Van maatschappelijk vraagstuk naar oplossing

Mijn projecten

Van maatschappelijk vraagstuk naar oplossing

De uitdaging

Samen met een medestudent namen we plaats aan tafel bij onze opdrachtgever, een beleidsmedewerker van het ministerie van Justitie en Veiligheid in Den Haag die zich bezig houdt met het dossier van online geweld. De centrale vraag voor ons project: hoe kan opkomende technologie, zoals AI, bijdragen aan de aanpak tegen online geweld?

Veel vrijheid

Tijdens onze eerste gesprekken bleek dat de kaders van het project nog niet compleet duidelijk waren. Onze opdrachtgever was zelf ook nog volop in de oriënterende fase, wat ons een enorme vrijheid gaf.

Hoewel deze vrijheid veel kansen bood, vormde het ook direct de grootste uitdaging van het project. Want hoe vertaal je een breed en abstract begrip als 'online geweld' binnen slechts vijf maanden naar een werkend prototype? Zo ontstonden de volgende vragen:

Wat verstaan we precies onder online geweld?
Wie is de beoogde eindgebruiker?

Mijn rol in de verkenningsfase

Al vroeg in het proces kwam de suggestie om AI als oplossingsrichting te verkennen. Hoewel de mogelijkheden van AI enorm zijn, heb ik hierin kritisch mijn visie gedeeld: AI is een krachtig middel, maar mag nooit de probleemstelling op zich worden.

Om tot een waardevolle oplossing te komen, heb ik aangedrongen om eerst de stakeholders en eindgebruikers in kaart te brengen. Want wie gaan we nu echt helpen, en waar ligt hun grootste behoefte? Zo voorkwamen we dat we een oplossing gingen bouwen voor een probleem dat niet bestond.

Daarnaast heb ik mij gericht op het opbouwen van een relevant netwerk. Ik heb het initiatief genomen om contact te leggen met diverse extern partijen als NGO's, de Politie en experts in verschillende vakgebieden.

Het proces

Na het verkennen van verschillende perspectieven en het voeren van diverse gesprekken, maakten we een keuze: we zoomden in op de politieorganisatie. Om een goed beeld te krijgen van de behoeften, spraken we onder andere met het Q-lab (het innovatielab van de politie) en professionals in bestuurlijke functies.

Deze gesprekken leidden ons naar een specifieke en cruciale rol: de digitaal wijkagent.

Waarom de digitaal wijkagent?

Waar een traditionele wijkagent toezicht houdt in de fysieke straten, doet de digitaal wijkagent dat in de online wereld. Zij zijn de ogen en oren op sociale media en online platforms. Omdat zij zich ook richten op aanpak van online geweld, bleek dit de ideale doelgroep voor ons project.

Landelijk onderzoek

Om een representatief beeld te krijgen van het politiewerk, besloten we ons onderzoek landelijk aan te pakken. Een digitaal wijkagent in een stad als Den Haag staat voor totaal andere uitdagingen dan een collega in een gemeente als Ede. Door deze verschillende contexten mee te nemen, zorgden we voor een oplossing die niet alleen lokaal werkt, maar breed inzetbaar is.

Vijf interactieve workshops

De kern van onze ontdekkingstocht bestond uit vijf intensieve workshops met digitaal wijkagenten door het hele land. We kozen voor een creatieve en interactieve aanpak:

Deep-dives: korte gesprekken om de dagelijkse realiteit van een digitaal wijkagent te begrijpen.
Procesmapping: Door de werkprocessen stap voor stap uit te werken met gekleurde sticky notes, maakten we verbeterpunten visueel en bespreekbaar.
Identificatie van kansen: Door de verschillende processen naast elkaar te leggen, werden de overeenkomsten en verbeterpunten duidelijk.

De knoop doorhakken

Met een lijst aan verbeterkansen zijn we teruggegaan naar de tekentafel. Ik heb deze bevindingen gepresenteerd en getoetst aan een UX-expert van de Poltie en een groep beleidsmedewerkers van het Ministerie van Justitie en Veiligheid. De producten die gebruikt zijn om de procesessen en verbeterkansen uit te leggen en te onderbouwen zijn als volgt:

Persona's
Empathy maps
Procestekeningen
Story boards

Door de behoeften van de agenten aan de strategische doelen van het ministerie te spiegelen, konden we een weloverwogen besluit nemen. Uit de reeks verbeterkansen hebben we er één geselecteerd die de meeste impact zou maken voor de digitaal wijkagent.

