Collaboration by Mandate: How Shared Data Infrastructure Shapes Coordination and Control in U.S. Homelessness Services

Dit onderzoek toont aan dat in de VS de door de federale overheid verplichte gedeelde data-infrastructuur voor daklozenzorg (HMIS) weliswaar samenwerking en coördinatie mogelijk maakt, maar door ongelijkheid in middelen en analytische capaciteit ook machtsasymmetrieën versterkt en deelnemers vaak reduceert tot een rol van naleving.

De kern

Samenvatting: Hoe een gedeelde digitale "spoorboekje" samenwerking en macht beïnvloedt bij daklozenhulp

Stel je voor dat daklozenhulp in de VS een enorm, chaotisch orkest is. Er zijn honderden verschillende muzikanten (de hulporganisaties), maar ze spelen allemaal een ander liedje. Om dit orkest te laten samenspelen, heeft de overheid een gedwongen samenwerking afgedwongen. Ze zeggen: "Jullie moeten samenwerken, en jullie moeten allemaal hetzelfde 'spoorboekje' gebruiken om te noteren wie jullie helpen."

Dat spoorboekje heet HMIS (Homeless Management Information System). Het is een centrale database waar alle hulpverleners hun gegevens over cliënten in moeten zetten.

Deze studie van Lingwei Cheng en haar collega's kijkt naar wat er gebeurt als je zo'n systeem verplicht invoert. Het resultaat is een tweesnijdend zwaard: het helpt wel, maar het creëert ook nieuwe ongelijkheden.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het Idee: Eén groot spoorboekje

Vroeger wist organisatie A niet wat organisatie B deed. Als een dakloze van een opvangcentrum naar een huisvestingsprogramma ging, was het alsof ze een nieuwe persoon waren.
Met het HMIS-systeem kunnen ze nu zien: "Ah, deze persoon is vorige maand hier geweest, en daar heeft hij/ zij een slaapplek gekregen."

• Het goede nieuws: Dit maakt de zorg beter. Het is alsof alle muzikanten eindelijk dezelfde bladmuziek hebben. Ze kunnen samenwerken en weten precies wat er nodig is.

2. Het Probleem: De "Regelmeesters" en de "Uitvoerders"

Hoewel iedereen hetzelfde boekje gebruikt, zijn niet iedereen even goed in staat om het te lezen of te begrijpen.

• De Grote Organisaties (De Regisseurs): Grote, rijke organisaties hebben mensen in dienst die slimme grafieken kunnen maken en diep kunnen graven in de data. Zij bepalen vaak wat de "verhaal" is dat uit de cijfers komt. Zij hebben de macht.
• De Kleine Organisaties (De Uitvoerders): Kleine, lokale hulpverleners hebben vaak geen tijd, geld of slimme software. Voor hen is het invullen van het spoorboekje vooral een boete-voorkomende taak. Ze vullen het in omdat de overheid zegt: "Geen gegevens, geen geld." Ze hebben geen tijd om de data te analyseren of te zeggen: "Kijk eens, dit cijfer vertelt een ander verhaal."

De metafoor: Stel je voor dat iedereen in een race moet rijden met dezelfde auto (het systeem). Maar de ene renner heeft een team van ingenieurs die de auto afstellen voor snelheid, terwijl de andere renner alleen maar de benzine moet tanken en bang is dat hij een boete krijgt als hij te langzaam rijdt. De eerste renner bepaalt de strategie; de tweede renner volgt alleen de regels.

3. De Strijd om Betrouwbaarheid en Macht

De studie laat zien dat er spanningen zijn:

• Vertrouwen: Cliënten zijn soms bang dat hun gegevens worden gedeeld met de politie of justitie. Als ze niet vertrouwen hebben, vertellen ze niet alles. Dan is het spoorboekje onvolledig, net als een kaart met gaten erin.
• De "Compliance-val": Veel organisaties focussen zo erg op het invullen van de juiste vakjes (om geld te krijgen), dat ze vergeten waarom ze het doen. Ze worden "compliance-robots" in plaats van strategische partners.
• Wie heeft het woord? Omdat de grote organisaties de data beter kunnen interpreteren, hebben zij ook de macht om te beslissen welke problemen belangrijk zijn. Kleine organisaties met hun ervaring op de straat worden soms overhoord, omdat ze niet kunnen "bewijzen" met cijfers wat ze zien.

4. Wat betekent dit voor de toekomst?

De auteurs zeggen dat we niet zomaar kunnen zeggen: "Meer data = betere samenwerking."

