💬 NLP

Ontology for Policing: Conceptual Knowledge Learning for Semantic Understanding and Reasoning in Law Enforcement Reports

Dit artikel stelt een symbolisch raamwerk voor dat ongestructureerde verhalen van wetshandhavingsinstanties omzet in bewijsgebonden feiten en temporele grafieken door semantische parsing, ontologie-mapping en redenering te integreren, waarbij een hoge nauwkeurigheid wordt aangetoond bij het extraheren van cruciale incidentdetails uit rapporten over vermogenscriminaliteit.

Oorspronkelijke auteurs: Anita Srbinovska, Jansen Orfan, Adrian Martin, Ernest Fokoué

Gepubliceerd 2026-05-18

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Anita Srbinovska, Jansen Orfan, Adrian Martin, Ernest Fokoué

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 een politierapport voor als een tweeledig verhaal. Het eerste deel is als een controlelijst: het heeft vakjes voor de datum, het type misdrijf (zoals "Inbraak") en het zaaknummer. Dit is makkelijk voor computers om te lezen omdat het netjes en georganiseerd is.

Het tweede deel is het verhaal: een alinea geschreven door de agent die precies beschrijft wat er gebeurd is. Hier woont het echte verhaal – details over hoe een raam werd gebroken, wie erbij betrokken was en de volgorde van gebeurtenissen. Maar omdat dit in gewoon Engels is geschreven, is het als een rommelige stapel puzzelstukken die een computer zonder hulp niet makkelijk kan sorteren.

Dit artikel presenteert een nieuwe manier om die rommelige puzzelstukken te organiseren met een "symbolisch" systeem (denk hierbij aan een zeer strenge, regelgebaseerde vertaler) in plaats van een "gokkend" systeem (zoals moderne AI die het volgende woord voorspelt).

Hier is hoe hun systeem werkt, opgesplitst in eenvoudige stappen:

1. Het Privacyfilter (Redactie)

Voordat de computer het verhaal leest, doet het een paar "privacybrillen" op. Het scant de tekst en bedekt gevoelige namen, adressen en telefoonnummers, en vervangt ze door algemene labels zoals [PERSOON_1] of [VERDACHTE]. Dit zorgt ervoor dat het systeem leert van de gebeurtenissen, niet van de specifieke identiteiten van de betrokken personen.

2. De Vertaler (Semantische Parsing)

Zodra de tekst veilig is, fungeert het systeem als een vertaler die niet alleen woorden leest, maar de structuur van de actie begrijpt. Het breekt zinnen op in een "Wie deed Wat aan Wie"-formaat.

De Metafoor: Stel je voor dat de zin "De verdachte brak het raam" een zin is in een vreemde taal. Het systeem vertaalt deze naar een universele code: Actie: Breken, Dader: Verdachte, Object: Raam.
Het gebruikt een enorme woordenlijst (WordNet genaamd) en een grammatica-boek (VerbNet) om ervoor te zorgen dat het begrijpt dat "stelen" een type "nemen" is, en dat een "raam" een onderdeel is van een "gebouw".

3. Het Regelboek (De Ontologie)

Het systeem neemt vervolgens deze vertaalde feiten en probeert ze in een vooraf opgebouwd Regelboek (een Ontologie genoemd) te passen. Denk aan dit regelboek als een strenge archiefkast met specifieke laden gelabeld met "Diefstal", "Gedwongen Toegang" of "Voertuigschade".

Als het systeem een "nemen"-actie ziet zonder toestemming, probeert het deze onder "Diefstal" te archiveren.
Als het een "breken"-actie ziet, probeert het deze onder "Gedwongen Toegang" te archiveren.
Het systeem controleert zijn eigen werk: "Past dit bij de regels voor een diefstal? Ja. Is er een gestolen voorwerp? Ja. Oké, ik ben er zeker van dat dit een diefstal is."

4. De Tijdlijnbouwer (Temporeel Redeneren)

Tot slot zoekt het systeem naar tijdsaanwijzingen zoals "toen", "voor" of "na" om een tijdlijn te bouwen.

