💻 computer science

From Punishment to Protection: Charting Six Decades of U.S. Juvenile Justice Through Topic Modeling and LLM-Assisted Analysis

Dit artikel maakt gebruik van topic modeling en door LLM ondersteunde analyse op meer dan 60.000 Amerikaanse beroepsvonnissen van 1970 tot 2025 om een dramatische verschuiving van punitieve naar beschermende trends in de jeugdrechtspraak te onthullen, terwijl het kritieke risico's zoals vocabulaire-drift en jurisdictionele fragmentatie belicht die moeten worden aangepakt voor AI-instrumenten in dit domein.

Oorspronkelijke auteurs: Nia E. George, Simeon Sayer

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nia E. George, Simeon Sayer

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 Amerikaanse jeugdstrafrecht voor als een enorme, bruisende bibliotheek met 60.470 boeken (gerechtelijke uitspraken) die over de afgelopen 60 jaar zijn geschreven. Decennialang hebben juridische geleerden geprobeerd te begrijpen hoe deze bibliotheek is veranderd door telkens slechts een paar boeken te lezen. Maar met zoveel volumes is het alsof je probeert de geschiedenis van een hele stad te begrijpen door alleen naar een paar straathoeken te kijken.

Dit artikel, geschreven door Nia George en Simeon Sayer, gebruikt een nieuw soort "superlezer"—een combinatie van geavanceerde computeralgoritmen en Kunstmatige Intelligentie (AI)—om elk boek in de bibliotheek tegelijkertijd te lezen. Hun doel was om het grote plaatje te zien: hoe is het gesprek tussen rechters en advocaten verschoven van de jaren 1970 tot vandaag?

Hier is wat zij vonden, uitgelegd via eenvoudige analogieën:

1. De bibliotheek splitste zich in twee verschillende werelden

De meest verrassende ontdekking is dat de bibliotheek niet langer één grote kamer is; de bibliotheek is effectief gesplitst in twee aparte vleugels die in tegenovergestelde richtingen groeien.

De "Misdaad"-vleugel: Deze gaat over kinderen die ervan worden beschuldigd de wet te hebben overtreden. In de afgelopen 50 jaar is het aantal zaken in deze vleugel feitelijk afgenomen. Rechtbanken sturen minder kinderen naar het volwassenentrafiek en minder kinderen krijgen de doodstraf. Het is als een fabriek die vroeger zware straffen produceerde, maar nu de productie aan de lopende band heeft vertraagd.
De "Gezinsveiligheid"-vleugel: Deze gaat over kinderen die onveilig zijn thuis (verwaarlozing, misbruik, drugsgebruik door ouders). Deze vleugel is explosief gegroeid en heeft een drievoudig aandeel in de bibliotheek gekregen. Het is alsof de bibliotheek drie nieuwe verdiepingen heeft toegevoegd, uitsluitend voor gezinskwesties.

Waarom dit ertoe doet: Als je een computertool bouwt om rechters te helpen bij het nemen van beslissingen, kun je deze twee vleugels niet als hetzelfde behandelen. Een tool die getraind is op "misdaad"-zaken, kan verkeerd advies geven voor "gezinsveiligheid"-zaken, omdat ze een andere taal spreken en andere regels volgen.

2. De taal is volledig veranderd

De auteurs ontdekten dat de woorden die rechters in de jaren 1970 gebruikten, vandaag de dag bijna onherkenbaar zijn, zelfs als ze over vergelijkbare problemen praten.

De "Woordenboek-drift": Stel je voor dat mensen in de jaren 1970 praatten over "carnale kennis" en "sodomie", maar dat ze in de jaren 2020 alleen nog over "seksuele mishandeling" en "registratie" praten. Of denk aan drugs: in de jaren 80 en 90 zat de bibliotheek vol boeken over "crack-cocaine", maar in de jaren 2020 zijn de planken gevuld met "fentanyl".
Het AI-risico: Als je een AI traint op de oude woorden, ziet het de nieuwe gevallen misschien helemaal niet over het hoofd. Het is alsof je probeert een boek over "fentanyl" te vinden door te zoeken op "crack"—de computer zal niet weten dat ze aan elkaar gerelateerd zijn, tenzij je het de nieuwe woordenschat leert.

3. De "Registratie"-explosie

Eén specifiek onderwerp groeide sneller dan welk ander onderwerp ook: Registratie van seksuele overtreders.

