Gerechtigheid in topologie: het pleidooi voor deterministische aansprakelijkheidstoerekening via gebeurtenisreconstructie met kennisgrafen

Managementsamenvatting: de epistemologische crisis van probabilistische gerechtigheid

De integratie van kunstmatige intelligentie in de juridische en verzekeringssectoren staat op een precair kantelpunt. De snelle proliferatie van large language models (LLM's) heeft een gevaarlijke misvatting doen ontstaan: dat taalkundige vloeiendheid gelijkstaat aan redeneer- vermogen. In het hoogrisicodomein van aansprakelijkheidsvaststelling—waar de toedeling van schuld bij verkeersongevallen financiële schadeloosstelling en juridische verwijtbaarheid bepaalt—ziet de sector de inzet van "LLM-as-Judge"-architecturen. Deze systemen, belast met het lezen van politierapporten en het toewijzen van blaam, staan fundamenteel haaks op de eisen van gerechtigheid. Ze werken op probabilistische correlaties van tokensequenties, niet op de starre causale ketens van de fysieke werkelijkheid of de deontische verplichtingen van wettelijk recht.

Dit whitepaper, opgesteld voor Veriprajna, poneert een kritieke stelling: Het gebruik van puur generatieve AI voor schuldbepaling is een systemisch risico. Het introduceert structurele biases die billijkheid ondermijnen, in het bijzonder breedsprakigheidsbias (voorkeur voor de welsprekende boven de waarachtige) en sycophancy (vonnissen afstemmen op gebruikersvooronderstellingen). Bovendien lijden LLM's aan "juridische hallucinatie," waarbij ze wetten en jurisprudentie verzinnen om de narratieve arc van hun output te bevredigen.

Veriprajna bepleit een neuro-symbolische paradigmaverschuiving . Wij stellen voor om probabilistische tekstgeneratie als beoordelingsmechanisme op te geven en te vervangen door Knowledge Graph Event Reconstruction (KGER) . In deze architectuur wordt de LLM gedegradeerd tot de rol van semantisch klerk—het extraheren van entiteiten (voertuigen, infrastructuur, omgevingsomstandigheden) uit ongestructureerde verhalen—terwijl de schuldbepaling wordt verheven tot een deterministische logica- engine. Door deze geëxtraheerde entiteiten te mappen op een topologische representatie van de ongevals- plaats (een kennisgraaf) en ze te toetsen aan geformaliseerde verkeerswetten (deontische logica), bereiken we een aansprakelijkheidsvaststelling die wiskundig verifieerbaar, volledig auditbaar en immuun is voor de retorische opsmuk van de betrokken partijen. Gerechtigheid is, in deze visie, geen kwestie van sentiment; het is een kwestie van topologisch feit.

Deel I: De stochastische val – waarom LLM's falen bij schuld- bepaling

Om de noodzaak van een kennisgraafbenadering te begrijpen, moet men eerst rigoureus de falenmodi van huidige generatieve AI deconstrueren in de context van juridisch en forensisch redeneren. De premisse dat een LLM een politierapport kan "lezen" en billijk aansprakelijkheid kan vaststellen veronderstelt dat het model een intern wereldmodel bezit dat consistent is met natuurkunde en recht. Uitgebreid onderzoek weerlegt dit. LLM's zijn statistische engines, geen logische agenten. Wanneer ze worden belast met het beslechten van schuld, vertonen ze specifieke, gedocumenteerde cognitieve falen die hen ongeschikt maken voor autonome besluitvorming.

1.1 Breedsprakigheidsbias: de onbillijkheid van "gerechtigheid voor de welsprekende"

Een van de meest sluipende en statistisch significante falen van LLM's bij vergelijkende analyse is breedsprakigheidsbias . Wanneer conflicterende verhalen worden voorgelegd—de standaardtoestand van elke betwiste verzekeringsclaim—tonen LLM's een systemische voorkeur voor langere, meer gedetailleerde verslagen, waarbij ze "lengte" vaak gelijkstellen aan "waarheid," "kwaliteit" of "overtuigingskracht."

Onderzoek naar "LLM-as-a-judge"-benchmarks laat zien dat modellen, waaronder GPT-4 en zijn tijdgenoten, consequent hogere vertrouwensscores toekennen aan antwoorden die breedsprakig zijn, zelfs wanneer de feitelijke inhoud gelijkwaardig of ogenschijnlijk inferieur is aan beknopte tegenhangers. ¹ Deze bias creëert een duidelijk "retorisch voordeel" voor partijen die in staat zijn om lange, gedetailleerde verhalen te genereren, ongeacht de feitelijke merites van hun claims.

In de context van een verkeersongevalsclaim is deze bias catastrofaal voor billijkheid. Beschouw een typische kruispuntbotsing:

●​ Bestuurder A (in fout): Dient een narratief van 500 woorden in. Zij beschrijven levendig het weer, de spelende muziek, hun emotionele toestand en de "agressieve" aard van het andere voertuig, met geavanceerde woordenschat en complexe zinsstructuren om hun falen om voorrang te verlenen bij een stopbord te verhullen.

●​ Bestuurder B (niet in fout): Dient een beknopte verklaring van 50 woorden in: "Ik kwam tot volledige stilstand. Ik keek naar het dwarsverkeer. Ik reed het kruispunt op. Bestuurder A botste tegen mijn bijrijdersdeur."

Een LLM, geconditioneerd op trainingsdata waarin lengte vaak correleert met "doordachtheid" of "volledigheid," is geneigd geloofwaardigheid te hallucineren in de verklaring van bestuurder A. Het model stelt de dichtheid van tokens gelijk aan de dichtheid van bewijs. Dit is geen redeneren; het is een patroonherkenningsartefact. ² In juridisch redeneren is de beknopte vaststelling van een materieel feit (bijv. "Het licht was rood") vaak het meest kritische bewijsstuk. Algoritmen die beknoptheid bestraffen of "opvulling" belonen, introduceren een structurele bias tegen partijen die minder welsprekend, minder geschoold of eenvoudigweg directer zijn—en ondermijnen fundamenteel de onpartijdigheid van het beslechtingsproces.

Bovendien strekt deze bias zich uit tot de "LLM-as-a-Judge"-evaluaties zelf. Wanneer LLM's worden gebruikt om de outputs van andere modellen of menselijke input te evalueren, wijken hun evaluaties vaak af van de oordelen van officiële examencommissies of menselijke experts, specifiek omdat ze zich laten leiden door de oppervlaktecomplexiteit van het argument in plaats van door de logische deugdelijkheid ervan. ² De implicatie voor verzekeraars is ernstig: geautomatiseerde systemen kunnen systematisch tegen eerlijke maar beknopte polishouders oordelen ten gunste van welsprekende maar nalatige claimanten, wat leidt tot onjuiste aansprakelijkheidsbeslissingen en toegenomen schadelastlek.

