvoerbare taken hebben.

Het doel is om het algehele zaakafhandelingspercentage (overeenstemmingspercentage) te maximaliseren, terwijl de afweging wordt beheerd tussen het toewijzen van de beste mediators en het naleven van capaciteitsbeperkingen om een rechtvaardige werkdrukverdeling te waarborgen.

Methodologie
De auteurs stellen SMaRT (Selecting Mediators that are Right for the Task) voor, een algoritme dat econometrische schatting, Bayesiaans leren en kwadratische programmering integreert.

Value Added (VA) Schatting:
- De auteurs passen een value-added model aan (veelgebruikt in onderwijsonderzoek) toe om de bijdrage van de mediator te schatten. Het model regresseert de resultaten van zaakafhandeling op casuscontroles (type, station, tijd) en mediator fixed effects.
- Om onzekerheid te behandelen en online leren mogelijk te maken, houdt het systeem een Gaussische geloofsovertuiging (belief distribution) bij over de VA van elke mediator.
- Updates: Bij het observeren van een zaakuitkomst wordt de posterior verdeling bijgewerkt via moment matching. Om afwijking van expliciete schattingen te voorkomen, kalibreert het systeem deze posteriors wekelijks met behoud van de volledige VA-schattingsprocedure op historische gegevens.
Kwadratische Programmering (QP) Formulering:
- De toewijzingsbeslissing wordt gemodelleerd als een QP over een korte tijdshorizon ( $T=10$ ).
- Doelstelling: Maximaliseer de verwachte som van de oplossingskansen (mediator VA + basiskans van de zaak) minus een kwadratische strafterm voor capaciteitsbeledingen.
- Beperkingen:
  - Alle binnenkomende zaken moeten worden toegewezen (harde beperking).
  - "Schaduwzaken" (toekomstige zaken gesampled uit een distributie) mogen ontoegewezen blijven om toekomstige vraag te simuleren.
  - Zachte Capaciteit: De beperking staat toe dat mediators hun capaciteit overschrijden, maar schendingen worden gevangen door een slack-variabele $\xi_u$ . De doelstelling straft $\xi_u^2$ af, wat een trade-off parameter $\lambda$ creëert die de ernst van de overbelastingsstraf regelt.
- Deze formulering stelt het algoritme in staat om hoogpresterende mediators "achter te houden" voor toekomstige hoogwaardige zaken (opportuniteitskosten), in plaats van ze hebzuchtig toe te wijzen aan de huidige zaak, wat tot overbelasting zou kunnen leiden.
Toewijzingsalgoritme:
- Bij aankomst van een zaak construeert het systeem een toestandsgraaf met de huidige zaak, schaduwzaken en in aanmerking komende mediators.
- De QP wordt opgelost om fractionele toewijzingen te verkrijgen.
- Het algoritme wijst de binnenkomende zaak toe aan de mediator met de hoogste fractionele toewijzing in de QP-oplossing.
- Varianten: Het artikel test twee leervarianten:
  - SMaRT(E): Gebruikt het gemiddelde van de VA-belief (gericht op exploitatie).
  - SMaRT(S): Samplet VA uit de belief verdeling (Thompson Sampling-stijl exploratie).

Belangrijkste Bijdragen

Nieuw Algoritmisch Kader: SMaRT is het eerste algoritme dat online leren van de kwaliteit van agenten combineert met zachte, aanvullbare capaciteitsbeperkingen in een hoogdimensionele, heterogene accreditatiesetting. Het gaat verder dan de "harde beperking" aannames van BwK en de "vertraagde toewijzing" aannames van andere herbruikbare resource algoritmen (zoals OM-RR-PA).
Afstembare Afwegingen: De kwadratische strafparameter $\lambda$ stelt beheerders in staat om het gedrag van het systeem expliciet af te stemmen, waarbij de striktheid van de capaciteitsbeperkingen wordt afgewogen tegen het algehele zaakafhandelingspercentage.
Interpretabiliteit van Schaduwprijzen: De duale variabelen van de QP bieden "schaduwprijzen" voor mediators, wat een interpreteerbare metriek biedt voor hun marginale waarde in verschillende contexten, wat hels bij het begrijpen van het "achterhouden"-mechanisme.

Resultaten
De auteurs valideren SMaRT met behulp van zowel gestileerde simulaties als echte gegevens uit de Keniaanse Magistratuur (2016–2025, ~30.600 zaken).

Gestileerde Scenario's: SMaRT presteert consequent beter dan baselines (Least Load, Greedy, Thompson Sampling). In scenario's waar een hoogpresterende mediator gedeeld wordt over cellen, vermijdt SMaRT succesvol de "greedy" valstrik van het overbelasten van die mediator, en verdeelt het in plaats daarvan zaken om capaciteit te bewaren voor toekomstige hoogwaardige kansen.
Echte Gegevens Simulaties (Bekende VA): Wanneer de VA van mediators bekend is, bereikt SMaRT met een lage $\lambda$ een overeenstemmingspercentage dat dicht bij de theoretische "Upper Bound" ligt (het toewijzen van de absoluut beste mediator aan elke zaak), maar met aanzienlijk minder overbelasting (OCDM) en een betere gelijkheid (lagere Gini-index) vergeleken met een puur hebzuchtige aanpak.
Echte Gegevens Simulaties (Leren van VA):
- Blank Slate Initialisatie: Wanneer gestart wordt zonder voorkennis, induceren capaciteitsbeperkingen van nature voldoende exploratie, waardoor SMaRT(E) (gemiddelde-gebaseerd) goed presteert tegenover Greedy baselines.
- Warm Start Initialisatie: Wanneer geïnitialiseerd met historische gegevens, presteert SMaRT(S) (sampling-gebaseerd) aanzienlijk beter dan Greedy en TS* baselines. Het identificeert succesvol hoogpresterende maar minder ervaren mediators die Greedy-benaderingen over het hoofd zien, en bereikt hogere overeenstemmingspercentages terwijl het minder overbelasting behoudt.
Afstembaarheid: Het verhogen van $\lambda$ vermindert de overbelasting en verbetert de gelijkheid (lagere Gini-index) ten koste van een lichte daling in de overeenstemmingspercentages, wat de flexibiliteit van het systeem aantoont.

Betekenis en Claims
Het artikel beweert dat SMaRT een hanteerbare en effectieve oplossing biedt voor een complex, echt wereldig toewijzingsprobleem dat de bestaande literatuur niet direct kon adresseren vanwege de specifieke combinatie van zachte beperkingen, onmiddellijke toewijzingseisen en leerbehoeften.

De auteurs stellen op basis van deze resultaten dat zij van plan zijn SMaRT te implementeren als de backend voor de functie "smart assignment" in het digitale platform van de Magistratuur (Cadaster). Een Randomized Controlled Trial (RCT) is goedgekeurd om het systeem in de praktijk te testen. De betekenis ligt niet alleen in de algoritmische bijdrage, maar ook in het potentieel om de juridische achterstanden te verminderen, kosten te verlagen en de rechtvaardige verdeling van werk onder mediators te verbeteren in een publieke sector. Het artikel benadrukt dat het ontwerp werd gedreven door operationele beperkingen die zijn geïdentificeerd door nauwe samenwerking met de Keniaanse Magistratuur, wat ervoor zorgt dat het algoritme haalbaar is voor echte implementatie in de praktijk.