GovGPT Academy

Hoofdstuk 9. Ruimte en omgeving

Bronnen bij hoofdstuk 9

Kennisclip 2:23
Waar deze clip over gaat

Je ziet op welk onderzoek en welke regels de lessen van hoofdstuk 9 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 9 bouwen op onderzoek naar AI bij regels, vergunningen, inspraak en kaarten. Onderzoek naar AI en het omgevingsplan zelf is er nog niet. Deze bronnen gaan over vergelijkbare regels en besluiten.

Bij les 9.1 lieten Fuchs en collega's, 2024, zien dat een taalmodel met een paar voorbeelden de opbouw van bouwregels oppakt, maar zorgvuldige context nodig heeft. En Dahl en collega's, 2024, vonden dat taalmodellen bij juridische vragen in minstens 58 procent van de gevallen een fout antwoord gaven. Bij les 9.2 toetste een systeem van Iversen en Huang, 2026, bouwmodellen in bijna 98 procent van de gevallen juist, met de redenering zichtbaar in een rapport. Noardo en collega's, 2022, zagen dat onderzoek naar digitale bouwvergunningen vooral over automatisch toetsen gaat, en weinig over de rol van de vergunningverlener. Bij les 9.3 vonden deelnemers door AI geschreven groepsverklaringen duidelijker en evenwichtiger, en goede verklaringen namen afwijkende stemmen mee, volgens Tessler en collega's, 2024.

Bij de Britse overheid veranderden ambtenaren bij 73 procent van 87.738 reacties niets aan de thema's van het AI-hulpmiddel Consult. Experts keurden de thema's eerst zelf goed. Bij les 9.4 liet Grimmelikhuijsen, 2023, zien dat vooral uitleg het vertrouwen in een overheidsbesluit vergroot. Fang en collega's, 2025, herhaalden dat onderzoek in China, en vonden opnieuw dat uitleg het vertrouwen vergroot. Bij les 9.5 lieten Zhao en collega's, 2021, zien dat AI overtuigende satellietbeelden kan maken van landschappen die niet bestaan.

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 9

Les 9.1 Regels in het omgevingsplan vinden

  • Fuchs, S., Witbrock, M., Dimyadi, J., & Amor, R. (2024). Using large language models for the interpretation of building regulations. Journal of Engineering, Project, and Production Management, 14(4), Artikel 0035. https://doi.org/10.32738/jeppm-2024-0035 (opent in een nieuw tabblad)
    De onderzoekers lieten GPT-3.5 bouwregels omzetten naar een gestructureerd, machineleesbaar formaat en zagen dat het model met een paar voorbeelden de basisstructuur oppakt, maar dat de uitkomst deskundige controle blijft vragen. Voor les 9.1 betekent dit dat GovGPT relevante regels kan aanwijzen en ordenen, en dat je ze altijd naleest in het omgevingsplan 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)
    Deze studie (ook gebruikt bij les 7.1) laat zien dat taalmodellen bij juridische vragen vaak fouten maken en dat de mate daarvan verschilt per rechtsgebied, gerecht en periode. Lokale regels zoals een omgevingsplan zijn per gemeente anders en waarschijnlijk weinig vertegenwoordigd in trainingsdata, wat het extra belangrijk maakt om de regel bij de bron te controleren.

Les 9.2 Een aanvraag op volledigheid checken

  • Iversen, O., & Huang, L. (2026). Leveraging large language models for BIM-based automated compliance checking. Automation in Construction, 182, Artikel 106707. https://doi.org/10.1016/j.autcon.2025.106707 (opent in een nieuw tabblad)
    Een systeem met een taalmodel dat regels interpreteert, gegevens uit een bouwmodel haalt en de toets uitvoert, toetste bouwmodellen in dit onderzoek in 97,7 procent van de gevallen juist en leverde rapporten waarin de redenering van het model zichtbaar was. Juist die zichtbare redenering maakt het mogelijk dat de vergunningverlener per punt beoordeelt of iets echt ontbreekt.
  • Noardo, F., Guler, D., Fauth, J., Malacarne, G., Mastrolembo Ventura, S., Azenha, M., Olsson, P.-O., & Senger, L. (2022). Unveiling the actual progress of Digital Building Permit: Getting awareness through a critical state of the art review. Building and Environment, 213, Artikel 108854. https://doi.org/10.1016/j.buildenv.2022.108854 (opent in een nieuw tabblad)
    Deze Europese review over het digitaliseren van bouwvergunningen vond dat het meeste onderzoek gaat over automatisch toetsen aan regels, terwijl de rol van de vergunningverlener, de schaalbaarheid en de koppeling van gegevens achterblijven. Dat is een nuttige reminder dat een checklist met AI pas werkt als de ambtenaar er zelf mee aan het stuur zit.