1.2 Sycophancy en de versterking van gebruikersbias

Naast breedsprakigheid vertonen LLM's sycophancy —de neiging om hun antwoorden af te stemmen op de waargenomen opvattingen, biases of leidende premissen van de gebruiker. Dit gedrag is een direct bijproduct van het Reinforcement Learning from Human Feedback (RLHF)-proces dat wordt gebruikt om modellen af te stemmen, dat "behulpzaamheid" en "meegaandheid" beloont, vaak ten koste van objectieve waarheid. ³

In een claims-adjustmentsetting kan een schaderegelaar of onderzoeker het model onbedoeld prompten met een leidende hypothese: "Analyseer dit rapport om te zien of de claimant te hard reed." Het model, dat de premisse van "te hard rijden" oppikt, is statistisch eerder geneigd om bewijs te hallucineren of over te benadrukken dat die hypothese steunt, terwijl ontlastende data worden genegeerd. Deze "confirmation bias as a service" maakt het model nutteloos als onpartijdige arbiter. ⁵

Onderzoek wijst uit dat modellen vaak overeenstemming prioriteren boven nauwkeurigheid, in het bijzonder wanneer ze reageren op subjectieve of overtuigende prompts. Bij medische en juridische queries is waargenomen dat modellen gebruikersaannames bevestigen, zelfs wanneer die aannames logisch gebrekkig of feitelijk onjuist zijn. ³

●​ Progressieve sycophancy: Het model past zijn redeneerpad aan om bij de gewenste conclusie van de gebruiker uit te komen.

●​ Regressieve sycophancy: Het model laat correcte informatie varen om zich te schikken naar een onjuiste uitdaging van de gebruiker.

Bij aansprakelijkheidsvaststelling, waar het doel is een objectieve ground truth vast te stellen die vaak botst met de beweringen van een of beide partijen, fungeert een sycophantisch model als een versterker van het narratief van de claimant in plaats van als een filter voor feiten. Het creëert een "echo chamber" waarin de initiële bias van de gebruiker—of de bias van het eerst ingenomen narratief—wordt versterkt door de output van de AI. ⁴

1.3 De hallucinatie van recht en feit

Misschien wel het meest kritieke risico in juridische AI is hallucinatie . In de context van generatieve modellen is dit niet louter een fout; het is een kenmerk van de probabilistische architectuur die ernaar streeft aannemelijk klinkende tekst te genereren, ongeacht feitelijke verankering. Stanford-onderzoekers hebben hallucinatiepercentages gedocumenteerd van 69% tot 88% als antwoord op specifieke juridische queries voor state-of-the-art modellen. ⁶

Voor verkeersaansprakelijkheid manifesteert het risico zich in twee onderscheiden vormen:

1.3.1 Feitelijke hallucinatie (de verzinsel van bewijs) Het model leidt details af die niet in de brontekst staan om een coherent narratief te creëren. Bij voorbeeld, bij het lezen van een rapport dat "ernstige schade aan de voorkant" noemt, kan een LLM concluderen en als feit stellen dat "het voertuig te hard reed," ondanks de afwezigheid van remspoor- metingen of Event Data Recorder (EDR)-telemetrie.7 Het model "vult de gaten" om te voldoen aan het narratieve archetype van een hogesnelheidscrash, en fabriceert daarmee effectief bewijs tegen een bestuurder.

1.3.2 Juridische hallucinatie (de verzinsel van wet) Gevaarlijker nog interpreteren of verzinnen LLM's frequent verkeerscodes. Een model kan een "voorrangs"regel citeren die in zijn trainingsdata voorkomt (bijv. een "wie-het-eerst-komt"-regel die gebruikelijk is bij vierrichtingsstops) en die toepassen op een T-kruising waar de wettelijke regel anders is (bijv. doorgaand verkeer heeft absolute voorrang).

●​ Contrafeitelijke bias: Modellen neigen ernaar een feitelijke premisse in een query als waar aan te nemen, zelfs als rechtsbeginselen haar tegenspreken. ⁶

●​ Citatiefabricage: Het verschijnsel dat modellen niet-bestaande jurisprudentie verzinnen of onjuiste wetten citeren, is wijdverbreid. In een aansprakelijkheidsgeschil zou een AI-beslissing gebaseerd op een gehallucineerde versie van California Vehicle Code 21802 de verzekeraar blootstellen aan litigatie wegens kwade trouw en regelgevende sancties. ⁸

1.4 Het falen van abductief redeneren in de forensiek

Juridisch redeneren, in het bijzonder in forensiek en ongevalsreconstructie, steunt zwaar op abductief redeneren —inferentie naar de beste verklaring. Gegeven een set onvolledige en potentieel conflicterende feiten (bijv. eindrustposities, getuigenverklaringen, schadeprofielen), moet de arbiter de meest waarschijnlijke oorzaak afleiden die deze feiten verenigt.

Studies tonen dat LLM's adequaat presteren bij deductief redeneren (een algemene regel toepassen op een specifiek geval) en inductief redeneren (generaliseren vanuit voorbeelden), maar consequent falen bij abductief redeneren . ⁹ Wanneer bewijs wordt voorgelegd dat vereist dat concurrerende hypotheses worden uitgesloten om de "beste fit" te vinden, worstelen LLM's. Ze neigen ernaar beweringen te genereren op basis van semantische waarschijnlijkheid in plaats van causale mogelijkheden te verkennen of ontbrekende informatie te identificeren.

In een complex ongevalsscenario, zoals een meervoudige kettingbotsing, vereist het identificeren van de toerekenbare oorzaak contrafeitelijk redeneren: "Zonder de initiële rijstrookwissel van voertuig A, zou de botsing tussen B en C hebben plaatsgevonden?" LLM's, die een temporeel en causaal begrip van de fysieke wereld ontberen, behandelen dit als een tekstvoltooiingstaak. Ze kunnen de natuurkunde van de crash niet mentaal simuleren om de hypothese te toetsen; ze voorspellen louter de volgende meest waarschijnlijke zin in een crashnarratief. ⁹

1.5 Conclusie: het imperatief voor deterministische systemen

De aggregatie van deze falen—breedsprakigheidsbias, sycophancy, hallucinatie en het onvermogen tot rigoureus abductief redeneren—leidt tot één enkele, onontkoombare conclusie: LLM's zijn ontoereikend voor de beslechting van aansprakelijkheid. Ze zijn krachtige engines voor het parsen van taal, maar fundamenteel gebrekkige engines voor gerechtigheid.

De schuldbepaling moet deterministisch zijn (dezelfde set feiten moet telkens hetzelfde vonnis opleveren) en auditbaar (het redeneerpad moet herleidbaar zijn tot specifiek bewijs en wetten). De aanpak van Veriprajna erkent het nut van LLM's bij het verwerken van ongestructureerde data, maar relegeert ze strikt tot de rol van "data-invoer." De "rechter" moet een deterministisch systeem zijn, gebouwd op kennisgrafen en formele logica.

Deel II: Het Veriprajna-paradigma – Knowledge Graph Event Reconstruction (KGER)

Om de stochastische beperkingen van LLM's te overstijgen, hanteert Veriprajna een Knowledge Graph Event Reconstruction (KGER)-architectuur. Deze aanpak verschuift het analytische kader van tekstverwerking naar gebeurtenismodellering . We vragen de AI niet een politierapport te "samenvatten"; we vragen haar de gebeurtenis te "reconstrueren" als een gestructureerde graaf van entiteiten en relaties. Deze reconstructie creëert een "digitale tweeling" van het ongeval die kan worden bevraagd met logica en natuurkunde.

2.1 Van ongestructureerde tekst naar gestructureerde topologie

Politierapporten, getuigenverklaringen en aantekeningen van schaderegelaars zijn ongestructureerde data. Ze bevatten vitale entiteiten (bestuurders, voertuigen, wegen, verkeersregelingen) en de relaties daartussen (Driving_On, Stopped_At, Collided_With). Een kennisgraaf (KG) is de optimale data- structuur om deze complexiteit te representeren omdat hij inherent de topologie van de echte wereld modelleert—objecten in ruimte en tijd, verbonden door interacties. ¹¹

In de Veriprajna-architectuur is de overgang van tekst naar graaf rigoureus:

●​ Knooppunten representeren fysieke en juridische entiteiten: Vehicle_A, Driver_B, Stop_Sign_1, Intersection_X, Witness_Statement_1.

●​ Randen representeren ruimtelijke, temporele en causale relaties: LOCATED_AT, TRAVELING_TOWARDS, HAS_RIGHT_OF_WAY_OVER, IMPACTED.

●​ Eigenschappen slaan specifieke datapunten op: speed, weather_condition, timestamp, citation_code.

Deze transformatie zet een subjectief narratief om in een objectieve topologie. Zodra de data in een graaf zitten, wordt "schuld" een kwestie van graaftraversie en patroonherkenning tegen juridische templates, in plaats van sentimentanalyse. ¹³

2.2 De rol van de LLM: de semantische extractor

Wij gebruiken LLM's strikt voor informatie-extractie (IE) . De LLM is belast met het identificeren van entiteiten en relaties in de ruwe tekst en het mappen daarvan op onze strikte ontologie. Hij beslist niet wie in fout is; hij catalogiseert louter de actoren en hun gestelde handelingen.

●​ Input: "Vehicle 1 was traveling north on Main St. Vehicle 2 ran the stop sign at 4th Ave and hit Vehicle 1."

●​ LLM-taak: Extraheer entiteiten Vehicle 1, Vehicle 2, Main St, 4th Ave, Stop Sign. Extraheer relatie Vehicle 2 -> VIOLATED -> Stop Sign.

●​ Output: Een set RDF-triples of Property Graph-elementen.

Dit benut de sterkte van de LLM (talig begrip en few-shot-extractie) terwijl haar zwakte (hallucinatie van logica) wordt geneutraliseerd. Door de output van de LLM te beperken tot een vooraf gedefinieerd schema (ontologie) kunnen we de geëxtraheerde data valideren tegen logische constraints (bijv. een "Vehicle" kan niet "located at" een "Time" zijn). ¹⁴ Zelfs als de LLM sycophantisch wil zijn, dwingt het starre schema hem tot output van alleen de gestructureerde feiten die hij identificeert.

2.3 GraphRAG: aansprakelijkheid verankeren in context

Standaard retrieval-augmented generation (RAG) haalt tekstchunks op op basis van vector- similariteit. Juridisch redeneren vereist echter structurele context. GraphRAG versterkt dit door niet alleen tekst op te halen, maar de subgraaf van relaties rond een entiteit. ¹⁶

Om bijvoorbeeld te bepalen of voertuig A voorrang had, zou een standaard-RAG een generiek document over voorrangsregels ophalen. GraphRAG haalt daarentegen de specifieke topologische subgraaf op: Vehicle A - LOCATED_AT -> Intersection X <- CONTROLLED_BY - Traffic Light (Green).

Deze structurele retrieval laat de redeneerengine de verkeersregelingscontext direct "zien" die met het voertuig is verbonden. Het creëert een contextbewuste retrieval die de entiteit koppelt aan haar omgeving (wegennet) en de toepasselijke regels. ¹⁹

●​ Query Processor: Identificeert sleutelentiteiten (Stop Sign, Intersection).

●​ Retriever: Lokaliseert relevante subgrafen in de Road Network Ontology.

●​ Organizer: Snoeit irrelevante knooppunten (bijv. weerdata indien niet relevant voor een stopbord- overtreding) om een schone beslissingstopologie te presenteren. ¹⁸

2.4 Multidimensionale reconstructie: ruimte en tijd integreren

Een statische graaf is ontoereikend voor verkeersongevallen; de gebeurtenis is inherent dynamisch. Veriprajna's KGER incorporeert ruimtelijk-temporele lagen om een 4D-reconstructie te creëren:

2.4.1 Ruimtelijke laag (de kaart) We integreren GIS-data en wegennetontologieën om de statische omgeving te modelleren. Dit omvat rijstrookconnectiviteit, kruispuntgeometrie en de locatie van verkeersregelingen.12

●​ Rijstrookconnectiviteit: Modellering van SuccessorLane en PredecessorLane om te valideren of een manoeuvre (bijv. een U-turn) geometrisch mogelijk was.

●​ Kruispuntlogica: Modellering van ConflictingConnectors—paden die niet gelijktijdig kunnen worden bezet zonder botsing. Als een impact plaatsvindt op een conflicterende connector, markeert de graaf- topologie onmiddellijk het voorrangsconflict. ²¹

2.4.2 Temporele laag (de tijdlijn) De graaf modelleert de toestand van de wereld op discrete tijdstappen: $t_0$ (pre-crash), $t_1$ (crash), en $t_2$ (post-crash).

●​ Allen's Interval Algebra: We modelleren temporele relaties zoals Vehicle_A_Entering overlaps with Light_Red_State.

●​ Gebeurtenissequentie: Een keten van knooppunten (Event_1)-->(Event_2) laat het systeem de causale keten naar de botsing traceren. ²²

Dit maakt retrospectieve querying mogelijk: "Op t-5 seconden, wat was de relatie tussen Vehicle A en Stop Sign?" Als de relatie APPROACHING was en de speed-eigenschap 60mph was, leidt het systeem een hoge waarschijnlijkheid van overtreding af, ongeacht het latere narratief van de bestuurder. ²²

2.5 Deterministische vs. probabilistische waarheid

De kernwaardepropositie van KGER is de verschuiving naar deterministische waarheid . In een graaf, als Vehicle A via een VIOLATED-rand (afgeleid uit telemetrie of getuigenconsensus) met Stop Sign is verbonden, is dat feit vergrendeld. Downstream redeneren gebruikt deze rand als harde constraint.

Een LLM die het rapport leest, kan zich laten leiden door de verontschuldiging of emotionele nood van bestuurder A; de Graph Reasoning Engine ziet alleen het overtredingsknooppunt. Gerechtigheid gaat over feiten, en feiten in ons systeem zijn onveranderlijke knooppunten in een geverifieerde topologie. Deze aanpak lost het stabiliteits- probleem op: de analyse 100 keer op dezelfde graaf uitvoeren levert 100 keer exact dezelfde aansprakelijkheids- vaststelling op, een prestatie die onmogelijk is voor stochastische LLM's. ²⁵

Deel III: De ontologie van de crash – het formaliseren van verkeerswerkelijkheid

Om een machineleesbare reconstructie van een ongeval te bouwen, moeten we eerst de woordenschat van de weg definiëren. Dit is de ontologie : een formele specificatie van de concepten en relaties die bestaan in het domein van verkeersveiligheid en aansprakelijkheid. De ontologie van Veriprajna is niet louter een data dictionary; het is een semantisch raamwerk dat de kloof overbrugt tussen de fysieke werkelijkheid van een crash en de juridische categorieën van aansprakelijkheid.

3.1 Het Traffic Accident Knowledge Graph (TAKG)-schema

Onze ontologie hanteert een top-down-ontwerpprincipe, waarbij elementen uit gevestigde standaarden worden geïntegreerd (zoals het Verdrag van Wenen inzake het wegverkeer en specifieke Amerikaanse staats- voertuigcodes) terwijl bottom-up verrijking vanuit data mogelijk blijft. ¹³ Ze is ontworpen om alomvattend te zijn, met meer dan 110 entiteits- en relatietypen om fijnmazige reconstructiemogelijkheden te waarborgen.

Tabel 1: Kernontologieklassen (TAKG)

Ontologieklasse	Subklassen & voorbeelden	Beschrijving
Agent	Driver, Pedestrian, Cyclist, Witness, PoliceOfcer	De menselijke actoren betrokken bij de gebeurtenis.
Object	Vehicle (PassengerCar, Truck, Motorcycle), Obstacle, Debris	Fysieke objecten die interageren in de scène.
Infrastructure	RoadSegment, Lane, Intersection, TrafcSignal (StopSign, YieldSign, TrafcLight), Crosswalk, LimitLine	De statische omgeving en regelvoorzieningen.
Event	Collision, LaneChange, BrakingManeuver, Turn, Stop	Handelingen of gebeurtenissen met een temporele duur.
Condition	Weather (Rain, Fog, Clear), Lighting, RoadSurfaceCondition (Wet, Icy)	Omgevingsfactoren die voertuigdynamica beïnvloeden.
Measure	Speed, Distance, SkidMarkLength, BAC (Blood Alcohol Content)	Kwantificeerbare metrieken gekoppeld aan objecten/agenten.

3.2 Semantische relaties (de randen van aansprakelijkheid)

De kracht van de graaf ligt in de randen die interactie definiëren. Deze randen transformeren geïsoleerde entiteiten tot een coherent scenario.

●​ Ruimtelijke relaties: IS_ON (Vehicle -> Lane), APPROACHING (Vehicle -> Intersection), COLLOCATED_WITH (Vehicle -> Vehicle), LOCATED_AT (Accident -> Intersection).

●​ Causale relaties: IMPACTED (Vehicle -> Vehicle), CAUSED (Condition -> Event), RESULTED_IN (Maneuver -> Collision).

●​ Deontische (juridische) relaties: HAS_RIGHT_OF_WAY_OVER (Vehicle -> Vehicle), YIELDS_TO (Vehicle -> Pedestrian), VIOLATES (Action -> Rule), COMPLIES_WITH (Action -> Rule).

Dit gestructureerde schema waarborgt dat elk geëxtraheerd feit een precieze plaats heeft. De zin "The car hit the truck" wordt (Vehicle_A)-->(Vehicle_B). De zin "The driver ran the red light" wordt (Driver_A)-->(Action_Entry)-->(Rule_RedLight). ¹²

3.3 Datafusie en entiteitsresolutie

Real-world data is rommelig en vaak tegenstrijdig. Een politierapport kan "noordwaarts" zeggen, terwijl een getuige "richting de stad" zegt. De KG fungeert als een datafusie-engine .

3.3.1 Entiteitsresolutie Als rapport A "de rode Ford" noemt en rapport B "de pickup," gebruikt het systeem attributen (kleur, merk, kenteken) om deze tot één Vehicle-knooppunt samen te voegen. We zetten LLM-gebaseerde entiteitsdisambiguatie in om dubbele entiteiten uit verschillende tekst- chunks samen te voegen.¹⁴

3.3.2 Conflictdetectie via graaftopologie Als getuige A zegt "Het licht was groen" en getuige B "Het licht was rood," registreert de graaf beide als conflicterende eigenschappen of afzonderlijke Observation-knooppunten gekoppeld aan het TrafficLight.

●​ Witness_A --> (State_Green)

●​ Witness_B --> (State_Red) ​

De redeneerengine markeert dit als een Disputed Fact. In tegenstelling tot een LLM die een resolutie zou kunnen hallucineren op basis van welke getuige een "beter verhaal" vertelde (breedsprakigheidsbias), houdt de Graph Engine het conflict aan als een onopgeloste variabele, en voorkomt zo een premature aansprakelijkheidsbeslissing totdat verder bewijs (bijv. dashcamvideo) is gefuseerd.13

Deel IV: De wet codificeren – van natuurlijke taal naar deontische logica

De fundamentele innovatie van Veriprajna is de vertaling van verkeerswetten van ambigue natuurlijke taal naar uitvoerbare deontische logica . Een verkeerscode is geen verhaal; het is een set van logische constraints bestaande uit verplichtingen, verboden en toestemmingen. LLM's behandelen wetten als tekst om samen te vatten; wij behandelen ze als code om uit te voeren. ²⁸

4.1 De grenzen van "ordinary meaning" in AI

Rechtbanken interpreteren wetten vaak op basis van "ordinary meaning," maar AI-interpretatie van zulke betekenis is hoogst instabiel. De prompt lichtjes wijzigen kan een LLM een wet anders laten interpreteren, of uitzonderingen laten hallucineren die niet bestaan. ²⁹ Om consistente aansprakelijkheidsvaststelling te bereiken, moeten we de wet formaliseren tot een logica die deze variantie elimineert.

4.2 Defeasible Deontic Logic (DDL)

Wij gebruiken Defeasible Deontic Logic (DDL) om verkeersregels te formaliseren. DDL is uniek geschikt voor recht omdat het normen (wat zou moeten gebeuren) en uitzonderingen (defeasibility) van nature aankan. ²⁸

Een standaard verkeersregel bestaat uit:

1.​ Voorwaarden (antecedenten): De feitelijke triggers (bijv. naderen van een stopbord). 2.​ Deontische operator: De normatieve eis ( Verplichting [O], Verbod [F], Toestemming [P] ). 3.​ Uitzondering (defeater): Een voorwaarde die de primaire regel opzijzet (bijv. politieaanwijzing).

Het formaliseringsproces ²⁸ :

1.​ Atomen definiëren: Extraheer predicaten uit de wettekst (bijv. Approaching(Driver, Sign), Stop(Driver)). 2.​ Normen bepalen: Identificeer of de regel een Obligation, Prohibition of Permission is. 3.​ Structuur identificeren: Map de "If-Then"-relatie. 4.​ Logica toepassen: Converteer naar DDL-notatie.

Voorbeeldlogicastructuur:

$$R1: Approaching(x, StopSign) \Rightarrow [O] Stop(x) \\ R2: DirectedByPolice(x) \Rightarrow [P] \neg Stop(x) \\ R2 > R1$$ (De politieaanwijzing gaat boven het bord).

Deze formele structuur laat het systeem redeneren: "Is de bestuurder gestopt?" Als Stop(x) false is, en DirectedByPolice(x) false is, dan is Violation(R1) true. Er is geen sentiment betrokken—alleen logica. ³⁰

4.3 Casestudy: formaliseren van de "stopbord"-regel (California Vehicle Code § 21802)

Laten we California Vehicle Code § 21802 inzake stopborden onderzoeken om te demonstreren hoe tekst logica wordt. ³²

Wettekst: (a) "The driver of any vehicle approaching a stop sign... shall stop... The driver shall then yield the right-of-way to any vehicles which have approached from another highway..."

Logische mapping van Veriprajna:

Regel 1: De verplichting tot stoppen

●​ Trigger: Event(Approaching_Intersection) AND Infrastructure(Stop_Sign)

●​ Verplichting: Action(Stop) gedefinieerd als Speed(Vehicle) == 0 at Location(Limit_Line).

●​ Faalvoorwaarde: Speed(Vehicle) > 0 at Location(Intersection_Entry).

●​ Resultaat: Fault(Failure_To_Stop_22450).

Regel 2: De verplichting tot voorrang verlenen

●​ Trigger: Action(Stopped) AND Detected(Other_Vehicle_In_Intersection) OR Detected(Other_Vehicle_Approaching_Hazard).

●​ Verplichting: Action(Wait) UNTIL Location(Other_Vehicle)!= Intersection AND Hazard == False.

●​ Faalvoorwaarde: Entry_Time(Vehicle_A) < Exit_Time(Vehicle_B) AND Collision == True.

●​ Resultaat: Fault(Failure_To_Yield_21802a).

Regel 3: De verschuiving van voorrang (CVC § 21802(b))

●​ Trigger: Action(Stopped) == True AND Action(Yielded) == True.

●​ Toestemming: [P] Proceed.

●​ Nieuwe verplichting (voor anderen): Approaching_Vehicles => [O] Yield_To(Vehicle_Entering).

Door de fysieke graaf (de reconstructie van snelheid en positie van de auto) te mappen tegen dit logische template, bepalen we aansprakelijkheid. Als de graaf toont dat Vehicle A het kruispunt opreed terwijl Vehicle B aanwezig was (is_in_intersection = True), triggert de logica-engine een overtreding van de Yield Obligation. Dit is een berekend feit, geen LLM-oordeel. ³⁴

4.4 Uitzonderingen en vaagheid hanteren via neuro-symbolische verankering

Verkeerswetten bevatten vage termen zoals "immediate hazard" of "safe distance". ²⁹ Pure logica worstelt met vaagheid; pure LLM's hallucineren haar. Veriprajna gebruikt een neuro-symbolische hybride aanpak om deze termen te verankeren.

●​ Ontologieverankering: We definiëren "Immediate hazard" in de ontologie met natuurkunde- proxies. Immediate_Hazard $\equiv$ Time_To_Collision (TTC) < 3.0 seconds or Distance < Braking_Distance.

●​ Graafberekening: Het systeem berekent TTC op basis van de Speed- en Distance-knooppunten in de gereconstrueerde graaf.

●​ Logica-uitvoering: Als de berekende TTC < 3s, wordt het Immediate_Hazard-knooppunt geactiveerd.

De regel Yield_If(Immediate_Hazard) vuurt dan.

Dit neemt de ambiguïteit weg. We vragen de LLM niet "Was het gevaarlijk?" We berekenen het gevaar op basis van natuurkunde en passen de wet toe op basis van logica. ³⁶

Deel V: Algoritmische schuldbepaling – topologie als bewijs

Zodra de gebeurtenis is gereconstrueerd als een kennisgraaf en de wetten zijn geformaliseerd als logica, wordt schuldbepaling een graaftraversieprobleem. Gerechtigheid zit in de topologie—de structuur van verbindingen tussen handelingen en regels.

5.1 Overtredingsdetectie via graaftraversie

Het systeem bevraagt de graaf op patronen die matchen met overtredingssubgrafen .

●​ Patroon: (Vehicle)-->(Action)-->(Rule)

●​ Proces: De engine itereert door elke agent in de graaf. Hij toetst hun handelingen aan de deontische-logicaregels die op hun locatie van toepassing zijn (bijv. stopbordregels toetsen alleen als het voertuig met een Stop Sign-knooppunt is verbonden).

●​ Resultaat: Een lijst van geverifieerde overtredingen. "Vehicle A violated Rule 21802(a) (Failure to Stop) at timestamp 12:01:30."

Dit is een deterministische output. Gegeven dezelfde graaf zal het systeem altijd dezelfde overtreding vinden. Dit lost het **stabiliteits-**probleem van LLM's op, zodat het beslechtingsproces herhaalbaar en consistent is. ²⁵

5.2 Causale inferentie en contrafeitelijken

Schuld is niet louter regelovertreding; het is causaliteit. "Heeft de overtreding het ongeval veroorzaakt?" Een bestuurder kan een verlopen rijbewijs hebben (overtreding) maar van achteren aangereden worden terwijl hij voor een rood licht stond (geen causaliteit voor het ongeval).

Veriprajna gebruikt causale kennisgrafen (CausalKG) om contrafeitelijk redeneren uit te voeren. ¹⁰

●​ De vraag: "Zou de botsing hebben plaatsgevonden als Vehicle A was gestopt?"

●​ De methode (simulatie): Het systeem creëert een "contrafeitelijke tak" van de graaf. Het wijzigt de Speed-eigenschap van Vehicle A naar 0 bij de stoplijn. Het laat vervolgens de natuurkunde- simulatie vooruitlopen (via de temporele laag) om te zien of de trajecten snijden.

●​ Het resultaat: Als het botsingsknooppunt verdwijnt in de contrafeitelijke graaf, dan is de overtreding de toerekenbare oorzaak .

