blog

我们能预测谁会转向犯罪吗?

<p>是否有可能预测某人将来某个时间会犯罪</p><p>这听起来像2002年科幻电影“少数派报道”中的一个想法但是,宾夕法尼亚大学的统计研究员理查德·伯克希望从今年在挪威开展的工作中找到他们挪威政府收集的大量资料</p><p>关于其公民的数据量并将其与一个身份识别文件联系起来Berk希望从儿童及其父母的档案中查看数据,看看他是否可以从出生情况预测孩子是否会在18日之前犯罪生日这里的问题是,新生婴儿还没有做任何事情</p><p>伯克试验的可能结果是将一些孩子预先分类为“可能的罪犯”,仅仅基于他们出生的情况这可能是使“少数派报告”成为现实的第一步,人们可能会因为他们所冒犯的罪行而受到谴责,甚至承诺了伯克的工作是基于马中文学习这涉及数据科学家设计算法,教授计算机识别大型数据集中的模式一旦计算机能够识别模式,它就可以应用其发现来预测结果,甚至可以应用它从未见过的数据集</p><p>例如,美国零售巨头目标收集有关其客户的购物习惯的数据和用于机器学习以预测客户可能购买的时间以及何时但是当它准确地使用其怀孕预测模型来预测高中生的怀孕时它在2012年进入热水在明尼苏达州,由于可能使用机器学习来避免犯罪,因此犯罪学领域已转向机器学习以试图预测人类行为,这并不奇怪</p><p>例如,它已用于预测罪犯是否是可能是累犯使用机器学习来为刑事司法系统中的风险评估提供信息的能力一直是Berk关注的焦点</p><p>很长一段时间现在例如,今年早些时候,他研究了一个因涉嫌家庭暴力犯罪而被保释的人是否可能在下一个法庭日期之前犯下另一种罪行</p><p>机器学习中使用的算法能否准确预测人类行为取决于尽可能多的上下文数据目标使用来自购物程序的元数据另一方面,Berk使用特定于犯罪和人口统计的预测因子这包括先前逮捕人数,首次逮捕年龄,犯罪类型或犯罪数量和数量先前的定罪还包括监狱工作表现,接近高犯罪率邻里,智商和性别在他的一些研究中,Berk使用了多达36个预测因子在Berk的每个实验中,该算法能够非常准确地预测谁将是一个低风险的个人例如,他确定89%的人不太可能犯下家庭暴力,97%的囚犯不太可能犯下家庭暴力监狱中的不端行为以及99%的过去犯罪者不太可能犯下杀人罪</p><p>然而,麻烦的是,该算法在预测谁将成为高风险个体方面远没有那么准确只有:有两种使用方式伯克试验的结果首先,我们可以将资源从低风险个人身上转移出来这可能涉及对家庭暴力被告人施加较少繁重的监管条件,这些被告人犯下另一种罪行的风险较低</p><p>另外,我们可以将更多资源用于高风险风险个人这可能涉及将严重不当行为高风险的囚犯安置到高安全性监狱中但使用这些数据针对高风险人群存在两个明显的问题首先,在预测实际确实存在风险的人方面取得的成功相对较少(与预测谁不构成风险相比),Berk自己承认的限制第二,我们的刑事司法系统是前提关于人们有自由意志并且可能仍然做出正确选择而不犯罪的想法,即使他们只是在最后一刻这样做 这与澳大利亚刑事司法系统何时对高风险个人做出预测有何不同</p><p>许多司法系统的工作已经涉及花费大量时间做出有根据的猜测是否有人对公共安全构成不可接受的威胁或构成未来危险的高风险这些评估有助于官员决定是否准予保释,是否一个人应该被判刑以及一个人应该如何严厉地被判刑总理马尔科姆·特恩布尔最近要求各州和地区推动新的立法,允许即使在判刑后被判有罪的“高风险”罪犯仍被拘留,一般来说,但是,这些决定主要基于特定个人的过去行为,而不是其他个人过去行为的数据</p><p>使用预测性行为工具来判断某人是否应该入狱(或持续多久),基于尚未发生的事情发生了,将代表一个重大的哲学转变我们将不再认为人是无辜的直到被证明有罪,

查看所有