In de jaren 1970 bestond dit onderwerp nauwelijks.
Tegen de jaren 2020 was het het grootste enkele onderwerp in de hele bibliotheek geworden.
De wending: De wetten veranderden zo vaak (zoals de Jacob Wetterling Act, Megan's Law en de Adam Walsh Act) dat elk decennium zijn eigen unieke "dialect" ontwikkelde. De computer moest extra hard werken om te beseffen dat een zaak over "gemeenschapstoetsing" in de jaren 90 eigenlijk van hetzelfde type probleem was als een zaak over "GPS-monitoring" in de jaren 2020.

4. De verschuiving van "Straf" naar "Bescherming"

Het artikel laat een duidelijke trend zien:

Toen (jaren 1970-1990): De focus lag op straf. Rechters kregen de vraag: "Hoe dragen we deze jongere over naar het volwassenentrafiek?" of "Moeten we de doodstraf opleggen?".
Nu (jaren 2010-2020): De focus is verschoven naar bescherming en beperkingen. Dankzij uitspraken van het Hooggerechtshof vragen rechters nu: "Is deze straf te zwaar voor een kind?" en "Hoe beschermen we de toekomst van het kind?".
Het resultaat: De onderwerpen rondom "straf" (zoals de doodstraf) zijn uit de bibliotheek verdwenen, terwijl "beschermings"-onderwerpen (zoals kindwelzijn en het beperken van zware straffen) de overhand hebben genomen.

5. Waarom dit belangrijk is voor AI-tools

De auteurs waarschuwen dat als we vandaag de dag AI-tools bouwen om rechters te helpen, we zeer voorzichtig moeten zijn. Het artikel identificeert vijf "vallen" waar deze tools in kunnen trappen:

De Tijdreis-val: Laat de AI niet denken dat oude wetten (zoals de doodstraf voor kinderen) nog steeds geldig zijn, simpelweg omdat ze 30 jaar geleden in de bibliotheek stonden.
De Taal-val: Laat de AI nieuwe gevallen niet missen omdat de woorden zijn veranderd (bijv. van "crack" naar "fentanyl").
De Lokale-val: Laat de AI lokale regels niet negeren. Sommige staten hebben zeer specifieke wetten over de registratie van seksuele overtreders die anders lijken dan het nationale gemiddelde.
De Volume-val: Ga er niet vanuit dat omdat een onderwerp "stijgt" in de bibliotheek, de daadwerkelijke criminaliteit ook stijgt. Soms stijgt een onderwerp omdat meer mensen de beslissing aanvechten, niet omdat er meer misdaden plaatsvinden.
De Gesplitste Systeem-val: Onthoud dat "misdaad" en "gezinsveiligheid" twee verschillende systemen zijn. Een AI mag deze niet door elkaar halen.

De Kern

Dit artikel bewijst dat we computers kunnen gebruiken om duizenden juridische documenten te lezen om te zien hoe het recht is geëvolueerd. Het laat zien dat het systeem is verschoven van een "straf het kind"-mentaliteit naar een "bescherm het kind en beperk de straf"-mentaliteit. Het waarschuwt echter ook dat als we AI gebruiken om rechters te helpen, we deze AI moeten leren deze verschuivingen te begrijpen, anders geeft het advies gebaseerd op een wereld die niet meer bestaat.

Technische Samenvatting: Van Straf als Bestraffing naar Bescherming: Het In kaart Brengen van Zes Decennia aan Amerikaanse Jeugdstrafrecht via Topic Modeling en LLM-ondersteunde Analyse

Probleemstelling
De juridische geschiedenis van het jeugdstrafrecht in de Verenigde Staten omvat twee afzonderlijke stromen: delinquentiezaken (jongeren die beschuldigd worden van misdrijven) en kinderwelzijnszaken (kinderen die binnen gezinnen een risico lopen). Over de afgelopen vijftig jaar hebben deze stromen zich drastisch ontwikkeld, maar traditionele doctrinale lezing worstelt met het identificeren van langetermijnpatronen over de meer dan 60.000 beroepsvonnissen uit de periode 1970–2025. Bestaand onderzoek vertrouwt op administratieve gegevens (arrestaties, caseloads) of beleidswetenschappelijke studies, die echter geen van beide bijhoudt hoe de juridische vragen die rechtbanken gevraagd worden te beslissen, in de loop der tijd zijn verschoven. Bovendien wordt het bestuderen van juridische trends over meerdere decennia bemoeilijkt door ongelijkmatige beschikbaarheid van gegevens, vertrouwelijkheidnormen en de "temporele mismatch", waarbij juridische vocabulaire en doctrine aanzienlijk veranderen tussen tijdperken. Deze studie adresseert de kloof in het systematisch analyseren van jurisprudentie in hoger beroep om de evolutie van de jeugdstrafrechtelijke doctrine te begrijpen, en identificeert kritieke risico's voor AI-gebaseerde besluitvormingsondersteunende instrumenten die getraind zijn op dergelijke historische corpora.

