GovGPT Academy

Hoofdstuk 7. Recht en openbaarheid

Bronnen bij hoofdstuk 7

Kennisclip 2:09
Waar deze clip over gaat

Je ziet op welk onderzoek en welke regels de lessen van hoofdstuk 7 steunen, en waarom je ook bij die bronnen kritisch blijft lezen.

De video laadt pas als je op afspelen klikt. YouTube draait dan in de privacyvriendelijke modus.

Lees het transcript

Hoi! Fijn dat je er weer bent. De lessen in hoofdstuk 7 bouwen op onderzoek naar AI bij recht, bezwaar en openbaarheid. In deze clip zie je per les waar het op steunt.

Bij les 7.1 verzonnen ook gespecialiseerde juridische AI-tools in 17 tot 33 procent van de gevallen informatie, volgens Magesh en collega's, 2025. Algemene taalmodellen gaven bij juridische vragen in minstens 58 procent van de gevallen een fout antwoord, vonden Dahl en collega's, 2024. Bij les 7.2 werkten rechtenstudenten met GPT-4 veel sneller, maar werd hun analyse maar licht beter, volgens Choi en collega's, 2024. Alon-Barkat en Busuioc, 2023, zagen dat ambtenaren advies eerder volgden als het paste bij een stereotype.

Bij les 7.3 telde de Algemene Rekenkamer, 2024, 433 AI-systemen bij het Rijk. Bij ruim een derde van de systemen in gebruik was niet bekend of ze goed werkten. Baron en Payne, 2017, lieten zien dat de groeiende stapel digitale documenten de openbaarheid bedreigt, en dat machine learning bij het beoordelen kan helpen. Bij les 7.4 beoordeelden mensen gevoelige overheidsdocumenten beter en sneller met hulp van een model, ook een matig nauwkeurig model, volgens McDonald en collega's, 2020. Bij les 7.5 vonden Martínez en collega's, 2022, dat juridische teksten vooral moeilijk zijn door de schrijfstijl, niet door de juridische begrippen. En in 2023 begrepen ook advocaten vereenvoudigde juridische teksten beter, en vonden ze die even afdwingbaar.

Onderzoek naar AI gaat snel, en bronnen kunnen elkaar soms tegenspreken. Blijf daarom zelf kritisch lezen, ook bij de bronnen die wij kiezen.

De volledige bronnenlijst met links staat bij deze les op academy.civai.eu. Lees gerust een bron die je nieuwsgierig maakt. Veel succes, en tot in de volgende les!

Alle bronnen van hoofdstuk 7

Les 7.1 Wetgeving zoeken en checken

  • Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2025). Hallucination-free? Assessing the reliability of leading AI legal research tools. Journal of Empirical Legal Studies, 22(2), 216–242. https://doi.org/10.1111/jels.12413 (opent in een nieuw tabblad)
    In deze eerste vooraf geregistreerde toets van juridische AI-zoektools verzonnen ook gespecialiseerde tools met retrieval-augmented generation (Lexis+ AI en de AI-tools van Westlaw) in 17 tot 33 procent van de gevallen informatie. Zelfs een tool die in echte bronnen zoekt, ontslaat de jurist dus niet van het nalezen van de wettekst zelf.
  • Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large legal fictions: Profiling legal hallucinations in large language models. Journal of Legal Analysis, 16(1), 64–93. https://doi.org/10.1093/jla/laae003 (opent in een nieuw tabblad)
    Algemene taalmodellen, waaronder GPT-4, gaven bij vragen over Amerikaanse rechtspraak in minstens 58 procent van de gevallen een onjuist antwoord, konden hun eigen fouten slecht voorspellen en gingen vaak mee in een verkeerde juridische aanname van de gebruiker. Dat is de reden om in les 7.1 eerst een eigen vraag te formuleren zonder sturende aanname, en daarna altijd te toetsen op wetten.overheid.nl.