Les 9.3 Zienswijzen ordenen

  • Tessler, M. H., Bakker, M. A., Jarrett, D., Sheahan, H., Chadwick, M. J., Koster, R., Evans, G., Campbell-Gillingham, L., Collins, T., Parkes, D. C., Botvinick, M., & Summerfield, C. (2024). AI can help humans find common ground in democratic deliberation. Science, 386(6719), Artikel eadq2852. https://doi.org/10.1126/science.adq2852 (opent in een nieuw tabblad)
    In experimenten met 5734 deelnemers en een virtuele burgerraad vonden mensen door AI geschreven groepsverklaringen helderder en evenwichtiger dan die van menselijke gespreksleiders, en de goede verklaringen namen afwijkende standpunten mee zonder de meerderheid te negeren. Of een minderheidsgeluid terugkomt, is precies wat jij bij het clusteren van zienswijzen controleert.
  • Incubator for Artificial Intelligence. (2025). Consult evaluation: DWP's Pathways to Work consultation. UK Government. https://assets.publishing.service.gov.uk/media/68f63fe01c9076042263f0bd/evaluation-report.pdf (opent in een nieuw tabblad)
    De Britse overheid liet 125 ambtenaren 87.738 reacties op een consultatie nalopen die door het AI-hulpmiddel Consult aan thema's waren gekoppeld; in 73 procent van de gevallen veranderden zij niets, en de AI kwam vaker overeen met een beoordelaar dan twee beoordelaars onderling. Belangrijk voor deze les: experts keurden de thema's eerst zelf goed (de beleidsmakers stelden de lijst met thema's vast), en mensen blijven de indeling controleren.

Les 9.4 Een besluit helder uitleggen

  • Grimmelikhuijsen, S. (2023). Explaining why the computer says no: Algorithmic transparency affects the perceived trustworthiness of automated decision-making. Public Administration Review, 83(2), 241–262. https://doi.org/10.1111/puar.13483 (opent in een nieuw tabblad)
    In twee experimentele scenario's (een geweigerde visumaanvraag en een vermoeden van uitkeringsfraude) verhoogde vooral uitlegbaarheid het vertrouwen in een overheidsbesluit, meer dan alleen inzage in het algoritme, en dat vertrouwen sloeg deels over op de ambtenaar die besloot. Een begrijpelijke uitleg aan omwonenden is dus geen extraatje, maar bepaalt mee of zij het besluit vertrouwen.
  • Fang, X., Zhou, H., & Chen, S. (2025). A replication of "Explaining why the computer says no: Algorithmic transparency affects the perceived trustworthiness of automated decision-making". Public Administration, 103(4), 1232–1252. https://doi.org/10.1111/padm.70015 (opent in een nieuw tabblad)
    Deze herhaling in China bevestigt dat uitlegbaarheid het vertrouwen in overheidsbesluiten vergroot, met een groter effect als de ambtenaar veel beslisruimte heeft. Dat maakt de bevinding van Grimmelikhuijsen sterker en past bij omgevingsbesluiten, waar vaak sprake is van afwegingsruimte.

Les 9.5 Kaart, beeld en data

  • Zhao, B., Zhang, S., Xu, C., Sun, Y., & Deng, C. (2021). Deep fake geography? When geospatial data encounter artificial intelligence. Cartography and Geographic Information Science, 48(4), 338–352. https://doi.org/10.1080/15230406.2021.1910075 (opent in een nieuw tabblad)
    De onderzoekers laten zien hoe AI overtuigende satellietbeelden kan maken met landschapselementen die niet bestaan, en pleiten voor kritische geodata-geletterdheid. Een door AI gemaakt overzicht of beeld van een gebied controleer je daarom altijd tegen de officiële kaart of brondata.
Je voortgang blijft alleen in deze browser.