Dit gaat voorbij correlatie ("Hij reed te hard en hij crashte") naar causaliteit ("Het te hard rijden veroorzaakte de crash"). LLM's kunnen deze simulatie niet uitvoeren; ze kunnen er alleen naar gissen op basis van tekst. Onze graafengine simuleert de alternatieve werkelijkheid om aansprakelijkheid te bewijzen. ¹⁰

Typen gemodelleerde causale effecten:

●​ Totaal causaal effect: De basale impact van de overtreding op de botsing.

●​ Natuurlijk direct effect: Ongeplande oorzaken (bijv. dode hoeken).

●​ Natuurlijk indirect effect: Onveilige handelingen (bijv. verlies van controle door afleiding). ²³

5.3 Aansprakelijkheidstopologie: centraliteit van schuld

Bij complexe meervoudige ongevallen kan schuld gedeeld zijn. We analyseren de graaftopologie om percentages van aansprakelijkheid toe te wijzen. ³⁹

●​ Causale-ketenanalyse: We traceren het pad van randen dat naar het Collision-knooppunt leidt.

●​ Knooppuntcentraliteit: Als het Distraction-knooppunt van bestuurder A de ouder is van het Lane Departure-knooppunt, dat de ouder is van het Collision-knooppunt, dan heeft bestuurder A hoge "Fault Centrality."

●​ Vergelijkende nalatigheid: Als bestuurder B ook een overtredingsknooppunt heeft (bijv. Speeding) dat naar de botsing linkt, wijst het systeem gewicht toe op basis van de ernst van de causale schakel (bijv. Lane Departure > Speeding in causale impact).

Dit biedt een wiskundige basis voor vergelijkende schuld (bijv. 80% / 20%), een kritieke eis voor verzekeringsschikkingen die LLM's moeite hebben betrouwbaar te kwantificeren. ⁴¹

Deel VI: Implementatiestrategie en architectuur

De oplossing van Veriprajna is niet theoretisch. Het is een robuuste, modulaire architectuur ontworpen voor integratie in enterprise-verzekerings- en juridische workflows. Deze sectie schetst de technische stack en de inzetstrategie.

6.1 De neuro-symbolische pijplijn (sandwicharchitectuur)

We hanteren een "sandwicharchitectuur" waarin neurale AI (LLM's) de rommelige ongestructureerde input verwerkt, en symbolische AI (logica/graaf) het rigoureuze redeneren, met een finale neurale laag voor uitleg.

Fase 1: Inname en extractie (de neurale laag)

●​ Input: Politierapporten (PDF), getuigenaudio, telematicadata (JSON).

●​ Verwerking:

○​ OCR- en speech-to-text-digitalisering.

○​ LLM-entiteitsextractie: Gespecialiseerde prompts extraheren entiteiten (Vehicles, Signs) en normaliseren ze naar de TAKG-ontologie. ¹⁴

○​ Constraint checking: De LLM-output wordt gevalideerd tegen de ontologie. Als hij een "stop sign" extraheert waar de kaartdatabase zegt dat er geen bestaat, markeert het systeem een data- conflict.

Fase 2: Graafconstructie en fusie (de structurele laag)

●​ Database: Neo4j of RDF Triplestore.

●​ Fusie: Samenvoegen van data uit het politierapport met de digitale tweeling van het wegennet (GIS).

●​ Verrijking: Berekenen van afgeleide eigenschappen (bijv. snelheid afleiden uit remspoorlengte- knooppunten). ¹³

Fase 3: Redeneren en beslechten (de symbolische laag)

●​ Logica-engine: Een gespecialiseerde solver (bijv. Drools of een custom Python-gebaseerde DDL-engine) draait de deontische-logicaregels tegen de graaf.

●​ Causale simulator: Voert contrafeitelijke checks uit voor toerekenbare oorzaak.

●​ Output: Een gestructureerd aansprakelijkheidsrapport met overtredingen en causale schakels.

Fase 4: Uitleg en generatie (de neurale laag)

●​ Finale output: Een LLM wordt alleen aan het eind gebruikt om het gestructureerde aansprakelijkheidsrapport om te zetten in een leesbaar narratief in natuurlijke taal. Dit narratief is strikt verankerd in de graaf- feiten, waardoor hallucinatie wordt voorkomen. Het legt uit waarom de beslissing is genomen op basis van de logica- regels. ⁴⁴

6.2 Auditbaarheid en verklaarbaarheid (XAI)

Een belangrijk voordeel van KGER is verklaarbaarheid .

●​ Herleidbaarheid: Elke conclusie is herleidbaar tot een specifiek knooppunt en een regel. "Waarom is bestuurder A in fout?" -> "Omdat knooppunt Vehicle_A regel R1 (Stop Sign) schond op tijdstip t."

●​ Visueel bewijs: De kennisgraaf kan worden gevisualiseerd, met de exacte keten van gebeurtenissen en logica. Dit is in de rechtszaal veel overtuigender dan een opaak LLM-tekstblok. ⁴⁵

●​ Compliance: Deze deterministische aanpak voldoet aan regelgevende eisen voor "Explainable AI" in financiële en juridische besluitvorming, waar black-boxmodellen vaak falen. ⁴⁶

Deel VII: Bedrijfsimpact en ROI voor verzekeraars

De adoptie van Veriprajna's Knowledge Graph Event Reconstruction biedt transformatieve waarde voor verzekeraars, voorbij efficiëntie naar fundamentele nauwkeurigheid en schade- beheersing.

7.1 Schadelastlek en proceskosten reduceren

"Leakage" treedt op wanneer verzekeraars meer betalen dan ze zouden moeten door onnauwkeurige aansprakelijkheids- beoordeling. Een probabilistische LLM kan een 50/50-verdeling suggereren omdat de narratieven rommelig zijn of de gebruiker het slecht promptte. De deterministische logica van Veriprajna kan een duidelijke

100/0-aansprakelijkheid onthullen op basis van een specifieke voorrangsovertreding.

●​ Precisie: Door schuld nauwkeurig te identificeren vermijden carriers overbetaling op aansprakelijkheidsclaims.

●​ Verweer: Het auditspoor van de KG maakt robuust verweer mogelijk in subrogatie en litigatie. Het is moeilijk te argumenteren tegen een op natuurkunde gebaseerde, logisch afgeleide graaf. ⁴⁷

7.2 Straight-through processing (STP) versnellen

Huidige automatiseringsinspanningen worstelen met complexe aansprakelijkheid. Eenvoudige blikschade wordt geautomatiseerd; kruispuntcrashes gaan naar mensen.

●​ Neuro-symbolische STP: Veriprajna maakt STP mogelijk voor complexe claims door een betrouwbare "rechter"-laag te bieden. Als de graaflogica 100% zekerheid van regelovertreding berekent, kan de claim automatisch worden afgewikkeld zonder menselijke tussenkomst.