De oplossing

Vanwege geheimhouding kan ik niet diep ingaan op de inhoud van de oplossing, maar de weg naar het eindproduct kan ik verhalende wijs vertellen.

Eerste schetsen

Low-fidelity Wireframing:

In de eerste fase heb ik verschillende eenvoudige schetsen opgezet om oplossingsrichtingen te verkennen. Hierbij bleek dat AI en specifiek machine learning toch een cruciale rol kon spelen. Door een applicatie te ontwikkelen die effectiever wordt naarmate meer agenten deze gebruiken, creëerden we een schaalbare oplossing voor de landelijke politieorganisatie.

Gebruiksvriendelijkheid als prioriteit:

Bij het ontwerp heb ik scherp gekeken naar bestaande conventies. Ik heb elementen uit wereldwijd gebruikte apps gecombineerd met de specifieke taal van bestaande politie-applicaties om de leercurve zo laag mogelijk te houden.

High-fidelity Prototyping in Figma:

De ruwe schetsen heb ik uitgewerkt tot een klikbaar prototype in Figma. Dit maakte het concept niet alleen visueel, maar ook tastbaar.

Validatie en resultaat

De ultieme test was het voorleggen van het prototype aan de digitaal wijkagent. Tijdens deze sessie liepen we gezamenlijk door de applicatie. De feedback was zeer waardevol en bovenal positief: de agent navigeerde intuïtief door de interface en bevestigde dat dit concept een significante verbetering zou zijn ten opzichte van de huidige werkwijze.

Hoewel dit een inzicht was van één agent, gaf deze positieve validatie het vertrouwen dat we een oplossing hebben neergezet dat echt waarde toevoegt.

Overdracht

Met een gevalideerd prototype en de deadline in zicht, brak de fase van overdracht aan. Wie beter dan het Q-lab van de Politie?

Ik kreeg de kans om aan te schuiven bij een overleg met verschillende innovatie-experts. Tijdens deze sessie heb ik ons concept en de achterliggende ontwerpkeuzes mogen pitchen. De expert stelde kritische vragen, maar de reacties waren daarnaast zeer positief, wat voor mij een positieve afsluiting was.

Evaluatie

Dit project was erg vrij waarin we veel mogelijkheden hadden om op onderzoek uit te gaan binnen de relevante takken binnen de overheid. We hebben met veel mensen mogen spreken en veel mogen leren. De belangrijkste leerpunten zijn als volgt:

Netwerkvorming binnen complexe organisaties:

Ik heb ervaren hoe je een relevant en sterk netwerk opbouwt binnen grote overheidsinstanties. Wat essentieel was om dit project tot een succes te maken.

Onderzoek in een overheidscontext:

Het uitvoeren van diepte-interviews en workshops binnen organisaties als de Politie en het Ministerie heeft mijn onderzoeksvaardigheden aangescherpt, zeker wanneer belangen en contexten per regio verschillen.

Stakeholdermanagement.

Het managen van de verwachtingen van verschillende partijen, van beleidsmedewerkers tot politieagenten, was een uitdagende maar leerzame uitdaging. Het balanceren van deze uiteenlopende belangen was cruciaal voor het draagvlak van onze oplossing.

Aanbeveling

In de werkzaamheden die Timo voor ons heeft verricht toonde hij zich een betrokken collega met een proactieve werkhouding. In de opdracht die hij heeft uitgevoerd is een beroep gedaan op zijn zelfstandigheid en onderzoeksvaardigheden. Hij heeft aangetoond om onze brede vraag te kunnen vertalen naar een passende ICT-oplossing met daarbij oog voor de context waarin hij werkte. Daarnaast is Timo in staat om de technische aspecten op een begrijpelijke manier over te brengen naar collega’s met minder ICT-kennis. Daarmee vormt hij een goede brug tussen vraag en eindproduct.
Twan Zwaan, Beleidsmedewerker Ministerie van Justitie en Veiligheid