Tokom poslednje decenije, zakonodavci su nastojali da smanje zatvaranje u Sjedinjenim Državama bez uticaja na javnu bezbednost. Ovaj napor uključuje odbore za uslovni otpust koji donose odluke o uslovnom otpustu zasnovane na riziku – oslobađanje ljudi za koje se procenjuje da su pod niskim rizikom da počine krivično delo nakon puštanja na slobodu.
Da bi utvrdili koliko je efikasan trenutni sistem uslovnog otpusta zasnovanog na riziku, istraživači iz Programa za istraživanje prevencije nasilja UC Davis i Univerziteta u Misuriju, Kanzas Siti, koristili su mašinsko učenje da analiziraju podatke o uslovnom otpustu iz Njujorka.
Oni sugerišu da bi Odbor za uslovni otpust države Njujork mogao bezbedno da odobri uslovni otpust većem broju zatvorenika. Studija „Algoritamska procena odluka o uslovnom otpustu“ objavljena je u časopisu kvantitativne kriminologije.
„Mi konzervativno procenjujemo da je odbor mogao više nego udvostručiti stopu oslobađanja bez povećanja ukupne ili nasilne stope hapšenja krivičnih dela. I mogli su da postignu ove dobitke dok su istovremeno eliminisali rasne disparitete u stopama oslobađanja“, rekla je Hana S. Laker, docent. u Zavodu za urgentnu medicinu i glavni autor studije.
Prema Zavodu za statistiku pravosuđa, do kraja 2021. godine, broj zatvorenika u državnim, saveznim i vojnim popravnim ustanovama u SAD bio je 1.204.300.
Tim je koristio algoritam za mašinsko učenje SuperLearner da predvidi svako hapšenje, uključujući nasilno hapšenje za krivično delo, u roku od tri godine nakon što je osoba puštena iz zatvora.
Algoritam je posmatrao 91 varijablu da bi predvideo rizik od kriminala. To uključuje godine starosti, minimalnu i maksimalnu kaznu, vrstu zatvora, rasu, vreme provedeno u zatvoru, prethodna hapšenja i druge kriterijume.
Istraživači su obučili svoje modele za predviđanje rizika na podacima od 4.168 osoba koje su puštene na uslovnu slobodu u Njujorku između 2012. i 2015. godine.
Autori su sproveli nekoliko testova da bi potvrdili algoritam na punoj populaciji pojedinaca koji su pušteni na uslovnu slobodu. Ovo uključuje pojedince koji su imali saslušanja i kojima je odbor odbio uslovni otpust, ali su kasnije pušteni na kraju svoje maksimalne kazne (6.784 osobe).
Algoritam mašinskog učenja otkrio je da su predviđeni rizici za one kojima je odbijen uslovni otpust i za one koji su pušteni veoma slični. Ovo sugeriše da su osobe niskog rizika možda ostale u zatvoru, dok su osobe visokog rizika puštene.
Autori napominju da se ne zalažu za zamenu ljudi koji donose odluke algoritmima za procenu ko treba da bude pušten iz zatvora. Umesto toga, oni vide ulogu algoritama da dijagnostikuju probleme u trenutnom sistemu uslovnog otpusta.
„Ova studija pokazuje korisnost algoritama za procenu donošenja odluka u krivičnom pravosuđu. Naše analize sugerišu da se mnogim pojedincima uskraćuje uslovni otpust i zatvaraju posle minimalne kazne, uprkos tome što su mali rizik po javnu bezbednost. Nadamo se da ćemo pružanjem podataka o predviđenim rizicima , možemo pomoći reformskim naporima“, rekao je Lakueur.
