AIを使用して犯罪を予測する取り組みは、警察の既存のバイアスを再現する可能性があるため、物議を醸しています。 しかし、機械学習を利用した新しいシステムは、より良い予測を行うだけでなく、これらのバイアスを浮き彫りにする可能性を秘めています。
現代の機械学習が得意なことがXNUMXつあるとすれば、それはパターンを見つけて予測することです。 したがって、政策および法執行機関の世界の多くがこれらのスキルを活用することに熱心であることは、おそらく驚くべきことではありません。 支持者は訓練したい AIモデル 過去の犯罪記録やその他の関連データを使用して、犯罪が発生する可能性のある時期と場所を予測し、その結果を使用して警察の取り組みを指揮します。
問題は、この種のデータがしばしば隠れることです あらゆる種類のバイアス これは、アルゴリズムを無意識のうちにトレーニングするために使用すると、簡単に複製できます。 以前のアプローチには、落書きや人口統計データの存在などの疑似変数が含まれることがありました。これにより、モデルが人種的または社会経済的基準に基づいて欠陥のある関連付けを簡単に作成できるようになります。
報告された犯罪や逮捕数に関する基本的な警察のデータでさえ、隠れた偏見を含んでいる可能性があります。 既存の偏見のために犯罪が多いと思われる特定の地域の厳重な取り締まりは、ほぼ必然的に、より多くの逮捕につながるでしょう。 また、警察への不信感が高い地域では、犯罪が報告されないことがよくあります。
それでも、犯罪活動の傾向を事前に予測できることは、社会に利益をもたらす可能性があります。 そこで、シカゴ大学のグループは、犯罪が発生する可能性のある時期と場所を以前のシステムよりも予測し、警察の構造的偏りを調査するために使用できる新しい機械学習システムを開発しました。
研究者たちはまず、暴力犯罪や財産犯罪、および各事件による逮捕数に関するシカゴ警察からの数年分のデータを照合しました。 彼らはこのデータを使用して、これらの各変数の変化が他の変数にどのように影響するかを示す一連のAIモデルをトレーニングしました。
これにより、チームは、最近の報告によると、市内の幅1,000フィートの地域の犯罪レベルを90％の精度で最大XNUMX週間前に予測することができました。 紙の 自然人間行動。 研究者たちはまた、他の119つの米国の都市からのデータでトレーニングしたときに、彼らのアプローチが同様の精度を達成したことを示しました。 また、国立司法省が実施した予測ポリシングチャレンジのデータセットでテストしたところ、120のテストカテゴリのうちXNUMXで最良のアプローチを上回りました。
研究者たちは、犯罪が周辺地域に広がる前にホットスポットに現れると仮定することにより、モデルに空間的制約を課すアプローチを放棄することに成功を収めました。 代わりに、彼らのモデルは、交通機関のリンク、通信ネットワーク、または都市のさまざまな地域間の人口統計学的類似性によって媒介される可能性のある、より複雑な接続をキャプチャすることができました。
ただし、調査に使用されたデータは、警察の慣行における既存のバイアスによって汚染されている可能性が高いことを認識し、研究者は、そのような偏見が法執行機関がそのリソースを展開する方法をどのように歪める可能性があるかを明らかにするために、モデルをどのように使用できるかについても調査しました。
チームが裕福な地域で暴力犯罪と財産犯罪の両方のレベルを人為的に高めたとき、貧しい地域での逮捕が減少したため、逮捕は急増しました。 対照的に、貧しい地域で犯罪レベルが上昇したとき、逮捕の増加はありませんでした。 研究者によると、その意味するところは、裕福な地域は警察によって優先され、貧しい地域から資源を奪うことができるということです。
調査結果を検証するために、研究者はまた、夏の間の犯罪の季節的増加を使用して生の警察データを分析し、さまざまな地域での犯罪率の上昇の影響を調査しました。 結果は、モデルによって特定された傾向を反映しています。
その正確さにもかかわらず、研究リーダーのイシャヌ・チャットパディヤイは次のように述べています。 プレスリリース このツールは、警察のリソースの割り当てを直接決定するために使用するのではなく、より良い警察戦略を調査するためのツールとして使用する必要があります。 彼は、このシステムを「都市環境のデジタルツイン」として説明し、警察が都市のさまざまな部分でさまざまな犯罪や執行レベルの影響を理解するのに役立ちます。
研究が予測的ポリシングの分野をより良心的で責任ある方向に向けるのに役立つかどうかはまだ分からないが、テクノロジーの公安の可能性とその大きなリスクとのバランスを取るためのあらゆる努力は正しい方向への一歩である。
画像のクレジット： デイビッド・フォン・ディマー / Unsplash
