30 ژوئن 2022 -توسط دانشگاه شیکاگو-اعتبار: دامنه عمومی Pixabay/CC0
پیشرفتها در یادگیری ماشینی و هوش مصنوعی باعث علاقه دولتهایی شده است که میخواهند از این ابزارها در سیستم پلیس پیشبینی برای جلوگیری از جرم استفاده کنند. با این حال، تلاشهای اولیه در زمینه پیشبینی جرم بحثبرانگیز بوده است، زیرا سوگیریهای سیستمی در اجرای پلیس و رابطه پیچیده آن با جرم و جامعه را در نظر نمیگیرند.
دانشمندان علوم اجتماعی از دانشگاه شیکاگو الگوریتم جدیدی را توسعه داده اند که با یادگیری الگوهای زمانی و موقعیت های جغرافیایی از داده های عمومی در مورد جرایم خشونت آمیز و دارایی، جرم را پیش بینی می کند. این مدل می تواند جنایات آینده را یک هفته قبل با دقت 90 درصد پیش بینی کند.
در یک مدل جداگانه، تیم تحقیقاتی همچنین واکنش پلیس به جرم و جنایت را با تجزیه و تحلیل تعداد دستگیریها پس از حوادث و مقایسه آن نرخها در میان محلههایی با وضعیت اجتماعی-اقتصادی متفاوت مورد مطالعه قرار داد. آنها دیدند که جنایت در مناطق ثروتمندتر منجر به دستگیری بیشتر شد، در حالی که دستگیری در محله های محروم کاهش یافت. با این حال، جنایت در محلههای فقیرنشین منجر به دستگیریهای بیشتری نشد، اما نشان از جانبداری در واکنش و اجرای پلیس دارد.
دکتر ایشانو چاتوپادیای، گفت: «آنچه میبینیم این است که وقتی سیستم را تحت فشار قرار میدهیم، به منابع بیشتری برای دستگیری افراد بیشتری در واکنش به جرم و جنایت در یک منطقه ثروتمند نیاز دارد و منابع پلیس را از مناطق با موقعیت اجتماعی-اقتصادی پایینتر دور میکند.» وی استادیار پزشکی در UChicago و نویسنده ارشد این مطالعه جدید است که این هفته در Nature Human Behavior منتشر شد.
این ابزار با استفاده از دادههای تاریخی شهر شیکاگو در مورد دو دسته کلی از رویدادهای گزارششده آزمایش و اعتبارسنجی شد: جنایات خشونتآمیز (قتل، حمله، و ضربه ) و جرایم دارایی ( سرقت، و سرقت وسایل نقلیه موتوری). این داده ها به این دلیل مورد استفاده قرار گرفتند که به احتمال زیاد در مناطق شهری که بی اعتمادی تاریخی و عدم همکاری با مجریان قانون وجود دارد، به پلیس گزارش می شود. این گونه جرائم نیز کمتر مستعد سوگیری اجرایی هستند، همانطور که در مورد جرایم مواد مخدر، توقف های ترافیکی و سایر تخلفات بزهکارانه وجود دارد.
تلاشهای قبلی برای پیشبینی جرم اغلب از یک رویکرد اپیدمی یا لرزهای استفاده میکنند، که در آن جرم به صورت ظهور در «نقاط داغ» که به مناطق اطراف گسترش مییابد به تصویر کشیده میشود. با این حال، این ابزارها محیط اجتماعی پیچیده شهرها را از دست می دهند و رابطه بین جرم و جنایت و تأثیرات اجرای پلیس را در نظر نمی گیرند.
جیمز ایوانز، دکترای جامعه شناس و نویسنده همکار، پروفسور ماکس پالوسکی در شیکاگو و موسسه سانتافه گفت: «مدل های فضایی توپولوژی طبیعی شهر را نادیده می گیرند. شبکههای حملونقل به خیابانها، مسیرهای پیادهروی، خطوط قطار و اتوبوس احترام میگذارند.
مدل جدید با مشاهده مختصات زمانی و مکانی رویدادهای مجزا و کشف الگوهایی برای پیشبینی رویدادهای آینده، جرم را جدا میکند. این شهر را به کاشیهای فضایی تقریباً 1000 فوتی تقسیم میکند و به جای تکیه بر مرزهای محلی یا سیاسی سنتی، که در معرض تعصب هستند، جنایت را در این مناطق پیشبینی میکند. این مدل با داده های هفت شهر دیگر ایالات متحده به همان اندازه خوب عمل کرد: آتلانتا، آستین، دیترویت، لس آنجلس، فیلادلفیا، پورتلند و سانفرانسیسکو.
ایوانز گفت: «ما اهمیت کشف الگوهای خاص شهر را برای پیشبینی جرم گزارششده نشان میدهیم، که دید تازهای در محلههای شهر ایجاد میکند، به ما اجازه میدهد سؤالات جدیدی بپرسیم و به ما امکان میدهد اقدامات پلیس را به روشهای جدیدی ارزیابی کنیم.»
Chattopadhyay مراقب است تا توجه داشته باشد که دقت این ابزار به این معنا نیست که باید از آن برای هدایت اجرای قانون استفاده شود، زیرا ادارات پلیس از آن برای جلوگیری از جرم و جنایت در محلهها استفاده میکنند. در عوض، باید به جعبه ابزار سیاستهای شهری و استراتژیهای پلیسی برای رسیدگی به جرم اضافه شود.
“ما یک دوقلوی دیجیتالی از محیطهای شهری ایجاد کردیم. اگر دادههای اتفاق افتاده در گذشته را به آن بدهید، به شما میگوید در آینده چه اتفاقی میافتد. جادویی نیست، محدودیتهایی وجود دارد، اما ما آن را تایید کردیم و واقعاً خوب کار میکند. چتوپادهای گفت. اکنون میتوانید از این بهعنوان یک ابزار شبیهسازی استفاده کنید تا ببینید اگر جنایت در یک منطقه از شهر افزایش یابد، یا در منطقهای دیگر افزایش یابد، چه اتفاقی میافتد. اگر همه این متغیرهای مختلف را اعمال کنید، میتوانید ببینید که سیستمها چگونه تکامل مییابند.
این مطالعه با عنوان «پیشبینی در سطح رویداد جرم شهری نشانهای از تعصبات اجرایی در شهرهای ایالات متحده را نشان میدهد». نویسندگان دیگر عبارتند از ویکتور روتارو، یی هوانگ، و تیمی لی از دانشگاه شیکاگو.