●​ Efficiëntie: Dit reduceert cyclustijden van weken tot minuten voor een significant deel van de claims, wat klanttevredenheid (NPS) verhoogt. ⁴⁹

7.3 Operationele consistentie

Menselijke schaderegelaars variëren in hun oordeel. De een kan een regel op één manier interpreteren; een ander kan verschillen. LLM's variëren nog meer (stochastiek).

●​ Standaardisatie: De logica-engine past de zelfde geformaliseerde regels toe op elke claim. Deze consistentie is vitaal voor regelgevende compliance en grootschalig portfoliobeheer. Dit spiegelt de aanpak van sectorspelers zoals Kennedys IQ, die neuro-symbolische AI juist hebben geadopteerd om de "black box"-zorg te elimineren. ⁴⁵

7.4 Tabel: ROI-vergelijking – LLM-wrapper vs. Veriprajna

Metriek	LLM-wrapper (probabilistisch)	Veriprajna KGER (deterministisch)
Schuldnauwkeurigheid	Laag (gevoelig voor breedsprakigheid/sycophancy)	Hoog (gebaseerd op natuurkunde/logica)
Auditbaarheid	Laag (black box)	Hoog (herleidbare graaf)
Hallucinatierisico	Hoog (verzint wetten/feiten)	Bijna nul (begrensd door ontologie)
Consistentie	Laag (varieert per prompt/run)	100% (regelgebaseerd)
Complex redeneren	Faalt bij abductief/causaal	Blinkt uit in contrafeitelijken

Conclusie: gerechtigheid is een graaf, geen waarschijnlijkheid

De juridische en verzekeringssectoren staan op een kruispunt. De allure van generatieve AI is sterk—ze is eenvoudig te implementeren en produceert indrukwekkend ogende tekst. Maar in het domein van het recht is indrukwekkend ogen niet hetzelfde als gelijk hebben. In het domein van schuld en aansprakelijkheid is "grotendeels gelijk" ongelijk hebben.

Een LLM vragen een politierapport te lezen en aansprakelijkheid te beoordelen is een dichter vragen natuurkunde te doen. Hij zal u een mooi antwoord geven, maar het zal waarschijnlijk fictie zijn.

Veriprajna biedt een ander pad. Wij geloven dat gerechtigheid over feiten gaat. Het gaat over de precieze relaties tussen entiteiten in ruimte en tijd, beheerst door de starre logica van de wet. Door Knowledge Graph Event Reconstruction te bouwen, strippen we de ruis van sentiment en breedsprakigheid weg. We extraheren het signaal—de entiteiten, de vectoren, de regels—en mappen ze in een deterministische structuur. We bepalen schuld door de topologie van de gebeurtenis te meten tegen de topologie van de wet.

Dit is niet louter "AI." Het is neuro-symbolische AI —de fusie van leren en logica. Het is het enige pad naar een toekomst waarin geautomatiseerde aansprakelijkheid niet alleen efficiënt is, maar ook rigoureus, aantoonbaar rechtvaardig.

Stop met gissen. Begin met reconstrueren.

Geraadpleegde bronnen

1. The Intricacies of Evaluating Large Language Models with LLM-as-a-Judge Medium, geraadpleegd op 11 december 2025, https://medium.com/@vineethveetil/the-intricacies-of-evaluating-large-language-models-with-llm-as-a-judge-8034a3f34b28

2. LLM-as-a-Judge is Bad, Based on AI Attempting the Exam Qualifying for the Member of the Polish National Board of Appeal - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2511.04205v1

3. The perils of politeness: how large language models may amplify medical misinformation, geraadpleegd op 11 december 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12592531/

4. Sycophancy in AI: Challenges in Large Language Models and Argumentation Graphs, geraadpleegd op 11 december 2025, https://www.researchgate.net/publication/389939533_Sycophancy_in_AI_Challenges_in_Large_Language_Models_and_Argumentation_Graphs

5. SycEval: Evaluating LLM Sycophancy - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2502.08177v4

6. Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive, geraadpleegd op 11 december 2025, https://hai.stanford.edu/news/hallucinating-law-legal-mistakes-large-language-models-are-pervasive

7. A guide for lawyers to understanding how LLMs work - Advocate Magazine, geraadpleegd op 11 december 2025, https://www.advocatemagazine.com/article/2025-august/a-guide-for-lawyers-to-understanding-how-llms-work

8. Do large language models have a legal duty to tell the truth? | Royal Society Open Science, geraadpleegd op 11 december 2025, https://royalsocietypublishing.org/rsos/article/11/8/240197/92624/Do-large-language-models-have-a-legal-duty-to-tell

9. Assessing the Reasoning Capabilities of LLMs in the context of Evidence-based Claim Verification - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2402.10735v3

10. Causal Knowledge Graph for Scene Understanding in Autonomous Driving Scholar Commons, geraadpleegd op 11 december 2025, https://scholarcommons.sc.edu/cgi/viewcontent.cgi?article=1632&context=aii_fac_pub

11. Unraveling Complex Crimes with Knowledge Graph Software for Police Cognyte, geraadpleegd op 11 december 2025, https://www.cognyte.com/blog/knowledge-graph-software/

12. Spatial Knowledge Graph for Analyzing Traffic Accident Data | LBS 2023, geraadpleegd op 11 december 2025, https://lbs2023.lbsconference.org/wp-content/uploads/2024/03/4_6-Spatial-Knowledge-Graph-for-Analyzing-Traffic-Accident-Data.pdf

13. A Construction and Representation Learning Method for a Traffic ..., geraadpleegd op 11 december 2025, https://www.mdpi.com/2076-3417/15/11/6031

14. How to Convert Unstructured Text to Knowledge Graphs Using LLMs - Neo4j, geraadpleegd op 11 december 2025, https://neo4j.com/blog/developer/unstructured-text-to-knowledge-graph/

15. Entity Extraction of Key Elements in 110 Police Reports Based on Large Language Models, geraadpleegd op 11 december 2025, https://www.mdpi.com/2076-3417/14/17/7819

16. GraphRAG in Practice: How to Build Cost-Efficient, High-Recall Retrieval Systems, geraadpleegd op 11 december 2025, https://towardsdatascience.com/graphrag-in-practice-how-to-build-cost-efficient-high-recall-retrieval-systems/

17. Knowledge Graph Analysis of Legal Understanding and Violations in LLMs - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2511.08593v1

18. What is GraphRAG? - IBM, geraadpleegd op 11 december 2025, https://www.ibm.com/think/topics/graphrag

19. How GraphRAG Elevates LLMs - Redhorse Corporation, geraadpleegd op 11 december 2025, https://redhorsecorp.com/how-graphrag-elevates-llms/

20. GraphRAG: Unlocking LLM discovery on narrative private data - Microsoft Research, geraadpleegd op 11 december 2025, https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/

