یادگیری ماشینی برای تعیین ریسک آزادی زودهنگام یک زندانی با تجزیه و تحلیل 91 متغیر از جمله سن، نژاد و دستگیری های قبلی طراحی شده است.
دانشمندان دانشگاه کالیفرنیا، دیویس (UC Davis) از داده‌های بیش از 19000 زندانی که از سال 2012 تا 2015 با هیئت آزادی مشروط ایالت نیویورک برنامه‌ریزی شده بودند، استفاده کردند.
اسناد دادگاه نشان می دهد که 4168 نفر آزاد شدند، اما هوش مصنوعی تشخیص داد که هیئت مدیره می توانست بدون افزایش نرخ دستگیری، دو برابر زندانیان را آزاد کند.
الگوریتم یادگیری ماشین نشان داد که خطرات پیش‌بینی‌شده برای کسانی که از آزادی مشروط محروم شده‌اند و کسانی که آزاد می‌شوند بسیار مشابه هستند.
این نشان می دهد که افراد کم خطر ممکن است در زندان باقی مانده باشند، در حالی که افراد در معرض خطر آزاد شده اند.
هانا لاکور، استادیار دپارتمان فوریت‌های پزشکی ، در بیانیه‌ای گفت: «ما تخمین می‌زنیم که هیئت مدیره می‌تواند نرخ آزادسازی را بیش از دو برابر افزایش دهد، بدون اینکه نرخ دستگیری کلی یا خشونت‌آمیز را افزایش دهد.»
علاوه بر سن و نژاد، هوش مصنوعی به جرایم خاصی مانند جرایم مربوط به خردسالان، مواد مخدر، جرایم ناشی از نفرت و سرقت نیز توجه کرد.
در حالی که کارکنان آزادی مشروط انسانی برای چندین دهه از تجزیه و تحلیل آماری برای تعیین اینکه آیا یک زندانی باید آزاد شود یا خیر، استفاده کرده‌اند، این فناوری می‌تواند به سرعت هر متغیر ممکن را بررسی کند تا مطمئن شود.
هوش مصنوعی تشخیص داد که تعداد زندانیانی که با آزادی مشروط آزاد می‌شوند باید نزدیک به ۵۰ درصد بیشتر می‌شد.
این یافته‌های با گزارش مؤسسه عدالت Vera مطابقت دارد که نشان می‌دهد هیئت مدیره آزادی مشروط بسیاری از افراد با ریسک کم را رد می‌کند، و شکایت رایج مبنی بر اینکه هیئت توسط انگیزه‌های تلافی‌جویانه، ریسک گریزی و ترس از پیامدهای سیاسی هدایت می‌شود. با توجه به مطالعه منتشر شده در مجله جرم شناسی کمی، ممکن است در صورت آزاد کردن یک فرد محکوم به قتل، که برای مثال دوباره به جرم قتل دستگیر شود، با آن مواجه شوند.
این مطالعه کاربرد الگوریتم‌ها را برای ارزیابی تصمیم‌گیری عدالت کیفری نشان می‌دهد.
کد خبر 202011021.155