Meting 02 — combinaties in het echte corpus

Meting 01 liep op 31 documenten en noemde de quasi-identifier als bevinding 3, zonder getal. Dit is dat getal, op de 751 documenten die er werkelijk in staan.

Gemeten op 2026-09-17, in het cluster, op document_pseudonyms — de tokens die de pijplijn zelf heeft gemunt. Niet op een herdraai van de detectoren over de brontekst: dat beantwoordt "wat zouden de detectoren vandaag zeggen", en dat is een andere vraag dan "wat heeft de straat gedaan".

Wat het corpus draagt

type	documenten
ORGANIZATION	730
LOCATION	717
PERSON	706
DATE_TIME	704
EMAIL	476
PHONE_NUMBER	341
POSTCODE	326
BSN	68
IBAN	34

Wat er samen in staat

combinatie	documenten
PERSON + LOCATION	677
PERSON + DATE_TIME + LOCATION	654
BSN + PERSON	66

654 van de 751 documenten — 87% — dragen een naam, een datum en een plaats in hetzelfde document. Dat is de combinatie waar dertig jaar heridentificatie- onderzoek over gaat, en ze staat hier in bijna alles.

Wat dit getal wél zegt

Dat de combinatie aanwezig is, in bijna het hele corpus. Wie zou beweren dat "er staan geen namen in" volstaat, wordt hier tegengesproken door de telling: zelfs als je de namen weghaalt blijft datum-plus-plaats staan, en andersom.

Het zegt ook dat het geen randgeval is dat je later wel oppakt. 87% is de hoofdmoot.

Wat dit getal níet zegt

Niet dat elk van die 654 een persoon aanwijst. Dat hangt af van hoeveel mensen dezelfde combinatie delen, en dat vergt een populatiebestand dat dit systeem niet heeft. Een verzonnen k leest als degelijkheid en is erger dan geen k. Zie identifying-combinations: het systeem meldt combinaties, het beoordeelt ze niet.

Niet dat de types kloppen. Ze komen uit de detectielaag, met de foutenmarge die daarbij hoort. LOCATION is bij een gemeentelijk besluit vaak de gemeente zelf — geen persoonsgegeven. Dat is precies waarom het scherm bestaat en waarom de vaststelling bij een mens ligt.

Niet dat er nu iets kapot is. Al deze types zijn in de opgeslagen tekst al gepseudonimiseerd; ze zijn hier geteld aan hun tokens. De vraag die dit getal stelt is een andere: of één token per type genoeg is, of dat de combinatie ook als geheel een eigen behandeling verdient.

Het antwoord op de vraag die dit getal stelt

Beantwoord door Mark op 2026-09-17: los. Eén token per waarde per type; een benoemde combinatie wordt gemeld en gemeten, niet samengevoegd. Samenvoegen zou de per-type-grens breken waar elke grant aan hangt, het zoeken onmogelijk maken, en de keuze wélke combinatie identificeert in de code leggen. Zie ADR-0007.

Hoe het na te rekenen

wordsworth-measure-combinations declaraties.json

of, met het oordeel op de plek waar iemand de documenten leest: /console/combinations.