Methodologie
De studie maakt gebruik van een zesfasige, end-to-end pipeline die computationele topic modeling combineert met Large Language Model (LLM) assistentie om 60.470 Amerikaanse beroepsvonnissen van CourtListener (1970–2025) te analyseren.

Dataconstructie & Preprocessing: Opinies werden verzameld via API, gededupliceerd en schoongemaakt. Tekstnormalisatie verwijderde boilerplate en citatiefragmenten, terwijl de doctrinaire vocabulaire behouden bleef. Woordgroepen met meerdere woorden werden getokeniseerd als een enkele eenheid om consistentie over decennia heen te waarborgen.
Global-Local Topic Modeling: Een hybride architectuur werd gebruikt om vergelijkbaarheid over decennia heen te garanderen.
- Een Global BERTopic-model (gebruikmakend van MPNet sentence embeddings, UMAP voor dimensionaliteitsreductie en HDBSCAN voor clustering) werd gefit op de volledige corpus om een gedeelde topic-ruimte te vestigen, wat resulteerde in 182 substantiële topics.
- Decade-Lokale modellen werden onafhankelijk gefit voor elk van de zes decennia (jaren '70–jaren '20).
- Uitlijning: Lokale topics werden gekoppeld aan de globale inventaris middels Jaccard-gelijkenis op top-woordensets (drempelwaarde $\ge$ 0,20). Dit maakte het mogelijk om stabiele topics te volgen, terwijl ook era-specifieke "sub-thema" topics werden geïsoleerd die het globale model niet kon vangen.
Kwaliteitsdiagnostiek: De kwaliteit van de topics werd beoordeeld met behulp van UMass coherence scores en nearest-neighbor lexicale overlap. Slechts 182 van de initiële clusters werden behouden als substantiële topics, die 54,7% van de corpus beslaan; de rest werd uitgesloten als outliers of boilerplate.
Trendberekening: Prevalentie werd berekend als een decennium-genormaliseerd aandeel (het aantal opinies toegewezen aan een topic gedeeld door het totaal toegewezen opinies in dat decennium) om directe vergelijking tussen decennia van variërende grootte mogelijk te maken. Lineaire hellingen werden toegepast om stijgende, dalende en stabiele trends te identificeren.
LLM-geassisteerde Classificatie & Analyse:
- Thema-inductie: Een LLM (Claude) analyseerde de topic-metadata (top woorden, aantallen, coherentie, trends) om een 10-thema taxonomie voor te stellen.
- Topic Toewijzing: De LLM wijsde elk van de 182 topics toe aan exact één thema.
- Bewijs-gegronde Analyse: Voor geselecteerde topics van hoog belang werd de LLM voorzien van "evidence bundles" bestaande uit volledige tekst van de globale topic, de gekoppelde lokale topics en niet-gekoppelde sub-thema's. De LLM kreeg de instructie om juridische narratieven en doctrinaire bogen te genereren die strikt gebaseerd waren op de aangeleverde tekst, waarbij gebruikmaking van vooraf getrainde juridische kennis werd vermeden.

Belangrijkste Bijdragen

Methodologisch: Het artikel introduceert een reproduceerbare, auditeerbare pipeline voor cross-decennia juridische analyse. Het combineert een global-local BERTopic architectuur met ingebouwde kwaliteitsdiagnostiek en een twee-staps LLM-workflow voor thema-ontdekking en bewijs-gegronde trendanalyse.
Empirisch: Het biedt de eerste grootschalige, kwantitatieve documentatie van de doctrinaire herbalancering in het Amerikaanse jeugdstrafrecht over zes decennia, waarbij 182 onderscheidende juridische topics zijn geïdentificeerd en georganiseerd in 10 thema's.
Risicokader: Het stelt een bewijs-gegronde AI-risicokader op, waarbij vijf specifieke richtlijnen voor besluitvormingsondersteunende instrumenten in het jeugdstrafrecht worden geïdentificeerd op basis van de geobserveerde datapatronen.

Resultaten
De analyse onthult een fundamentele verschuiving in het jeugdstrafrecht van een focus op adjudicatie en procedure naar supervisie en kinderwelzijn.