Als we willen dat het systeem echt werkt voor iedereen, moeten we:

1. Meer hulp geven: Kleine organisaties moeten leren hoe ze de data kunnen gebruiken, niet alleen hoe ze het moeten invullen.
2. Luisteren naar het verhaal: Cijfers zijn belangrijk, maar ze vertellen niet het hele verhaal. We moeten ruimte maken voor de verhalen van de mensen die het werk doen op de straat.
3. Macht delen: De grote organisaties moeten niet alleen de regels zetten, maar ook luisteren naar wat de kleine organisaties nodig hebben om het systeem aan te passen.

Kortom:
Het gedeelde systeem (HMIS) is als een geweldig nieuw navigatiesysteem voor een hele vloot schepen. Het helpt ze om niet tegen elkaar aan te varen. Maar als alleen de grootste schepen de kaart kunnen lezen en de koers kunnen bepalen, terwijl de kleine bootjes alleen maar moeten volgen en bang zijn voor boetes, dan zullen ze nooit echt samenwerken als een gelijkwaardig team. De technologie is er, maar de macht en kennis zijn nog niet eerlijk verdeeld.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Collaboration by Mandate: How Shared Data Infrastructure Shapes Coordination and Control in U.S. Homelessness Services" in het Nederlands.

Probleemstelling

Het artikel onderzoekt de spanningen die ontstaan wanneer overheden samenwerking tussen organisaties verplicht stellen ("mandated collaboration") via gedeelde data-infrastructuur. In de sector van de dakloosheidszorg in de VS worden organisaties gedwongen om samen te werken via het Homeless Management Information System (HMIS), een federale database.

Het centrale probleem is dat deze data-systemen, hoewel ontworpen om coördinatie en verantwoording te bevorderen, vaak onbedoeld machtsasymmetrieën versterken. In plaats van een gelijkwaardige samenwerking te faciliteren, kunnen gestandaardiseerde data-eisen leiden tot:

• Een verschuiving van strategische samenwerking naar louter compliance (nakomen van regels).
• Een concentratie van interpretatiekracht en besluitvorming bij de grootste, best gefinancierde organisaties.
• Een "data drift" waarbij lokale behoeften en nuance verloren gaan ten gunste van uniforme rapportage.
• Een gebrek aan vertrouwen tussen aanbieders, cliënten en de overheid, wat de data-kwaliteit en -volledigheid ondermijnt.

De auteurs vragen zich af hoe een verplicht gedeelde data-infrastructuur de data-praktijken (verzameling, opslag, analyse, gebruik) over organisaties heen structureert en of deze infrastructuur deeltijdige besluitvorming ondersteunt of controle concentreert.

Methodologie

De studie is een kwalitatief case-onderzoek uitgevoerd in de FL-507 Central Florida Continuum of Care (CoC), een regio die Orlando en omliggende county's omvat en 47 partnerorganisaties bedient.

• Dataverzameling: Er zijn zes semi-gestructureerde interviews gehouden (duur: één uur) met belanghebbenden die HMIS beheren en gebruiken.
• Deelnemers: De steekproef bestond uit vier medewerkers van het coördinerende leidende agentschap (Lead Agency) en twee medewerkers van deelnemende dienstverleners (non-profit organisaties). Deelnemers werden gerekruteerd via sneeuwbalmethode.
• Analyseframework: De interviews waren gestructureerd rondom de data-waardeketen (data value chain):
  1. Verzameling (collectie)
  2. Opslag (storage)
  3. Analyse (verwerking tot indicatoren)
  4. Gebruik (toepassing in beslissingen en verantwoording)
• Analysemethode: De transcripties werden onderworpen aan een inductieve thematische analyse met open codering, waarbij twee onderzoekers elke transcriptie dubbel-codeerden, gevolgd door het maken van een affiniteitsdiagram.

Belangrijkste Resultaten

De resultaten tonen aan dat standaardisatie interoperabiliteit mogelijk maakt, maar dat ongelijkheid in middelen en capaciteit de samenwerking beperkt:

1. Data-Verzameling (Collection)

• Compliance vs. Kwaliteit: Data-verzameling wordt voornamelijk gedreven door financieringseisen en rapportageverplichtingen. Hoewel standaardisatie proces-equiteit nastreeft, beperkt het de mogelijkheid om structurele ongelijkheden te documenteren.
• Vertrouwen: Gebrek aan vertrouwen is een grote barrière. Cliënten vrezen dat hun data tegen hen wordt gebruikt (bijv. door justitie), wat leidt tot het achterhouden van informatie. Ook bestaat er wantrouwen tussen de CoC en justitiële instanties.
• Capaciteitsverschillen: Kleinere aanbieders hebben vaak niet de middelen om data te verzamelen voor strategische doeleinden; ze doen dit puur om te voldoen aan rapportage-eisen.