De Metafoor: Het is als het rangschikken van een serie dominostenen. Als de tekst zegt: "De verdachte brak het raam voordat hij binnenkwam", plaatst het systeem de "Breken"-domino voor de "Binnenkomen"-domino. Het gebruikt ook regels van gezond verstand (axioma's), zoals het weten dat "inbreken" meestal voor "stelen" gebeurt.

Wat Vonden Ze?

De onderzoekers testten dit systeem op 450 echte politierapporten over vermogensmisdrijven (zoals inbraken en gestolen auto's).

Succespercentage: Ongeveer 54% van de gebeurtenissen die het systeem identificeerde, was zeer zeker (een score van 0,80 of hoger op een schaal van 1,0).
Nauwkeurigheid: Toen menselijke beoordelaars het werk van het systeem controleerden, waren ze het 100% eens over drie belangrijke punten:
1. Hoe het incident begon.
2. Welke voorwerpen werden gestolen.
3. De specifieke tijdsaanwijzingen die in de tekst werden gebruikt.
De Strijd: Het systeem had meer moeite om het met mensen eens te zijn over of een toegang "gedwongen" was (zoals een raam breken versus een open deur). Dit was het verwarrendste deel, met slechts 40% overeenstemming.

De Conclusie

Het artikel betoogt dat door het gebruik van strenge regels en woordenlijsten in plaats van "gokken", dit systeem rommelige politieverhalen kan omzetten in duidelijke, georganiseerde feiten die terug te leiden zijn naar de oorspronkelijke zin. Het is als het omzetten van een handgeschreven, rommelig dagboek in een gestructureerde database, waardoor onderzoekers patronen en tijdlijnen kunnen zien zonder elk enkel woord handmatig te hoeven lezen.

Belangrijke Opmerking: De auteurs zijn duidelijk dat dit hulpmiddel is voor analyse en organisatie. Het is niet ontworpen om definitieve beslissingen te nemen over onderzoeken of om mensen te beoordelen; het helpt simpelweg bij het organiseren van het bewijsmateriaal zodat mensen het beter kunnen beoordelen.

Technische Samenvatting: Ontologie voor Politiewerk – Conceptuele Kennislering voor Semantisch Begrip en Redenering in Rapporten van Wetshandhaving

1. Probleemstelling

Rapporten van incidenten in de wetshandhaving bestaan uit gestructureerde metadata (bijv. zaaknummers, delictcodes) en ongestructureerde teksten in natuurlijke taal. Hoewel gestructureerde data basisfiltering en telling ondersteunt, worden kritieke onderzoeksgegevens – zoals de chronologische volgorde van gebeurtenissen, specifieke rollen van deelnemers, methoden van binnendringen en gestolen voorwerpen – vaak uitsluitend in de narratieve tekst verwerkt. Het systematisch toegankelijk maken van deze gegevens is moeilijk vanwege de omvang van de rapporten, linguïstische variatie en de noodzaak om Persoonlijk Identificeerbare Informatie (PII) te anonimiseren voor privacy. Huidige methoden die vertrouwen op oppervlakkige stringmatching of handmatige beoordeling, vormen knelpunten voor onderzoekers en analisten. De kernuitdaging is om deze geanonimiseerde, ongestructureerde verhalen om te zetten in "evidence-gekoppelde feiten" die machineleesbaar, controleerbaar en geschikt zijn voor logische redenering, zonder de traceerbaarheid naar de brontekst te verliezen.

2. Methodologie

De auteurs stellen een symbolisch raamwerk voor dat politieverhalen omzet in een formele ontologie via een meerstapsproces. De aanpak vermijdt machine learning voor de uiteindelijke redeneringslaag, en vertrouwt in plaats daarvan op symbolisch natuurlijk taalbegrip (NLU) en kennisrepresentatie.

A. Voorverwerking en Anonimisering

Extractie: PDF-rapporten worden verwerkt via Optische Karakterherkenning (OCR) om het narratieve gedeelte te extraheren, waarbij tekst naar zinshoofdletters wordt omgezet en artefacten worden verwijderd.
Anonimisering: Een op regels gebaseerd systeem met behulp van spaCy Named Entity Recognition, reguliere expressies en metadata anonimiseert PII (namen, adressen, data, voertuigdetails).
Pseudonimisering: Entiteiten worden vervangen door gestandaardiseerde placeholders (bijv. [PERSON_1], Slachtoffer, Verdachte) terwijl een mapping-logboek wordt bijgehouden om traceerbaarheid te waarborgen.

