تتنبأ هذه منظمة العفو الدولية بالجريمة قبل أسبوع - وتسلط الضوء على التحيز الشرطي

كانت الجهود المبذولة لاستخدام الذكاء الاصطناعي للتنبؤ بالجرائم محفوفة بالجدال بسبب إمكانية تكرار التحيزات الموجودة في العمل الشرطي. لكن النظام الجديد المدعوم من التعلم الآلي يحمل وعدًا ليس فقط بتقديم تنبؤات أفضل ولكن أيضًا لتسليط الضوء على هذه التحيزات.

إذا كان هناك شيء واحد يجيده التعلم الآلي الحديث ، فهو اكتشاف الأنماط والتنبؤات. لذلك ، ربما لا يكون مفاجئًا أن الكثيرين في عالم السياسة وإنفاذ القانون حريصون على استخدام هذه المهارات. المؤيدون يريدون التدريب نماذج الذكاء الاصطناعى مع سجلات الجرائم التاريخية وغيرها من البيانات ذات الصلة للتنبؤ بالوقت والمكان الذي يحتمل أن تحدث فيه الجرائم واستخدام النتائج لتوجيه جهود الشرطة.

المشكلة هي أن هذا النوع من البيانات غالبًا ما يختبئ كل أنواع التحيزات يمكن تكرارها بسهولة عند استخدامها لتدريب الخوارزميات دون تفكير. تضمنت الأساليب السابقة أحيانًا متغيرات زائفة مثل وجود رسومات على الجدران أو بيانات ديموغرافية ، والتي يمكن أن تقود النماذج بسهولة إلى تكوين ارتباطات معيبة بناءً على معايير عرقية أو اجتماعية اقتصادية.

حتى البيانات الأساسية للشرطة حول الجرائم المبلغ عنها أو عدد الاعتقالات يمكن أن تحتوي على تحيزات خفية. إن عمليات الشرطة المكثفة في بعض المناطق التي يُفترض أنها عالية الجرائم بسبب التحيزات الموجودة مسبقًا ستؤدي حتماً إلى مزيد من الاعتقالات. وفي المناطق التي تتسم بدرجة عالية من عدم الثقة بالشرطة ، غالبًا ما لا يتم الإبلاغ عن الجرائم.

ومع ذلك ، فإن القدرة على توقع اتجاهات النشاط الإجرامي في وقت مبكر يمكن أن تعود بالفائدة على المجتمع. لذلك ، طورت مجموعة من جامعة شيكاغو نظامًا جديدًا للتعلم الآلي يمكن أن يتنبأ بالوقت والمكان الذي يحتمل أن تحدث فيه الجرائم بشكل أفضل من الأنظمة السابقة ، ويمكن استخدامه أيضًا للتحقيق في التحيزات المنهجية في العمل الشرطي.

قام الباحثون أولاً بجمع بيانات عدة سنوات من شرطة شيكاغو حول جرائم العنف والممتلكات ، بالإضافة إلى عدد الاعتقالات الناتجة عن كل حادث. استخدموا هذه البيانات لتدريب مجموعة من نماذج الذكاء الاصطناعي التي توضح كيف تؤثر التغييرات في كل من هذه المتغيرات على الآخرين.

سمح ذلك للفريق بالتنبؤ بمستويات الجريمة في مناطق بعرض 1,000 قدم من المدينة لمدة تصل إلى أسبوع مقدمًا بدقة 90 بالمائة ، كما ورد في تقرير حديث. الورق في طبيعة السلوك البشري. أظهر الباحثون أيضًا أن نهجهم حقق دقة مماثلة عند تدريبه على بيانات من سبع مدن أمريكية أخرى. وعندما اختبروه على مجموعة بيانات من تحدي الشرطة التنبؤية الذي يديره المعهد الوطني للعدالة ، فقد تفوقوا على أفضل نهج في 119 من 120 فئة اختبار.

عزا الباحثون نجاحهم إلى التخلي عن الأساليب التي تفرض قيودًا مكانية على النموذج بافتراض ظهور الجريمة في النقاط الساخنة قبل أن تنتشر إلى المناطق المحيطة. بدلاً من ذلك ، كان نموذجهم قادرًا على التقاط اتصالات أكثر تعقيدًا يمكن التوسط فيها عن طريق روابط النقل أو شبكات الاتصال أو أوجه التشابه الديموغرافية بين مناطق مختلفة من المدينة.

ومع ذلك ، اعترافًا بأن البيانات المستخدمة في الدراسة من المحتمل أن تكون ملوثة بالتحيزات الموجودة في ممارسات الشرطة ، قام الباحثون أيضًا بالتحقيق في كيفية استخدام نموذجهم للكشف عن كيف يمكن أن تؤدي هذه التحيزات إلى تشويه الطريقة التي ينشر بها تطبيق القانون موارده.

عندما عزز الفريق بشكل مصطنع مستويات جرائم العنف والممتلكات في الأحياء الأكثر ثراءً ، قفزت الاعتقالات ، حيث انخفضت تلك الموجودة في المناطق الأفقر. في المقابل ، عندما ارتفعت مستويات الجريمة في المناطق الفقيرة ، لم يكن هناك ارتفاع في الاعتقالات. يقول الباحثون إن المعنى الضمني هو أن الأحياء الأكثر ثراءً لها الأولوية من قبل الشرطة ويمكن أن تسحب الموارد بعيدًا عن الأحياء الفقيرة.

للتحقق من صحة النتائج التي توصلوا إليها ، قام الباحثون أيضًا بتحليل بيانات الشرطة الأولية ، باستخدام الزيادة الموسمية في الجريمة خلال أشهر الصيف للتحقيق في تأثير معدلات الجريمة المرتفعة في مناطق مختلفة. النتائج عكست الاتجاهات التي حددها نموذجهم.

على الرغم من دقتها ، قال قائد الدراسة Ishanu Chattopadhyay في أ خبر صحفى أنه لا ينبغي استخدام الأداة لتحديد تخصيص موارد الشرطة بشكل مباشر ، ولكن بدلاً من ذلك كأداة للتحقيق في استراتيجيات العمل الشرطي الأفضل. ويصف النظام بأنه "توأم رقمي للبيئات الحضرية" يمكن أن يساعد الشرطة على فهم تأثيرات الجرائم المختلفة أو مستويات الإنفاذ عبر أجزاء مختلفة من المدينة.

يبقى أن نرى ما إذا كان البحث يمكن أن يساعد في توجيه مجال الشرطة التنبؤية في اتجاه أكثر وعيًا ومسؤولية ، ولكن أي جهد لتحقيق التوازن بين إمكانات السلامة العامة للتكنولوجيا ومخاطرها الكبيرة هو خطوة في الاتجاه الصحيح.

الصورة الائتمان: ديفيد فون ديمار / Unsplash