Van laboratorium naar praktijk | Edwin Klijn | Noordelijke Netwerkdag Oorlogsbronnen 2019
•Als PPTX, PDF herunterladen•
0 gefällt mir•145 views
De presentatie 'Van laboratorium naar praktijk: digitaal zoeken door historische archieven' van Edwin Klijn (NOB) tijdens de Noordelijke Netwerkdag Oorlogsbronnen 'Wisseling van de wacht. De bevrijding van kampen en hun nieuwe bewoners' op 23 mei 2019 bij Groninger Archieven / OVCG.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Van laboratorium naar praktijk | Edwin Klijn | Noordelijke Netwerkdag Oorlogsbronnen 2019
Ähnlich wie Van laboratorium naar praktijk | Edwin Klijn | Noordelijke Netwerkdag Oorlogsbronnen 2019 (20)
Mehr von Netwerk Oorlogsbronnen
Mehr von Netwerk Oorlogsbronnen (20)
Van laboratorium naar praktijk | Edwin Klijn | Noordelijke Netwerkdag Oorlogsbronnen 2019
- 1. Digitaal zoeken door historische archieven Edwin Klijn, Noordelijke Netwerkdag 2019
- 5. Stand van zaken • 11% van archieven gedigitaliseerd (Enumerate 2017) • Kwart van beschrijvingen niet digitaal beschreven (Enumerate 2017) • Gebruikers worden steeds digitaler • Collecties niet aan elkaar verbonden • Collecties wel gescand maar niet nader toegankelijk gemaakt
- 6. Netwerk Oorlogsbronnen • Doel: betere toegang tot de “Collectie WO2 Nederland” • Ca. 80 deelnemers en 23 gelieerd • Projecten rondom digitale collectieontsluiting • “Thematisch intellectueel beheer” • www.oorlogsbronnen.nl
- 7. 225 collecties, 10+ mil. objecten
- 10. Pilot digitalisering Centraal Archief Bijzondere Rechtspleging (TRIADO) Bron: Centraal Depot Justitie (collectie Nationaal Archief)
- 11. TRIADO: van laboratorium naar ‘reality check’ • Partners: Nationaal Archief, NIOD, Huygens ING, Netwerk Oorlogsbronnen • 2017-2019 • Steekproef (13 meter) uit Centraal Archief Bijzondere Rechtspleging • Pilot: wat kan er nu met digitale technologie?
- 14. Dataverrijkingstechnologie • Named Entity Recognition (NER): personen, organisaties, locaties, producten, gebeurtenissen, overig. • Datum extractie: 01-02-1943, feb. 43, februari 1943 etc. • Auto-classificatie: automatisch herkennen van typen documenten • Koppelen aan bestaande databestanden: Nationale Database Vervolgings Slachtoffers, CABR-database, Oorlogsgravenstichting
- 16. Wat kunnen we met nieuwe technologie? • CABR doorzoekbaar maken op elk woord in de tekst (15% foutmarge) • CABR doorzoekbaar maken op datum • CABR doorzoekbaar maken op soort document (20% foutmarge) • CABR-data koppelen aan bestaande data over locaties, organisaties, gebeurtenissen en personen (Oorlogslevens, WO2 thesaurus, Wikidata)
- 20. Kansen: verbinding met andere informatiebronnen!
- 22. Artikel 26 BBS was het ‘verraadartikel’. Hierin was degene strafbaar gesteld, die een ander blootgesteld had aan opsporing, vervolging, aanhouding en vrijheidsbeneming door de Duitse vijand of diens handlangers.
Hinweis der Redaktion
- Titelpagina met titel, ondertitel (of datum) en beeld
- Standaard slide
- Standaard slide
- Standaard slide
- Standaard slide
- Standaard slide
- Standaard slide
- Standaard slide
- Waar draait dit project om: hoe kun je van een een ongestructureerd analoog archief bruikbare digitale data maken? Uitleggen dat veel archieven slechts beschreven zijn op metadataniveau, collectie of deelcollectie (correspondentie 33-39, het dossier van meneer Jansen, etc.) Dit gaat erom om losse documenten machineleesbaar te maken.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- NEr We hebben 65654 woorden aan ground truth. Die bevatten 3264 entity mentions, verdeeld over de klassen PER (persoon): 1484 LOC (locatie): 1160 ORG (organisatie): 409 MISC (overig): 202 EVE (gebeurtenis): 2 PRO (product): 7 We voeren de ground truth, zonder labels, aan Frog en meten het resultaat. We gebruiken standaardinstellingen voor Frog, behalve dat we de tokenizer vervangen door die van Apache OpenNLP, om technische redenen. We meten met drie maten, de standaardmaten voor dit probleem: Precision = (true positives) / (true positives + false positives) (hoe veel van wat we vinden is correct?) Recall = (true positives) / (true positives + false negatives) (hoe veel vinden we van wat er in de ground truth is?) F1 = (2 * Precision * Recall) / (Precision + Recall) (harmonisch gemiddelde van bovenstaande.) Merk op dat alledrie de maten getallen tussen de 1 (perfect) en 0 (alles fout) opleveren. Precision = 0,312 Recall = 0,398 F1 = 0,350 Als we de labels (PER, ORG, LOC, etc.) weglaten en alleen kijken naar waar de entities staan, dan worden de scores beter: Precision = 0,397 Recall = 0,506 F1 = 0,445 Dat volgt mee, gezien de ruizige data die we aan Frog voeren. Op schone data (getranscribeerde krantentekst) zou een F1-score van 80% te halen moeten zijn. Inspectie van het resultaat laat zien: * Waar hoofdlettergebruik en interpunctie niet zijn wat Frog verwacht, zit hij er vaak net naast, zodat bijv. een achternaam wordt herkend maar de voorletters niet. Dat levert een score van 0 op voor de evaluatie, maar zal in de praktijk niet een groot probleem opleveren. * Hoofdlettergebruik in kopjes stuurt Frog soms in de war, zoals te verwachten was. Hiervoor kunnen we wat postcorrectie toevoegen. Bestanden ter reproductie van dit resultaat zijn ~/triadotest/txt/NL-HaNA_2.09.09/{all,frog}.conll. Date extraction Er zijn 696 datums geannoteerd in de ground truth. Met een simpel script dat zoekt naar de namen van maanden en dan controleert of links en rechts een dagnummer en een jaartal staan, vinden we 886 datums. De F1-score van dit script is 63,3%. Bij een maximale precisie van 696/886 = 78,6% is dat extreem hoog; de recall is bijna perfect. Ter verbetering: er moeten meer datums geannoteerd worden. In de tekst bevatten zo weinig datums OCR-fouten dat het aanvankelijke plan om fuzzy regular expressions te gebruiken, waarschijnlijk overkill is.
- Laatste pagina met wit vlak voor logootjes (hoogte aanpassen naar behoefte)