211service.com
Kā uzlabot tiesnešus ar mašīnmācīšanos
Džons Hans
Kad krimināllietā apsūdzētajam būtu jāgaida tiesa cietumā, nevis mājās? Programmatūra varētu ievērojami uzlabot tiesnešu spēju veikt šo zvanu, samazinot noziedzību vai to cilvēku skaitu, kuri ir iestrēguši, gaidot cietumā.
Iekšā jauns pētījums no Nacionālā ekonomisko pētījumu biroja ekonomisti un datorzinātnieki apmācīja algoritmu, lai prognozētu, vai apsūdzētie ir lidojuma risks no viņu repa lapas un tiesas ierakstiem, izmantojot datus no simtiem tūkstošu lietu Ņujorkā. Pārbaudot vairāk nekā simts tūkstošus lietu, ko tas iepriekš nebija redzējis, algoritms izrādījās labāks, prognozējot, ko apsūdzētie darīs pēc atbrīvošanas, nekā tiesneši.
Jons Kleinbergs , Kornela datorzinātņu profesors, kas iesaistīts pētījumā, saka, ka viens no projekta mērķiem bija parādīt politikas veidotājiem iespējamos ieguvumus, ko sabiedrībai sniedz mašīnmācības izmantošana krimināltiesību sistēmā. Tas parāda, kā mašīnmācība var palīdzēt pat kontekstā, kurā tiek izmantota ievērojama cilvēku pieredze, saka Kleinbergs, kurš strādāja pie projekta ar pētniekiem no Stenfordas, Hārvardas un Čikāgas universitātes.
Viņi lēš, ka Ņujorkā viņu algoritma padoms varētu samazināt apsūdzēto noziedzību pat par 25 procentiem, nemainot to cilvēku skaitu, kuri gaida cietumā. Alternatīvi, to varētu izmantot, lai par vairāk nekā 40 procentiem samazinātu cietumu skaitu, kas gaida tiesu, vienlaikus atstājot apsūdzēto noziedzības līmeni nemainīgu. Atkārtojot eksperimentu ar datiem no 40 lieliem pilsētu apgabaliem visā ASV, tika iegūti līdzīgi rezultāti.
Kā bonuss bija iespējams iegūt līdzīgus ieguvumus, vienlaikus novirzot cietuma iedzīvotājus, iekļaujot mazāku afroamerikāņu un spāņu iedzīvotāju daļu.
Algoritms apsūdzētajiem piešķir riska punktu, pamatojoties uz datiem, kas iegūti no ierakstiem par viņu pašreizējo lietu un viņu repa lapu, piemēram, noziedzīgo nodarījumu, par kuru viņi tiek turēti aizdomās, kad un kur viņi tika arestēti, kā arī iepriekšējo notiesājošo spriedumu skaitu un veidu. (Vienīgie demogrāfiskie dati, ko tas izmanto, ir vecums, nevis rase.)
Kleinbergs ierosina, ka varētu izmantot algoritmus, lai palīdzētu tiesnešiem bez būtiskiem traucējumiem viņu pašreizējā darbā, izmantojot brīdinājuma sistēmu, kas atzīmē lēmumus, kas, visticamāk, ir nepareizi. Tiesnešu darbības analīze liecina, ka viņiem ir tendence laiku pa laikam atbrīvot cilvēkus, kuri, ļoti iespējams, nepiedalīsies tiesā vai pastrādās noziegumus, gaidot tiesu. Algoritms varētu uztvert daudzus no šiem gadījumiem, saka Kleinbergs.
Ričards Berks , Pensilvānijas universitātes kriminoloģijas profesors, pētījumu raksturo kā ļoti labu darbu un piemēru tam, ka pēdējā laikā ir palielinājusies interese par mašīnmācības izmantošanu, lai uzlabotu krimināltiesību lēmumus. Ideja ir pētīta 20 gadus, taču mašīnmācība ir kļuvusi jaudīgāka, un dati tās apmācībai ir pieejami vairāk.
Berks nesen pārbaudīja sistēmu ar Pensilvānijas štata nosacītās atbrīvošanas padomi, kas sniedz padomus par risku, ko persona atkārtoti izdarīs, un atrada pierādījumus, ka tā samazina noziedzību. Viņš saka, ka NBER pētījums ir svarīgs, jo tajā tiek apskatīts, kā mašīnmācīšanos var izmantot pirms teikuma noteikšanas, joma, kas nav rūpīgi izpētīta.
Tomēr Berks saka, ka ir vajadzīgi vairāk pētījumu par to, kā nodrošināt, lai kriminālās justīcijas algoritmi neizraisītu negodīgus rezultātus. Pagājušais gads ProPublica veiktajā izmeklēšanā tika atklāts, ka komerciālā programmatūra, kas izstrādāta, lai palīdzētu noteikt, kuriem notiesātajiem jāsaņem probācija, visticamāk, melnos cilvēkus nepareizi apzīmēs kā paaugstināta riska cilvēkus, nevis baltos cilvēkus.
Jenss Ludvigs , Čikāgas Universitātes Noziedzības laboratorijas direktors, kurš strādāja pie jaunā NBER pētījuma, saka, ka tas parāda, cik negodīgi rezultāti nebūt nav neizbēgami, parādot, ka tiesnešu konsultēšanas algoritms var samazināt noziedzību, kā arī melnādaino un spāņu izcelsmes cilvēku skaitu. tiek ieslodzīti. Viņš saka, ka šie rīki faktiski var uzlabot taisnīgumu attiecībā pret status quo.