Les 7.2 Een bezwaarschrift analyseren

  • Choi, J. H., Monahan, A. B., & Schwarcz, D. (2024). Lawyering in the age of artificial intelligence. Minnesota Law Review, 109(1), 147. https://doi.org/10.24926/265535.4225 (opent in een nieuw tabblad)
    In het eerste gerandomiseerde experiment naar AI bij juridische analyse werkten rechtenstudenten met GPT-4 veel sneller, terwijl de kwaliteit van hun analyse maar licht en wisselend verbeterde. Voor de bezwaarbehandelaar betekent dit dat AI tijd wint bij het ordenen van argumenten, maar dat het wegen ervan het eigen vakwerk blijft.
  • Alon-Barkat, S., & Busuioc, M. (2023). Human–AI interactions in public sector decision making: "Automation bias" and "selective adherence" to algorithmic advice. Journal of Public Administration Research and Theory, 33(1), 153–169. https://doi.org/10.1093/jopart/muac007 (opent in een nieuw tabblad)
    In drie Nederlandse experimenten, waarvan één met ambtenaren, vonden de onderzoekers geen algemeen blind vertrouwen in algoritmisch advies, maar wel dat mensen advies eerder volgden als het paste bij een stereotype. Wie AI een bezwaar laat ordenen, moet dus juist letten op het moment dat de AI-samenvatting bevestigt wat je al dacht.

Les 7.3 Een Woo-verzoek inventariseren

  • Algemene Rekenkamer. (2024). Focus op AI bij de rijksoverheid. https://www.rekenkamer.nl/publicaties/rapporten/2024/10/16/focus-op-ai-bij-de-rijksoverheid (opent in een nieuw tabblad)
    De Rekenkamer telde bij 70 rijksorganisaties 433 AI-systemen en noemt het doorzoeken van grote hoeveelheden documenten en het anonimiseren ervan als toepassingen die veel tijd kunnen besparen, maar stelt ook vast dat bij 35 procent van de systemen in gebruik niet bekend is of ze naar behoren werken. Daarom ordent AI in deze les de documenten, en bewaakt de Woo-coördinator zelf de volledigheid en de termijnen.
  • Baron, J. R., & Payne, N. (2017). Dark archives and edemocracy: Strategies for overcoming access barriers to the public record archives of the future. In 2017 Conference for E-Democracy and Open Government (CeDEM) (pp. 3–11). IEEE. https://doi.org/10.1109/cedem.2017.27 (opent in een nieuw tabblad)
    De auteurs laten zien dat de groeiende stapel digitale overheidsdocumenten met gevoelige inhoud de openbaarheid bedreigt, omdat handmatige beoordeling niet meer bij te houden is, en dat machine learning ambtenaren kan helpen sneller te beoordelen wat openbaar kan. Dat is precies het probleem achter de groeiende werkvoorraad Woo-verzoeken.

Les 7.4 Lakken en weigeringsgronden

  • McDonald, G., Macdonald, C., & Ounis, I. (2020). How the accuracy and confidence of sensitivity classification affects digital sensitivity review. ACM Transactions on Information Systems, 39(1), 1–34. https://doi.org/10.1145/3417334 (opent in een nieuw tabblad)
    In een gebruikersstudie beoordeelden deelnemers echte overheidsdocumenten op gevoelige informatie, met en zonder voorspellingen van een classificatiemodel, en ook een matig nauwkeurig model (gebalanceerde nauwkeurigheid 0,7) verbeterde hun oordeel aanzienlijk. AI die passages markeert helpt dus, mits een mens elke markering toetst aan de weigeringsgrond, want ook de beste markering is een voorstel en geen besluit.

Les 7.5 Juridische taal begrijpelijk maken

  • Martínez, E., Mollica, F., & Gibson, E. (2022). Poor writing, not specialized concepts, drives processing difficulty in legal language. Cognition, 224, Artikel 105070. https://doi.org/10.1016/j.cognition.2022.105070 (opent in een nieuw tabblad)
    Een corpusanalyse van ongeveer tien miljoen woorden en twee experimenten laten zien dat juridische teksten vooral moeilijk zijn door schrijfkeuzes zoals ingebedde bijzinnen, lijdende vorm en zeldzaam jargon, en niet door de juridische begrippen zelf. Een besluit begrijpelijk maken kan dus zonder de juridische betekenis aan te tasten, en dat is precies wat je in deze les controleert.
  • Martínez, E., Mollica, F., & Gibson, E. (2023). Even lawyers do not like legalese. Proceedings of the National Academy of Sciences, 120(23), Artikel e2302672120. https://doi.org/10.1073/pnas.2302672120 (opent in een nieuw tabblad)
    In twee vooraf geregistreerde experimenten begrepen en onthielden ook advocaten vereenvoudigde juridische teksten beter, en vonden ze die even afdwingbaar als de ingewikkelde versie. Dat geeft juristen bij de gemeente steun om een door AI vereenvoudigde versie serieus te nemen, zolang zij zelf toetsen dat de betekenis gelijk blijft.
Je voortgang blijft alleen in deze browser.