Exploratory study on methods and data for the Dutch National Risk Assessment of money laundering and terrorist financing
Bibliographic record
Abstract
Het onderzoek heeft tot doel inzicht te verkrijgen in de methoden en data die be-schikbaar en geschikt zijn voor de uitvoering van de eerste Nederlandse National Risk Assessment (NRA) witwassen en terrorismefinanciering. De NRA dient de Nederlandse risico’s met betrekking tot witwassen en terrorismefinanciering in beeld te brengen en te houden. Vanwege het gebrek aan ervaring met de uitvoe- ring van een NRA, de daaraan verbonden onzekerheden en de complexiteit van het uitvoeren van een NRA heeft het WODC het NRA project opgedeeld in deel-projecten, te weten twee NRA’s voor witwassen, twee NRA’s voor terrorismefinan-ciering, twee monitoren voor anti-witwasbeleid, één monitor voor terrorismefinan-cieringsbeleid en een onderzoek genaamd witwaspiramide. Het eerste deelproject in het NRA project vormt de hier uitgevoerde methoden- en dataverkenning. Bronnen die zijn geanalyseerd omvatten de methoden die vijf andere landen (de Verenigde Staten, het Verenigd Koninkrijk, Canada, Italië en Zweden) hebben toe-gepast voor hun NRA’s. Ook zijn algemene raamwerken voor risicomanagement en methoden voor risico-assessment die daaruit voortkomen bestudeerd. Daarnaast is gezocht naar de beschikbaarheid van aanvullende methoden die bij NRA’s kunnen worden ingezet en is onderzocht wat kan worden geleerd uit de risicotaxaties die in Nederland (deels op andere terreinen) zijn uitgevoerd.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.178 | 0.442 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".