De rol van data in onderzoeken groeit al jaren gestaag. Met de explosieve toename van data die dagelijks wordt gegenereerd, wordt het steeds belangrijker om digitale onderzoeksmethoden effectief en efficiënt in te zetten. Welke vormen van digitaal onderzoek zijn er en hoe kun je ze optimaal benutten? In deze nieuwe reeks artikelen duiken we in de wereld van digitaal onderzoek. We bespreken de verschillende methoden, de technologieën die daarbij worden gebruikt en hoe ze worden toegepast om waardevolle inzichten te verkrijgen en feiten boven tafel te krijgen.
BRON: Data growth worldwide 2010-2028 | Statista
De verschillende vormen van digitaal onderzoek zijn te onderscheiden in vier expertisevelden. Elk van deze velden heeft een unieke toegevoegde waarde binnen een onderzoek en speelt een specifieke rol in het vergaren en analyseren van data. Wat echter kenmerkend is, is de onderlinge overlap tussen deze velden. Door gebruik te maken van methodieken uit alle expertisevelden versterken ze elkaar en dragen ze gezamenlijk bij aan een completer en nauwkeuriger onderzoeksresultaat.
In deze serie zullen we ook aandacht besteden aan de rol van Artificial Intelligence (AI) binnen digitaal onderzoek. Hoewel AI vaak gepresenteerd wordt als een hype, is de toepassing ervan binnen de verschillende expertisevelden inmiddels heel concreet geworden.
Digitaal forensisch onderzoek richt zich op gespecialiseerd sporenonderzoek in de Cloud en op datadragers zoals computers en telefoons. Het doel is om bewijs te vinden dat cruciaal kan zijn voor het beantwoorden van de onderzoeksvragen.
Digitaal forensisch onderzoek is technisch van aard en wordt ingezet om data op een zorgvuldige manier te verzamelen, analyseren en interpreteren. Dit kunnen allerlei soorten gegevens zijn, zoals logbestanden, metadata, netwerkactiviteit, en verwijderde of verborgen bestanden.
Praktijkvoorbeelden van digitaal forensisch onderzoek zijn:
Deze sporen kunnen belangrijk bewijs leveren in zowel interne onderzoeken als juridische procedures.
eDiscovery richt zich op het verzamelen, doorzoeken en analyseren van grote hoeveelheden digitale gegevens om relevante informatie te vinden voor juridische of onderzoek doeleinden. Dit proces omvat vaak ongestructureerde data, zoals e-mails, documenten en andere digitale bestanden. Het doel is om deze informatie doorzoekbaar en inzichtelijk te maken, zodat het gebruikt kan worden als bewijs of als ondersteuning in een zaak.
Een belangrijk onderdeel van eDiscovery is het filteren en structureren van data om snel relevante stukken te identificeren, bijvoorbeeld bij fusies en overnames, compliance-onderzoeken of rechtszaken. Praktische voorbeelden zijn:
– het doorzoeken van e-mailcorrespondentie om communicatie in beeld te brengen en daarin patronen te ontdekken,
– het analyseren van grote datasets om verbanden tussen partijen te leggen.
eDiscovery helpt organisaties overzicht te behouden in complexe datastromen en zorgt ervoor dat de juiste informatie op het juiste moment beschikbaar is.
Open Source Intelligence (OSINT) richt zich op het verzamelen en analyseren van informatie uit publiek toegankelijke bronnen. Dit omvat bijvoorbeeld bedrijfsregisters zoals de Kamer van Koophandel (KvK), sociale media, nieuwsartikelen, en andere online platforms. OSINT wordt ingezet om verbanden en relaties te ontdekken tussen personen, bedrijven of gebeurtenissen, en speelt een belangrijke rol in onderzoeken waar publieke gegevens waardevolle inzichten kunnen bieden.
Praktische toepassingen van OSINT zijn onder meer
Deze inzichten kunnen worden gebruikt in fraudedetectie, risicoanalyses of achtergrondonderzoeken, en helpen bij het creëren van een volledig beeld van de situatie op basis van open bronnen.
Data analytics richt zich op het structureren, normaliseren en analyseren van grote datasets om waardevolle inzichten te verkrijgen. In een onderzoek context wordt dit vaak toegepast op complexe systemen zoals ERP- of financiële systemen. Deze systemen bevatten vaak enorme hoeveelheden gegevens die eerst veiliggesteld en vervolgens opgeschoond en genormaliseerd moeten worden. Pas daarna kunnen analyses worden uitgevoerd die patronen, afwijkingen of trends blootleggen.
Een concreet voorbeeld:
Artificial Intelligence (AI) speelt een steeds grotere rol in onderzoeken, zowel om processen te versnellen als om inzichten te bieden die anders moeilijk of onmogelijk te verkrijgen zijn. AI helpt bij het analyseren van enorme hoeveelheden data, het herkennen van patronen, en het maken van voorspellingen. Denk bijvoorbeeld aan
Door deze mogelijkheden kunnen onderzoekers sneller tot de kern van een zaak komen en effectiever werken.
De meest gangbare vormen van AI die in onderzoeken worden toegepast, zijn onder andere Machine Learning (ML) en Large Language Models (LLM). Machine Learning is gericht op het trainen van systemen om patronen te herkennen en beslissingen te nemen op basis van data, zoals bij het detecteren van afwijkende transacties. Large Language Models, zijn specifiek getraind op het verwerken en genereren van natuurlijke taal. Ze worden ingezet voor het analyseren van tekst, zoals e-mails of juridische documenten, en kunnen verbanden leggen die voorheen verborgen bleven. Samen maken deze technieken AI tot een krachtige tool in moderne onderzoeksmethoden.
In het volgende artikel duiken we dieper in Digital Forensics en eDiscovery: waar liggen de verschillen en hoe vullen deze expertises elkaar aan? Vervolgens bespreken we in aparte artikelen hoe Open Source Intelligence en Data Analytics waarde toevoegen aan onderzoeken en bijdragen aan het oplossen van complexe vraagstukken. We sluiten de reeks af met een slotartikel over Artificial Intelligence, waarin we de samenhang tussen alle expertisegebieden en de rol van AI in het versterken van deze disciplines bespreken, nu en in de toekomst.
Wilt u meer weten over het voorgaande, maak dan contact met Jelle Oorebeek of Marcel Westerhoud:
