Algoritmiske beslutningsstøttesystemer til ekspropriationserstatning: En eksplorativ analyse af fastsættelsen af ulempeerstatning ved ekspropriation baseret på kendelser fra ekspropriations- og taksationskommissionerne samt Natural Language Processing

Algorithmic Decision-Support Systems for Expropriation Compensation: An Exploratory Analysis of Compensation Determination of Injurious Affection in Expropriation Based on Rulings by Danish Expropriation and Valuation Commissions Using Natural Language Processing

Klemmensen, Stine Gjørup ; Møberg, Andreas Agerbo ; Mortensen, Magnus Kjærsgaard

4. semester

Landinspektørvidenskab (cand.geom.), Kandidat

2026

2026-06-04

174

Projektet undersøger, hvordan computerbaserede beslutningsværktøjer (ADS) kan støtte fastsættelsen af ulempeerstatning i danske ekspropriationssager, og hvor grænserne går. Ekspropriation er ofte konfliktfyldt, og erstatningen fastsættes i dag i høj grad ud fra kommissionernes skøn. Samtidig vinder datadrevne metoder som kunstig intelligens frem i den offentlige forvaltning, hvilket skaber spændinger mellem algoritmer og skøn. Vi analyserer eksisterende kendelser fra ekspropriations- og taksationskommissionerne om ulempeerstatning, dvs. kompensation for gener som fx støj eller adgangsforringelser. Med sprogteknologi (NLP) – herunder TF-IDF, Doc2Vec og LDA – identificerer vi mønstre i de skriftlige afgørelser. Ekspertinterviews bruges til at vurdere relevansen af disse mønstre for et konkret ADS. På baggrund af NLP-baserede features trænes maskinlæringsmodeller (XGBoost og Random Forest). Den bedste model, XGBoost, opnår en R2 på 0,25, hvilket betyder, at den kan forklare ca. 25 % af variationen i ulempeerstatningerne. Resultaterne peger på, at et simpelt og letforståeligt beslutningsstøtteværktøj er muligt, men at et prædiktivt ML-system i denne kontekst foreløbig er begrænset i nøjagtighed og gennemsigtighed.

This project examines how computer-based decision tools (ADS) could support setting nuisance compensation in Danish expropriation cases, and where the limits are. Expropriation is often contentious, and compensation is largely determined by the commissions’ judgment. At the same time, data-driven methods like AI are spreading in public administration, creating tension between algorithms and professional discretion. We analyze existing rulings from the expropriation and valuation commissions concerning nuisance compensation—that is, payment for disadvantages such as noise or reduced access. Using natural language processing (NLP) techniques—TF-IDF, Doc2Vec, and LDA—we identify patterns in the written decisions. Expert interviews assess how useful these patterns are for a concrete ADS. Based on features derived from the NLP analyses, we train machine-learning models (XGBoost and Random Forest). The best model, XGBoost, achieves an R2 of 0.25, meaning it explains about 25% of the variation in compensation amounts. We conclude that a simple and understandable decision-support tool is feasible, but that a predictive ML system in this setting remains limited in accuracy and transparency.

[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]

Ekspropriationserstatning ; Erstatningsfastsættelse ; Ulempeerstatning ; Ekspropriationskendelser ; Naturlig sprogbehandling ; Natural Language Processing ; NLP ; Kunstig intelligens ; AI ; Maskinlæring ; ML ; Algorithmic Decision Systems ; ADS ; Legal Judgment Prediction ; LJP ; Juridisk tekstanalyse ; Algoritmiske beslutningsstøttesystemer ; Forvaltningsret ; Ejendomsret

Download PDF
Vis denne rapport i AAU Studenterprojekter