v1.9.4 docs: classificatiebeleid (precision-first) vastgelegd boven MATCH_FILTER_FAMILIES — richtlijn voor toekomstige filteraanpassingen

buzzrss/bot.py

@@ -77,6 +77,43 @@ rss_change_level = EventType.find("xyz.maubot.rss", t_class=EventType.Class.STAT
 # "trein", "sprinter" (atleet), "vervoerder" (logistiek), "reiziger",
 # "inchecken"/"uitchecken" (Schiphol/hotel), "station(s)" (omroepen), "bus",
 # "sein" (brandweer), "overweg", "breng", "kaartje", "opwaarderen", "rails".
+# =====================================================================
+# FILTERCLASSIFICATIE-BELEID (bij elke aanpassing aan het filter volgen)
+# =====================================================================
+# Doel: precisie boven recall. Liever een OV-bericht te veel gefilterd dan
+# een niet-OV-bericht te veel doorgelaten (gebruikersbesluit, 2026-09-10).
+#
+# Drie lagen, elk met een eigen regel:
+#   1. WHITELIST       -> ALTIJD door. Alleen termen die in élke context OV
+#      betekenen (merken: NS/ProRail/Arriva; onmiskenbaar jargon: spoorstoring,
+#      perron, bushalte, metrostation, conducteur, ovpay; multi-woord termen).
+#      REGEL: twijfel je of de term ook buiten het OV kan voorkomen -> NIET hier.
+#   2. GEWOGEN FAMILIES -> score = 2x titel + 1x samenvatting >= drempel (3).
+#      - sterk (3):    onmiskenbaar OV-jargon/merken/samenvoegingen (spoorlijn,
+#                      treinstation, busverkeer, intercity, lijn 12, ...).
+#      - medium (2):   onmiskenbaar OV maar iets algemener (tram, metro, halte,
+#                      pont, ovpay, openbaar vervoer, ...); mag niet volledig
+#                      ontbreken, maar telt alleen mee ter ondersteuning.
+#      - zwak (1):     DUBBELZINNIGHEID. Woorden die (ook) buiten het OV
+#                      voorkomen. REGEL: elk dubbelzinnig woord krijgt een EIGEN
+#                      familie (niet samengevoegd), zodat twee verschillende
+#                      zwakke woorden wél als combinatie tellen, maar één enkel
+#                      woord nooit de doorslag kan geven. Bekende dubbelzinnige:
+#                      trein, bus, station(s), sprinter, reiziger, vervoerder,
+#                      inchecken/uitchecken, sein, overweg, breng, kaartje,
+#                      opwaarderen, rails, dienstregeling, chipkaart, ontsporen.
+#   3. BLACKLIST       -> gematchte woorden zonder OV-waarde (stationsstraat,
+#      stationair, stationcar, ...); blokkeren de familie niet.
+#
+# BEOORDELEN VAN EEN NIEUW WOORD:
+#   a) Kan het ook buiten het OV voorkomen?  ja -> zwak (1), eigen familie.
+#   b) Is het een samenvoeging/merk die alleen OV kan betekenen? -> sterk (3)
+#      of whitelist.
+#   c) Bij twijfel: zwak (1). Conservatief = precision-first.
+#   d) Ter controle: leg nieuwe woordkandidaten voor aan minimaal één extra
+#      taalmodel (de audit op 2026-09-10 gebruikte 3 modellen; enige stem
+#      'TWIJFEL'/'NIET-OV' => behandelen als dubbelzinnig).
+# =====================================================================
 MATCH_FILTER_FAMILIES: list[tuple[str, int]] = [
     # sterk (3)
     (r"\b(?:ns|arriva|qbuzz|connexxion|cxx|transdev|keolis|ret|gvb|ebs|htm|syntus|u-ov|allgo|flixbus|blauwnet|r-net|valleilijn|waterbus|eurostar|thalys|randstadrail|gvu|prorail|hermes|rrreis|qliner|ov)\b", 3),  # vervoerders ('Breng' staat in de zwakke groep: botst met het werkwoord "brengen")