|
ИИ поможет в решениях об условно-досрочном освобождении
|
|
|
|
За последнее десятилетие законодатели предприняли усилия по сокращению числа заключенных в Соединенных Штатах без ущерба для общественной безопасности. Эти усилия включают в себя советы по условно-досрочному освобождению, принимающие решения об условно-досрочном освобождении с учетом риска, освобождая людей, которые, по оценкам, имеют низкий риск совершения преступления после освобождения. Чтобы определить, насколько эффективна действующая система условно-досрочного освобождения с учетом риска, исследователи из Исследовательской программы по предотвращению насилия Калифорнийского университета в Дэвисе и Университета Миссури в Канзас-Сити использовали машинное обучение для анализа данных об условно-досрочном освобождении из Нью-Йорка.
|
|
|
Они предполагают, что Совет по условно-досрочному освобождению штата Нью-Йорк мог бы без опасений предоставить условно-досрочное освобождение большему количеству заключенных. Исследование «Алгоритмическая оценка решений об условно-досрочном освобождении» было опубликовано в Журнале количественной криминологии. «По нашим консервативным оценкам, совет мог бы более чем удвоить количество освобожденных, не увеличивая общее количество арестов за совершение тяжких преступлений или насильственных преступлений. И они могли бы добиться этих успехов, одновременно устраняя расовые различия в показателях освобождения», — сказала Ханна С. Лакёр, доцент. в отделении неотложной медицины и ведущий автор исследования. По данным Статистического бюро юстиции, к концу 2021 года количество заключенных в государственных, федеральных и военных исправительных учреждениях США составляло 1 204 300 человек.
|
|
|
|
Методы
|
|
|
|
Команда использовала алгоритм машинного обучения SuperLearner, чтобы предсказать любой арест, включая арест с применением насилия, в течение трех лет после освобождения человека из тюрьмы. Алгоритм рассматривал 91 переменную для прогнозирования риска преступности. К ним относятся возраст, минимальное и максимальное наказание, тип тюрьмы, раса, время в тюрьме, предыдущие аресты и другие критерии. Исследователи обучали свои модели прогнозирования рисков на данных 4168 человек, которые были условно-досрочно освобождены в Нью-Йорке в период с 2012 по 2015 год. Авторы реализовали несколько тестов для проверки алгоритма на полной популяции лиц, подлежащих условно-досрочному освобождению. Сюда входили лица, которые прошли слушания и которым совет отказал в условно-досрочном освобождении, но позже были освобождены по истечении максимального срока наказания (6 784 человека).
|
|
|
|
Результаты
|
|
|
|
Алгоритм машинного обучения обнаружил, что прогнозируемые риски для тех, кому было отказано в условно-досрочном освобождении, и для тех, кто был освобожден, очень похожи. Это говорит о том, что лица с низким уровнем риска могли оставаться в заключении, а лица с высоким уровнем риска были освобождены. Авторы отмечают, что они не выступают за замену людей, принимающих решения, алгоритмами для оценки того, кого следует освободить из тюрьмы. Вместо этого они видят роль алгоритмов в диагностике проблем в текущей системе условно-досрочного освобождения.
|
|
|
|
«Это исследование демонстрирует полезность алгоритмов для оценки принятия решений в уголовном судопроизводстве. Наш анализ показывает, что многим людям отказывают в условно-досрочном освобождении и заключают в тюрьму с превышением минимального срока наказания, несмотря на то, что они представляют низкий риск для общественной безопасности. Мы надеемся, что, предоставив данные о прогнозируемых рисках , мы можем помочь усилиям по проведению реформ», — сказал Лакер.
|
|
|
|
Источник
|