B. Semantische Parsing (De Semantische Laag)

De geanonimiseerde tekst wordt geparsed naar Abstract Meaning Representation (AMR)-grafieken met behulp van de AMRlib-parser (een BART-large model).

Grafiekstructuur: AMR vertegenwoordigt de betekenis van een zin als een grafiek van predicaten (gebeurtenissen) en hun argumenten (deelnemers).
Rol-grounding: Pseudoniemen worden gemapt naar specifieke semantische typen (bijv. Persoon, Voertuig) en rollen (bijv. Agent, Patiënt) binnen de grafiek.
Lexicale bronnen: Het systeem maakt gebruik van een keten van lexicale databases om predicaten en argumenten te normaliseren:
- PropBank: Biedt werkwoordsbetekenissen en argumentrollen.
- VerbNet (via SemLink): Mapt PropBank-betekenissen naar semantische werkwoordklassen.
- WordNet: Biedt hyperoniemhiërarchieën voor "is-een"-typering van argumenten (bijv. het onderscheiden van een "raam" als structureel onderdeel).

C. Ontologieconstructie en Mapping

Geëxtraheerde AMR-grafieken worden gemapt naar een OWL 2-ontologie die in Protégé is gebouwd.

Structuur: De ontologie omvat een TBox (klassenschema), RBox (eigenschapsschema) en ABox (instantiefacten). Belangrijke klassen zijn Event, Entity en ParticipationRole.
Mappingregels: Predicaat-argumentstructuren (bijv. steal-01 :ARG0 x :ARG1 y) worden omgezet in ontologie-asserties (bijv. TheftEvent(e), hasAgent(e,x)).
Beschrijvingslogica (DL)-beperkingen: Het systeem handhaaft structurele invarianten, zoals het waarborgen dat elke participatie is gekoppeld aan een gebeurtenis en dat specifieke gebeurtenistypen (bijv. TheftEvent) specifieke deelnemers vereisen (bijv. een gestolen Item).

D. Gebeurtenistypering en Confidence Scoring

Het systeem wijst gebeurtenistypen toe (bijv. ForcedEntryEvent, TheftEvent) en berekent een confidence-score $c(e) \in [0,1]$ .

Tweestaps Typering:
1. Predikaat-Familie Fase: Genereert ruwe kandidaattypen op basis van de werkwoordfamilie.
2. Argument-gevoelige Fase: Verfijnt het type op basis van de semantische typen van argumenten (bijv. versterking van een "diefstal"-interpretatie als het object een eigendomsvoorwerp is).
Confidence Berekening: De score is een heuristische som van:
- Basis Score: Bepaald door de gebeurteniscategorie (bijv. kernincidentgebeurtenissen beginnen bij 0,55).
- Lexicale Grounding: Bonus voor volledige PropBank→VerbNet→WordNet-mapping.
- Structurele Ondersteuning: Bonus voor het overeenkomen met verwachte patronen (bijv. aanwezigheid van een gestolen voorwerp).
- Boetes: Aftrekkingen voor ambiguïteit, ontkenning of onzeker taalgebruik.
- Eind Score: Een gewogen mix van de regel-prior (70%) en de op bewijs gebaseerde score (30%).

E. Temporele Redenering

Het systeem construeert temporele grafieken waarbij knopen gebeurtenissen zijn en randen precedentierelaties.

Cue-gebaseerde Randen: Afgeleid van temporele markers in de tekst (bijv. "toen", "voor", "na").
Domeinaxioma's: Logische regels handhaven precedentie op basis van politiewerkwijzen (bijv. ForcedEntryEvent gaat typisch vooraf aan TheftEvent).

