Учење путем рачунара може помоћи у смањењу понављања насиља у породици

Ново истраживање је открило да је коришћење анализе података и рачунарског учења на терену за анализу шанси за поновљени инцидент насиља у породици смањило половину нових случајева, што је довело до више од 1.000 хапшења годишње у једном великом градском подручју.

Након хапшења, прво појављивање пред судом је обично прелиминарни поступак, када судија или судија одлучује да ли ће осумњиченог пустити или задржати у затвору, на основу вероватноће да ће се особа вратити на суд или починити нова кривична дела.

Аранжмани су обично врло кратки, а одлуке се заснивају на ограниченим подацима. Међутим, др. Рицхард Берк и Сусан Б. Соренсон са Универзитета у Пенсиванији открили су да коришћење рачунарских прогноза у овим поступцима може драматично смањити каснија хапшења у породици.

„Велики број закона о кривичном правосуђу захтевају пројекције ризика за друштво. Ове претње називају се „будућа опасност“, рекао је Берк, професор криминологије и статистике из Пенн'с Сцхоол оф Артс & Сциенцес и Вхартон Сцхоол.

„Многе одлуке, попут оптужби, својеврсно су седиште панталона. Питање је да ли можемо боље од тога, а одговор је да можемо. То је врло ниска трака. “

За кривична дела насиља у породици између интимних партнера, родитеља и деце, или чак браће и сестара, обично постоји претња за одређену особу, рекао је Соренсон, професор социјалне политике у Пенсилванијској школи за социјалну политику и праксу, који такође води Евелин Јацобс Ортнер Центер о породичном насиљу.

„То није питање опште јавне безбедности“, рекла је. „Уз оптужбу за породично насиље, рецимо да је момак - а то је обично момак - ухапшен због тога и чека суђење. Неће нападати неку случајну жену. Ризик је поновни напад на исту жртву. “

Да би разумели како учење рачунара може помоћи у случајевима насиља у породици, Берк и Соренсон су прикупили податке из више од 28.000 случајева породичног насиља између јануара 2007. и октобра 2011. Такође су погледали двогодишњи период праћења након објављивања које се завршило у октобру 2013. .

Према рачунару научника, рачунар може да „научи“ које ће врсте појединаца вероватно поново увредити. За ово истраживање, 35 иницијалних података укључивало је старост, пол, претходне налоге и казне и локацију становања.

Ове тачке података помажу рачунару да разуме одговарајуће повезаности за пројектовани ризик, нудећи додатне информације судском службенику који одлучује да ли ће пустити преступника.

„У свим врстама подешавања боље је рачунару то открити него да то схватимо“, рекао је Берк.

То не значи да не постоје препреке за његову употребу, приметио је.

Број погрешних предвиђања може бити неприхватљиво висок, а неки људи се у принципу противе употреби података и рачунара на овај начин. На обе ове тачке истраживачи одговарају да је коришћење рачунара - оно што они називају машинским учењем - једноставно средство.

„Не доноси одлуке за људе ни на који начин“, рекао је Соренсон. Ови избори „могу бити утемељени на мудрости која се прикупља током година искуства, али такође је мудрост стечена само у тој судници. Машинско учење надилази једну судницу и ширу заједницу “.

У неким поставкама кривичног правосуђа употреба машинског учења већ је рутина, мада различите врсте одлука захтевају различите скупове података из којих рачунар мора да учи, приметили су истраживачи. Основне статистичке технике, међутим, остају исте, додали су.

Истраживачи из Пенсилваније верују да машинско учење може побољшати тренутну праксу.

„Алгоритми нису савршени. Имају мана, али све је више података који показују да имају мање мана од постојећих начина на које доносимо ове одлуке “, рекао је Берк.

„Можете да их критикујете - и требало би, јер их увек можемо учинити бољим - али, како ми кажемо, не можете дозволити да савршено буде непријатељ добра.“

Студија је објављена у Часопис за емпиријске правне студије.

Извор: Универзитет у Пенсилванији

!-- GDPR -->