Postępy w dziedzinie uczenia maszynowego i sztucznej inteligencji wzbudziły zainteresowanie rządów, które chciałyby wykorzystać te narzędzia do przewidywania przestępstw. Wczesne próby z podobnymi algorytmami były jednak kontrowersyjne, ponieważ nie uwzględniały systemowych uprzedzeń w egzekwowaniu prawa przez policję i jej złożonych relacji ze światem przestępczym i społeczeństwem.
Naukowcy z Uniwersytetu w Chicago opracowali nowy algorytm, który przewiduje możliwość wystąpienia przestępstw z użyciem przemocy lub przeciwko własności. Program uczył się ze wzorców o czasie i lokalizacjach czynów zabronionych. Opracowany model przewidywał przestępstwa z tygodniowym wyprzedzeniem z około 90 proc. dokładnością.
W osobnym modelu zespół badawczy sprawdził również reakcje policji na przestępstwa, analizując liczbę aresztowań po incydentach i porównując te wskaźniki wśród dzielnic o różnym statusie społeczno-ekonomicznym. Badacze zauważyli, że przestępstwa w bogatszych dzielnicach skutkowały większą liczbą aresztowań, podczas gdy liczba aresztowań w „gorszych” dzielnicach była niższa. Sugeruje to stronniczość policji w egzekwowaniu prawa.
- Aby aresztować więcej osób w bogatszych okolicach, policja musi odciągnąć zasoby od obszarów o niższym statusie społeczno-ekonomicznym – mówi współautor badań dr Ishanu Chattopadhyay.
Artykuł opisujący wyniki nowych badań został opublikowany w „Nature Human Behavior” (DOI: 10.1038/s41562-022-01372-0).
Algorytm został przetestowany przy użyciu danych historycznych z miasta Chicago dotyczących dwóch szerokich kategorii zgłaszanych zdarzeń: przestępstw z użyciem przemocy (zabójstwa, napady i pobicia) oraz przestępstw przeciwko mieniu (włamania i kradzieże). Czyny zabronione były zgłaszane policji w obszarach miejskich, gdzie historycznie występuje nieufność wobec organów ścigania.
Poprzednie próby przewidywania przestępczości często wykorzystywały podejście epidemiczne lub sejsmiczne, gdzie przestępczość była przedstawiana jako pojawiająca się w „gorących punktach”, które rozprzestrzeniają się na okoliczne obszary. Narzędzia te nie uwzględniają jednak złożonego środowiska społecznego miast i nie biorą pod uwagę związku między przestępczością a skutkami egzekwowania prawa przez policję.
- Modele przestrzenne ignorują naturalną topologię miasta - wyjaśnia współautor pracy dr James Evans. - Nasz model uwzględnia m.in. ulice, chodniki, linie kolejowe i autobusowe oraz łączy dane na temat sieci komunikacyjnych respektujących obszary o podobnym podłożu społeczno-ekonomicznym – dodaje naukowiec.
Nowy model wykrywa przestępczość, porównując współrzędne czasowe i przestrzenne konkretnych zdarzeń i wykrywając wzorce w celu ich przewidywania. Algorytm dzieli miasto na kwadraty o szerokości ok. 300 metrów i przewiduje przestępczość w tych obszarach zamiast polegać na tradycyjnych granicach dzielnic. Model działał równie dobrze z danymi z siedmiu innych amerykańskich miast: Atlanty, Austin, Detroit, Los Angeles, Filadelfii, Portland i San Francisco.
- Pokazujemy znaczenie odkrywania specyficznych dla miasta wzorców dla przewidywania przestępstw. Daje to świeże spojrzenie na dzielnice w mieście, pozwala nam zadawać nowatorskie pytania i oceniać działania policji na nowe sposoby - powiedział Evans.
Chattopadhyay zauważa, że dokładność narzędzia nie oznacza, że powinno ono być używane do kierowania działaniami policji. Zamiast tego, powinno być dodane do zestawu narzędzi polityki miejskiej i strategii policyjnych w celu rozwiązania problemu przestępczości.
Jeśli nakarmimy algorytm danymi, które wydarzyły się w przeszłości, to powie ci on, co stanie się w przyszłości. Nie jest to „magiczne” narzędzie, ma ono ograniczenia, ale i tak działa naprawdę dobrze – mówi Chattopadhyay.
Źródło: University of Chicago, fot. Pixabay/CC0 Public Domain
