Plannen voor rampenbestrijding moeten niet alleen logistiek goed doordacht zijn, maar ook institutioneel uitvoerbaar. Instituties zijn belangrijk om ervoor te zorgen dat strategieën voor rampenbestrijding kunnen rekenen op publieke steun en aansluiten bij bestaande regelgeving. Dit vergroot de effectiviteit van de respons en kan uiteindelijk de economische kosten van rampen beperken.

Een belangrijk probleem binnen institutionele kaders is dat taken en verantwoordelijkheden in beleids- en planningsdocumenten niet altijd duidelijk zijn verdeeld. Dit kan leiden tot gebrekkige voorbereiding op rampen. Bij de aanpak van overstromingen kunnen bijvoorbeeld procedures van nationale, regionale en lokale overheden elkaar overlappen of zelfs tegenstrijdig zijn, wat tot vertragingen en inefficiëntie kan leiden. Ook juridische geschillen over landgebruik en waterbeheer kunnen de aanleg van waterkeringen vertragen of ervoor zorgen dat evacuatiebevelen niet op tijd kunnen worden gegeven. Deze institutionele hiaten en conflicten kunnen knelpunten veroorzaken die een snelle en effectieve respons belemmeren. Hierdoor kunnen de economische kosten oplopen, bijvoorbeeld door dubbel werk of een inefficiënte inzet van middelen.

LEARNS richt zich op het identificeren en analyseren van dergelijke verschillen en tegenstrijdigheden in beleid en plannen voor rampenbestrijding. Deze analyse wordt momenteel handmatig uitgevoerd. Dat is tijdrovend, foutgevoelig en bij een groot aantal beleids- en juridische documenten zelfs niet haalbaar. Het LEARNS-project automatiseert dit proces door documenten te coderen en te analyseren. Hierdoor kan de analyse efficiënter, consistenter en op grotere schaal worden uitgevoerd.

Om dit te bereiken zal het projectteam:

1. Onderzoeken wat nodig is om Institutional Grammar en netwerkanalyse te combineren met de nieuwste ontwikkelingen op het gebied van large language models (LLM’s);
2. Het meest geschikte LLM selecteren en benchmarken, waaronder open, vooraf getrainde foundation- en instructiemodellen zoals Llama, Claude en BERT;
3. Het geselecteerde model optimaliseren en verder ontwikkelen, onder andere door prompt engineering, en de prestaties ervan evalueren aan de hand van gestandaardiseerde data om een acceptabel niveau van consistentie en nauwkeurigheid te bereiken.

Om de werking en impact van deze aanpak te demonstreren, wordt een volledige analyse uitgevoerd van beleids- en planningsdocumenten over rampenbestrijding in Chennai, India. Chennai heeft de afgelopen jaren te maken gehad met grote stedelijke overstromingen, wat heeft geleid tot internationale investeringen van miljoenen dollars in het versterken van de weerbaarheid tegen rampen. Chennai is gekozen vanwege de complexe bestuurlijke structuur, de vele betrokken partijen en de grote hoeveelheid beschikbare strategische documenten. Daarmee biedt de stad een geschikte casus om te laten zien hoe onduidelijkheden en tegenstrijdigheden in beleid voor rampenbestrijding kunnen worden geïdentificeerd en aangepakt.

Het open-source LLM-model dat uit het LEARNS-project voortkomt, maakt het mogelijk om juridische, bestuurlijke en operationele barrières voor effectieve rampenbestrijding op grotere schaal te analyseren. Het model kan vervolgens ook worden ingezet voor lokale casussen van rampenbestrijding, zoals in Limburg, en voor de COVID-19-pandemie. Uiteindelijk kan het model bijdragen aan een snellere en effectievere respons op rampen en aan lagere economische kosten door middelen efficiënter in te zetten.

Samenwerking & financiering

LEARNS sluit aan bij het DISINT-project.

Het project wordt gefinancierd door de netwerken van het Pandemic and Disaster Preparedness Center (PDPC), EsCHER en Smarter Choices Better Health (SCBH).