ľ¹Ï¸£ÀûÓ°ÊÓ

LET OP: Als een kandidaat een lekenpraatje houdt, start de livestream een kwartier eerder.

Casusgebaseerd redeneren (CR) houdt in dat nieuwe problemen worden vergeleken met eerdere gevallen om beslissingen te ondersteunen. In common law-systemen vormt dit de kern van het stare decisis-principe: rechters en advocaten beroepen zich op precedenten om hun oordeel of argumentatie te onderbouwen.

Een invloedrijk model van CR is het resultaatmodel (RM), dat een principe van a fortiori-redeneren formuleert: als een eerdere zaak in het voordeel van een partij is beslist, moet een nieuwe zaak die minstens even gunstig is voor die partij ook zo worden beslist. Dit model en varianten daarop vormen de kern van dit proefschrift.

Een analogie met kunstmatige intelligentie (AI) staat hierbij centraal: net zoals rechters generaliseren op basis van precedenten, generaliseren AI-systemen uit trainingsdata. Dit stelt ons in staat om het RM en zijn varianten te gebruiken om datagestuurde AI-systemen te analyseren.

Het eerste deel van dit proefschrift onderzoekt hoe het RM kan worden uitgebreid naar een algemene theorie van a fortiori CR, waarin ook hiërarchieën, dimensionele waarden en onvolledige informatie een plaats hebben. Dit leidt tot varianten zoals het hiërarchische RM en het dimensioneel-hiërarchische RM.

Het tweede deel bouwt hierop voort en richt zich op toepassingen van de theorie binnen AI en recht. De theorie is geïmplementeerd in logische software en getest op verschillende datasets. Een casus is het COMPAS-systeem, dat recidive voorspelt maar omstreden is. De analyse laat zien hoe de theorie kan bijdragen aan transparantie en verantwoord gebruik van AI.