3. Belangrijkste Bijdragen

Evidence-gekoppelde Feitextractie: Een processtroom die geanonimiseerde verhalen omzet in gestructureerde feiten die traceerbaar zijn naar specifieke zinnen, waardoor het knelpunt van handmatige beoordeling wordt aangepakt.
Symbolisch NLU voor Politiewerk: Een demonstratie dat symbolische methoden (AMR + Ontologie) de linguïstische variatie en privacybeperkingen van politierapporten kunnen hanteren zonder te vertrouwen op black-box machine learning-modellen voor de uiteindelijke redenering.
Constructie van Temporele Grafieken: De integratie van linguïstische cues en domeinaxioma's om gebeurtenistijdlijnen te reconstrueren uit ongestructureerde tekst.
Controleerbare Confidence: Een scoresysteem dat de betrouwbaarheid van geëxtraheerde gebeurtenissen kwantificeert, waardoor analisten resultaten kunnen filteren op basis van confidence-drempels.

4. Resultaten

Het raamwerk werd geëvalueerd op een corpus van 450 rapporten over vermogenscriminaliteit (Inbraak, Diefstal, Diefstal van een Motorvoertuig, Overval, Gestolen Eigendom) van de Rochester Police Department.

Extractieprestaties:
- Het systeem extraherde 6.686 gebeurtenissen en 6.652 frames.
- 54,1% van de geëxtraheerde gebeurtenissen behaalde een confidence-score $\ge 0,80$ .
- 93,7% van de gebeurtenissen werd succesvol gemapt via het volledige semantische pad PropBank→VerbNet→WordNet.
- De dekking van ARG1 (patiënt/object) was hoog (78,8%), terwijl de dekking van ARG0 (agent) lager was (29,8%), wat de neiging in het verhaal weerspiegelt om objecten expliciet te benoemen maar identiteiten van acteurs te verhullen.
Frame Slot Invulling:
- Toegangspunten werden in 41,8% van de gevallen ingevuld.
- Toegangsmethoden in 33,4%.
- Gestolen voorwerpen in 22,8%.
Temporele Ordening:
- Er werden 102 temporele randen geëxtraheerd over het corpus.
- 78,4% van deze randen was afgeleid van domeinaxioma's, terwijl slechts 21,6% kwam uit expliciete tekstuele cues.
Menselijke Beoordeling:
- Een studie met 6 beoordelaars over 5 geanonimiseerde verhalen toonde 100% overeenstemming tussen het systeem en de menselijke meerderheid voor: Incidentinitiatie, Gestolen voorwerpen, Tijdscues en Deelnemersrollen.
- De overeenstemming was 80% voor Voertuigbetrokkenheid, Gestelde diefstal en Algemene confidence.
- De overeenstemming was 40% voor Geforceerde toegang, wat aangeeft dat dit een uitdagende interpretatietaken blijft.
- Precisie/Recall/F1-scores voor "Gestolen voorwerpen" en "Tijdscues" waren perfect (100%).

5. Betekenis en Beweringen

Het artikel beweert dat symbolische NLU-technieken effectief incidentgegevens kunnen herstellen uit geanonimiseerde verhalen die ontbreken in gestructureerde metadata. De betekenis ligt in het vermogen om:

Analyse te Schalen: De extractie van evidence-gekoppelde feiten uit grote hoeveelheden rapporten te automatiseren.
Privacy te Handhaven: Geanonimiseerde tekst te verwerken zonder de mogelijkheid om te redeneren over gebeurtenisstructuren te compromitteren.
Traceerbaarheid te Waarborgen: Elk geëxtraheerd feit is teruggekoppeld naar de bronzin en het specifieke semantische pad dat is gebruikt, wat controleerbaarheid mogelijk maakt.
Omgaan met Onzekerheid: Het confidence-scoresysteem markeert expliciet onzekere extracties (bijv. interpretaties van geforceerde toegang) in plaats van een definitieve classificatie af te dwingen, wat cruciaal is voor juridische en onderzoekscontexten.

De auteurs stellen expliciet dat het systeem is ontworpen om onderzoek en beoordeling te ondersteunen, niet om menselijk oordeel te vervangen of conclusies te trekken over individuen zonder menselijk toezicht. Het werk breidt het OpenBWC-initiatief uit door een symbolische NLU-processtroom toe te voegen voor intern politiegebruik.