211service.com
Jak uaktualnić sędziów za pomocą uczenia maszynowego
Jon Han
Kiedy oskarżony powinien czekać na proces w więzieniu, a nie w domu? Oprogramowanie może znacznie poprawić zdolność sędziów do nawiązywania takiego połączenia — zmniejszając przestępczość lub liczbę osób, które utknęły w więzieniu.
W nowe badanie z Narodowego Biura Badań Ekonomicznych ekonomiści i informatycy na podstawie danych z setek tysięcy spraw w Nowym Jorku opracowali algorytm, który pozwala przewidzieć, czy oskarżeni stanowili zagrożenie ucieczką na podstawie ich raportu i akt sądowych. Po przetestowaniu na ponad stu tysiącach innych spraw, których wcześniej nie widział, algorytm okazał się lepszy w przewidywaniu, co zrobią oskarżeni po zwolnieniu, niż sędziowie.
Jon Kleinberg , profesor informatyki w Cornell zaangażowany w badania, mówi, że jednym z celów projektu było pokazanie decydentom potencjalnych korzyści dla społeczeństwa z wykorzystania uczenia maszynowego w systemie sądownictwa karnego. To pokazuje, jak uczenie maszynowe może pomóc nawet w kontekstach, w których wykorzystuje się znaczną wiedzę specjalistyczną, mówi Kleinberg, który pracował nad projektem z naukowcami ze Stanford, Harvardu i Uniwersytetu w Chicago.
Szacują, że w przypadku Nowego Jorku porady ich algorytmu mogą zmniejszyć przestępczość oskarżonych oczekujących na proces nawet o 25 procent bez zmiany liczby osób oczekujących w więzieniu. Alternatywnie można by go wykorzystać do zmniejszenia populacji więziennej oczekującej na proces o ponad 40 procent, pozostawiając bez zmian wskaźnik przestępczości ze strony oskarżonych. Powtórzenie eksperymentu na danych z 40 dużych hrabstw miejskich w USA przyniosło podobne wyniki.
Jako bonus, takie zyski były możliwe przy jednoczesnym przesunięciu populacji więziennej, aby obejmowała mniejszy odsetek Afroamerykanów i Latynosów.
Algorytm przypisuje oskarżonym ocenę ryzyka na podstawie danych pobranych z akt dotyczących ich aktualnej sprawy i ich karty informacyjnej, na przykład przestępstwa, o które są podejrzani, czasu i miejsca aresztowania oraz liczby i rodzaju wcześniejszych wyroków skazujących. (Jedyne dane demograficzne, z których korzysta, to wiek, a nie rasa).
Kleinberg sugeruje, że algorytmy można wdrożyć, aby pomóc sędziom bez większych zakłóceń w ich obecnym działaniu, w postaci systemu ostrzegania, który sygnalizuje decyzje, które mogą być błędne. Analiza pracy sędziów wykazała, że mają oni tendencję do okazjonalnego zwalniania osób, które najprawdopodobniej nie stawią się w sądzie lub popełnią przestępstwo w oczekiwaniu na proces. Algorytm mógłby wykryć wiele z tych przypadków, mówi Kleinberg.
Ryszard Berk , profesor kryminologii na Uniwersytecie Pensylwanii, opisuje badanie jako bardzo dobrą pracę i przykład niedawnego wzrostu zainteresowania zastosowaniem uczenia maszynowego w celu poprawy decyzji wymiaru sprawiedliwości w sprawach karnych. Pomysł był badany od 20 lat, ale uczenie maszynowe stało się potężniejsze, a dane potrzebne do jego szkolenia są bardziej dostępne.
Berk niedawno przetestował system z Pennsylvania State Parole Board, który doradza, jakie ryzyko dana osoba popełni ponownie, i znalazł dowody na zmniejszenie przestępczości. Badanie NBER jest ważne, ponieważ analizuje, w jaki sposób można wykorzystać uczenie maszynowe przed wydaniem zdania, obszar, który nie został dokładnie zbadany, mówi.
Berk mówi jednak, że potrzebne są dalsze badania nad tym, jak zapewnić, aby algorytmy wymiaru sprawiedliwości w sprawach karnych nie prowadziły do nieuczciwych wyników. Ostatni rok dochodzenie przeprowadzone przez ProPublica wykazało, że komercyjne oprogramowanie opracowane w celu ustalenia, którzy skazani powinni zostać objęci warunkowym zwolnieniem, częściej błędnie określały osoby czarne niż białe jako osoby wysokiego ryzyka.
Jens Ludwig , dyrektor Laboratorium Kryminalistycznego Uniwersytetu Chicago, który pracował nad nowym badaniem NBER, mówi, że pokazuje, jak niesprawiedliwe wyniki są dalekie od nieuniknionych, pokazując, że algorytm doradzania sędziom może zmniejszyć przestępczość, a także tempo, w jakim czarni i Latynosi są w więzieniu. Te narzędzia mogą faktycznie poprawić uczciwość w stosunku do status quo, mówi.