Thematische Verschuivingen:
- Stijgend: Kinderwelzijn & Afhankelijkheid (5,6% naar 16,7%) en Registratie van Seksuele Delicten (het grootste enkelvoudige topic, stijgend van 5,0% naar 12,9%) zijn de snelst groeiende gebieden. Proeftijd & Supervisie en Detentie/Custodie zagen ook aanzienlijke groei voordat de algemene caseloads recentelijk afnamen.
- Dalend: Procedurele & Bewijstechnische kwesties (dalend van 12,6% naar 6,7%) namen af naarmate de rechten op een eerlijk proces (vastgesteld door Kent, Gault, Winship) gevestigd recht waren geworden. Judicial Transfer (overplaatsing naar volwassen rechtbanken) daalde scherp (4,6% naar 1,0%) nu staten overgingen op automatische transferwetgeving. Doodstraf voor minderjarigen gevallen namen af na de Roper-uitspraak.
- Stabiel: Jeugddelicten & Adjudicatie bleef het grootste thema (~22–27%), maar zag een relatieve daling naarmate andere gebieden groeiden.
Doctrinaire Bogen (LLM Analyse):
- Seksuele Registratie (T0): Evolueerde van een focus op due process en transfer in de jaren '70/'80 naar een complex regime van registratieverplichtingen (Wetterling, Megan's Law, Adam Walsh) in de jaren '90/'00, gevolgd door juridische weerstand met betrekking tot proportionaliteit en individuele toetsing in de jaren '10/'20.
- Drugshandel (T2): Verschoof van een revalidatie-model in de jaren '70 naar een punitief "War on Drugs"-tijdperk (verplichte minimale straffen, medeplichtigheid) in de jaren '80/'90, en uiteindelijk naar een focus op de specifieke schade van fentanyl en de weigering om handelsccharges te fuseren in de jaren '10/'20.
- Kinderwelzijn (T6): Transformeerde van een voorzichtige bescherming van ouderlijke rechten (vereisend van werkelijke schade) naar een doctrine waarbij methamfetamineverslaving wordt behandeld als presumptief onverenigbaar met veilig ouderschap, gedreven door ASFA-tijdlijnen en de "kinderen kunnen niet wachten"-standaard.
Vocabulaire Drift: De studie vond dat de juridische vocabulaire per decennium significant verschilt. Zo maakten termen als "carnal knowledge" (jaren '70) plaats voor "sex offender registration" (jaren '90+), en "crack cocaine" (jaren '80) voor "fentanyl" (jaren '10+). Globale modellen missen vaak deze era-specifieke sub-thema's, die een aanzienlijk deel van de litigatie vormen.

Betekenis en Claims
Het artikel claimt dat grootschalige, reproduceerbare analyse van beroepsvonnissen mogelijk en praktisch nuttig is voor juridisch wetenschappelijk onderzoek, maar benadrukt ook de kritieke beperkingen voor AI-toepassingen in dit domein.

Twee Parallelle Systemen: De studie toont aan dat delinquentie en kinderwelzijn in tegengestelde richtingen bewegen en verschillende juridische vocabularia en logica's hebben ontwikkeld. AI-tools getraind op een gecombineerde corpus riskeren deze systemen te vermengen, wat leidt tot onnauwkeurige retrieval of redenering.
Temporele Mismatch & Vocabulaire Drift: Tools getraind op historische data zonder temporele stratificatie kunnen verouderde juridische standaarden (bijv. levenslang zonder kans op vervanging vóór Miller) presenteren als actueel recht. Bovendien betekent vocabulaire drift dat tools gekalibreerd op de termen van één era, mogelijk niet in staat zijn relevante zaken uit andere era's te vinden.
Jurisdictionele Fragmentatie: Het snelst groeiende gebied (registratie van seksuele overtreders) is sterk gefragmenteerd in staat-specifieke varianten die globale topic-labels niet kunnen vangen. AI-tools moeten deze sub-thema's indexeren om te voorkomen dat cruciale litigatie gemist wordt.
Trend vs. Gedrag: Het artikel benadrukt dat trendlijnen juridische activiteit meten (waar rechtbanken over gevraagd werden), niet gedrag (hoe vaak vergrijpen voorkwamen). Een afname in transfer-zaken reflecteert bijvoorbeeld statutaire wijzigingen die rechterlijke discretie wegnemen, niet noodzakelijkerwijs een daling in ernstige vergrijpen.

De auteurs concluderen dat het adresseren van deze risico's — temporele kalibratie, vocabulaire-uitlijning, jurisdictionele specificiteit en de scheiding van delinquentie- en welzijnsystemen — een fundamentele vereiste is voor elk AI-gebaseerd besluitvormingsondersteunend instrument in het jeugdstrafrecht. De pipeline dient als een model voor het auditeren van juridische redenering en het waarborgen dat AI-tools moderne standaarden reflecteren in plaats van verouderde punitieve baselines.