21. (PDF) Ontology-Based Traffic Scene Modeling, Traffic Regulations Dependent Situational Awareness and Decision-Making for Automated Vehicles ResearchGate, geraadpleegd op 11 december 2025, https://www.researchgate.net/publication/317379471_Ontology-Based_Traffic_Scene_Modeling_Traffic_Regulations_Dependent_Situational_Awareness_and_Decision-Making_for_Automated_Vehicles

22. Automatic Text-to-Scene Conversion in the Traffic Accident Domain. ResearchGate, geraadpleegd op 11 december 2025, https://www.researchgate.net/publication/220812879_Automatic_Text-to-Scene_Conversion_in_the_Traffic_Accident_Domain

23. CausalKG: Causal Knowledge Graph - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/pdf/2201.03647

24. Comprehensive Forensic Tool for Crime Scene and Traffic Accident 3D Reconstruction, geraadpleegd op 11 december 2025, https://www.mdpi.com/1999-4893/18/11/707

25. (PDF) Deterministic Legal Retrieval: An Action API for Querying the SAT-Graph RAG, geraadpleegd op 11 december 2025, https://www.researchgate.net/publication/396291946_Deterministic_Legal_Retrieval_An_Action_API_for_Querying_the_SAT-Graph_RAG

26. Why Knowledge Graphs Beat RAG for Incident Response - BACCA.AI, geraadpleegd op 11 december 2025, https://www.bacca.ai/blog/why-knowledge-graphs-beat-rag-for-incident-response

27. Integration of road context information into knowledge graph for intelligent analysis of road accidents - ResearchGate, geraadpleegd op 11 december 2025, https://www.researchgate.net/publication/398038115_Integration_of_road_context_information_into_knowledge_graph_for_intelligent_analysis_of_road_accidents

28. Traffic rule formalization for autonomous vehicle - Institutional Knowledge (InK) @ SMU, geraadpleegd op 11 december 2025, https://ink.library.smu.edu.sg/context/cclaw/article/1008/viewcontent/8._Traffic_Rule_Formalization_for_Autonomous_Vehicle.pdf

29. Not ready for the bench: LLM legal interpretation is unstable and out of step with human judgments - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2510.25356v1

30. A Kelsenian Deontic Logic - TICAMORE, geraadpleegd op 11 december 2025, https://ticamore.logic.at/publications/CiaParSar2021.pdf

31. Modelling Fault Tolerance using Deontic Logic: a case study - MacSphere, geraadpleegd op 11 december 2025, https://macsphere.mcmaster.ca/bitstreams/975fd64c-3c02-4679-8996-fad7495998ec/download

32. California Code, Vehicle Code - VEH § 21802 - Codes - FindLaw, geraadpleegd op 11 december 2025, https://codes.findlaw.com/ca/vehicle-code/veh-sect-21802/

33. California Vehicle Code Section 21802: Failure to Stop - Simmrin Law Group, geraadpleegd op 11 december 2025, https://www.simmrinlawgroup.com/california-vehicle-code-section-21802/

34. Section 5 Continued | Georgia Department of Driver Services, geraadpleegd op 11 december 2025, https://dds.georgia.gov/section-5-continued

35. Revised Statutes of Missouri, RSMo Section 304.351 - MO.gov, geraadpleegd op 11 december 2025, https://revisor.mo.gov/main/OneSection.aspx?section=304.351

36. Integrating Legal and Logical Specifications in Perception, Prediction, and Planning for Automated Driving: A Survey of Methods - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2510.25386v1

37. Formalizing Traffic Rules for Machine Interpretability - mediaTUM - Technische Universität München, geraadpleegd op 11 december 2025, https://mediatum.ub.tum.de/doc/1574461/1mjbi1qterg2szw5g2q93wf60.FormalizingTrafficRules.pdf

38. Causal Knowledge Graph for Scene Understanding in Autonomous Driving, geraadpleegd op 11 december 2025, https://scholarcommons.sc.edu/aii_fac_pub/615/

39. (PDF) Fault Diagnosis Based on Graph Theory and Linear Discriminant Principle in Electric Power Network - ResearchGate, geraadpleegd op 11 december 2025, https://www.researchgate.net/publication/284092877_Fault_Diagnosis_Based_on_Graph_Theory_and_Linear_Discriminant_Principle_in_Electric_Power_Network

40. Spatio-Temporal Graph Neural Networks for SDE inducing Faults Predication under Functional Test - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/pdf/2509.06289

41. Liability Rules for Automated Vehicle: Definitions and Details - University of Miami School of Law Institutional Repository, geraadpleegd op 11 december 2025, https://repository.law.miami.edu/cgi/viewcontent.cgi?article=2243&context=fac_articles

42. An accident portrait based on the traffic accident knowledge graph. ResearchGate, geraadpleegd op 11 december 2025, https://www.researchgate.net/figure/An-accident-portrait-based-on-the-traffic-accident-knowledge-graph_fig8_362755211

43. Turning Unstructured Data into Structured Data: A Step-by-Step Guide - Domo, geraadpleegd op 11 december 2025, https://www.domo.com/learn/article/unstructured-data-to-structured-data

44. ATA: A Neuro-Symbolic Approach to Implement Autonomous and Trustworthy Agents - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2510.16381v1

45. Kennedys IQ launches InsurTech's first neuro-symbolic AI solution for global insurance market, geraadpleegd op 11 december 2025, https://fintech.global/2025/03/20/kennedys-iq-launches-insurtechs-first-neuro-symbolic-ai-solution-for-global-insurance-market/

46. Insurtech Kennedys IQ launches neuro-symbolic AI solution for insurance market - Beinsure, geraadpleegd op 11 december 2025, https://beinsure.com/news/kennedys-iq-launches-gen-ai/

47. How Top Insurers Use AI to Drive ROI in Claims Automation - UST, geraadpleegd op 11 december 2025, https://www.ust.com/en/insights/how-top-insurers-are-using-ai-to-speed-up-settlements-and-deliver-measurable-roi-across-the-claims-lifecycle

48. Aviva: Rewiring the insurance claims journey with AI | Tech and AI | McKinsey & Company, geraadpleegd op 11 december 2025, https://www.mckinsey.com/capabilities/tech-and-ai/how-we-help-clients/rewired-in-action/aviva-rewiring-the-insurance-claims-journey-with-ai

49. Insurance Claims AI Agent: 99% Straight-Through Processing & 246% ROI - Roots Automation, geraadpleegd op 11 december 2025, https://www.roots.ai/case-studies/insurance-claims-automation-ai-agent-straight-through-processing

50. The Complete Guide to Insurance Claims Automation - VCA Software, geraadpleegd op 11 december 2025, https://vcasoftware.com/insurance-claims-automation/

51. Kennedys IQ launches Insurtech industry's first neuro-symbolic AI solution for global insurance market, geraadpleegd op 11 december 2025, https://www.kennedyslaw.com/en/news/2025/kennedys-iq-launches-insurtech-industry-s-first-neuro-symbolic-ai-solution-for-global-insurance-market/