Billedet er generet af kunstig intelligens
Prioritering af kontrolsager om social svindel
Systemet blev testet i Horsens Kommune og skulle angive, om der var høj eller lav sandsynlighed for social svindel i en konkret sag, så sagsbehandlerne kunne vurdere, hvor meget tid, der skulle afsættes til hver sag.
Beskrivelse af systemet
Systemet blev afprøvet i Horsens Kommune til at prioritere sager om social svindel i kommunens kontrolafdeling. Systemet skulle angive, om der var høj eller lav sandsynlighed for social svindel i de sager, kontrolafdelingen behandler, så sagsbehandlerne kunne vurdere, hvor meget tid, der skulle afsættes til behandling af hver enkelt sag.
Horsens Kommune begyndte at udvikle modellen i begyndelsen af 2019 i samarbejde med to specialestuderende fra Aarhus Universitet. Modellen var færdigudviklet i sommeren 2019. Efterfølgende besluttede kommunen, at modellen ikke skulle sættes i drift, da fejlraten var for høj på grund af et for lille datasæt.
Horsens Kommune trænede og testede i alt ni forskellige modeller. De blev først og fremmest evalueret på fejlraten, men for at tilgodese hensynet til især at undgå falsk negative vurderinger, blev modellerne også evalueret på præcision og genkald. Blandt de ni afprøvede modeller valgte kommunen at færdigudvikle to forskellige: en Support Vector Machine (SVM-model), som havde den mindste fejlrate, men lav transparens, og en logistisk regressionsmodel, som havde en højere fejlrate, men bedre transparens.
Modellen blev udviklet på et sæt af 1200 historiske sager om forskellige typer ydelser, som kontrolafdelingen havde behandlet fra efteråret 2016 frem. Heraf havde kommunen fundet afgjort 75 sager som social svindel. Modellen analyserede på ca. 35 variable i de afgjorte sager, herunder bopæl, privat indtægt, offentlige ydelser, civilstatus og -historisk, adressehistorik, antal samlevere, køn og alder.
Systemet blev aldrig sat i drift, fordi fejlraten var for høj.
Projektet var ifølge kommunen først og fremmest et pilotprojekt, som skulle illustrere mulighederne ved at arbejde med data.