2. Data-Opslag (Storage)

• Centralisatie vs. Lokale Behoefte: Er is een spanning tussen de centrale HMIS-database en lokale opslag. Aanbieders verzamelen vaak extra data voor intern gebruik, maar het integreren hiervan in HMIS is riskant (duplicatie, ontbrekende velden).
• Digitale Uitsluiting: Een deel van de cliënten heeft geen toegang tot of vaardigheid met computers. Aanbieders gebruiken daarom vaak nog papieren systemen als parallelle opslag om inclusiviteit te waarborgen, wat de eenheid van de data-infrastructuur bemoeilijkt.

3. Data-Analyse (Analysis)

• Interpretatiekracht: Effectieve analyse vereist zowel technische vaardigheden als diepgaande contextuele kennis. Kleinere organisaties missen vaak het personeel om data te interpreteren en zijn afhankelijk van kant-en-klare rapporten.
• Verschillende Narratieven: Dezelfde data kan tot verschillende conclusies leiden afhankelijk van de context. Zonder gedeelde interpretatiekaders leidt dit tot conflicterende visies op prestaties.
• Machtsongelijkheid: Grotere organisaties hebben meer invloed op het stellen van data-standaarden en kunnen dieper analyseren, terwijl kleinere organisaties data vooral gebruiken om hun eigen oordelen te valideren.

4. Data-Gebruik (Usage)

• Communicatie en Verantwoording: Data wordt gebruikt voor beleidsbeslissingen en publieke communicatie (bijv. town halls). Echter, het "cureren" van data voor stakeholders is moeilijk omdat deze vaak verschillende aannames hebben over wat "succes" is.
• Verhalen en Context: Kwalitatieve context en storytelling zijn essentieel om de complexiteit van dakloosheid te tonen en stereotypen te doorbreken, vooral wanneer kwantitatieve data ontbreekt (bijv. over cliënten zonder ID).

Belangrijke Bijdragen

De auteurs leveren drie belangrijke bijdragen aan het onderzoek naar burgerlijke technologie en publieke data-infrastructuur:

1. Kwalitatief Inzicht: Een diepgaande studie van HMIS die laat zien hoe data-infrastructuur niet alleen data verwerkt, maar ook governance-logica institutionaliseert die bepaalt wiens kennis telt.
2. Van Collectie naar Interpretatie: Het onderzoek gaat verder dan het verzamelen van data en analyseert hoe data collectief wordt geanalyseerd en omgezet in gemeenschapsverhalen, en hoe fricties (zoals verschuivingen naar compliance-rollen) macht concentreren.
3. Contextualisatie: Het situeert HCI-onderzoek over dakloosheid binnen de bredere beleids- en organisatorische context, benadrukkend dat data-governance en infrastructuur gezamenlijk data-productie, interpretatie en rechtvaardigheid vormgeven.

Significantie en Implicaties

De studie concludeert dat gedeelde data-infrastructuur in verplichte samenwerkingssituaties een tweesnijdend zwaard is: het kan coördinatie mogelijk maken, maar reproduceert ook bestaande machtsongelijkheden.

• Van Compliance naar Leren: Er is een verschuiving nodig van data-governance als louter compliance-regime naar een "leerinfrastructuur". Dit vereist dat standaardisatie wordt gekoppeld aan participatieve interpretatie.
• Aanbevelingen:
  • Uitbreiden van analytische capaciteit bij kleinere aanbieders.
  • Het inbedden van gemeenschapsstemmen in data-standaarden.
  • Ontwerpen van feedbacklussen die inzichten over governance-niveaus heen circuleren.
  • Het scheiden van data-kwaliteitscontroles van narratieve interpretatie om ruimte te maken voor nuance.

De auteurs waarschuwen dat zonder deze aanpassingen data-mandaten kunnen leiden tot een versterking van ongelijkheid in de dienstverlening, waarbij de rijkere en beter toegeruste organisaties de agenda bepalen, terwijl kleinere organisaties worden gereduceerd tot uitvoerders van rapportage-eisen.