In den letzten zehn Jahren hat der Gesetzgeber Anstrengungen unternommen, um die Inhaftierung in den Vereinigten Staaten zu reduzieren, ohne die öffentliche Sicherheit zu beeinträchtigen. Zu diesen Bemühungen gehören Bewährungsausschüsse, die risikobasierte Bewährungsentscheidungen treffen und Personen freilassen, bei denen ein geringes Risiko besteht, nach ihrer Freilassung ein Verbrechen zu begehen.
Um festzustellen, wie effektiv das aktuelle System der risikobasierten Bewährung ist, verwendeten Forscher des UC Davis Violence Prevention Research Program und der University of Missouri, Kansas City, maschinelles Lernen, um Bewährungsdaten aus New York zu analysieren.
Sie schlagen vor, dass das New York State Parole Board mehr Insassen sicher Bewährung gewähren könnte. Die Studie „An Algorithmic Assessment of Parole Decisions“ wurde im veröffentlicht Zeitschrift für quantitative Kriminologie.
„Wir gehen vorsichtig davon aus, dass der Vorstand die Entlassungsrate mehr als verdoppeln könnte, ohne die Gesamt- oder Gewaltverhaftungsrate zu erhöhen. Und sie hätten diese Gewinne erzielen und gleichzeitig rassische Unterschiede bei den Entlassungsraten beseitigen können“, sagte Hannah S. Laqueur, Assistenzprofessorin in der Abteilung für Notfallmedizin und Erstautor der Studie.
Laut Statistik des Bureau of Justice belief sich die Gefängnispopulation für staatliche, föderale und militärische Justizvollzugsanstalten in den USA bis Ende 2021 auf 1.204.300.
Methoden
Das Team verwendete den maschinell lernenden Algorithmus SuperLearner, um jede Verhaftung, einschließlich einer gewaltsamen Verhaftung, innerhalb von drei Jahren nach der Entlassung einer Person aus dem Gefängnis vorherzusagen.
Der Algorithmus untersuchte 91 Variablen, um das Kriminalitätsrisiko vorherzusagen. Dazu gehörten Alter, Mindest- und Höchststrafe, Art des Gefängnisses, Rasse, Zeit im Gefängnis, frühere Verhaftungen und andere Kriterien.
Die Forscher trainierten ihre Risikovorhersagemodelle mit Daten von 4.168 Personen, die zwischen 2012 und 2015 in New York auf Bewährung entlassen wurden.
Die Autoren implementierten mehrere Tests, um den Algorithmus an der gesamten Population von Personen zu validieren, die auf Bewährung entlassen werden. Dazu gehörten Personen, die angehört wurden und denen die Bewährung vom Vorstand verweigert wurde, die aber später am Ende ihrer Höchststrafe freigelassen wurden (6.784 Personen).
Ergebnisse
Der maschinelle Lernalgorithmus stellte fest, dass die vorhergesagten Risiken für diejenigen, denen die Bewährung verweigert wurde, und denen, die entlassen wurden, sehr ähnlich sind. Dies deutet darauf hin, dass Personen mit geringem Risiko inhaftiert geblieben sein könnten, während Personen mit hohem Risiko entlassen wurden.
Die Autoren stellen fest, dass sie nicht dafür plädieren, menschliche Entscheidungsträger durch Algorithmen zu ersetzen, um zu beurteilen, wer aus dem Gefängnis entlassen werden sollte. Stattdessen sehen sie eine Rolle für Algorithmen, um Probleme im aktuellen Bewährungssystem zu diagnostizieren.
„Diese Studie demonstriert die Nützlichkeit von Algorithmen zur Bewertung der Entscheidungsfindung in der Strafjustiz. Unsere Analysen deuten darauf hin, dass vielen Personen die Bewährung verweigert und sie über ihre Mindeststrafe hinaus inhaftiert werden, obwohl sie ein geringes Risiko für die öffentliche Sicherheit darstellen. Wir hoffen, dass dies durch die Bereitstellung von Daten zu vorhergesagten Risiken möglich ist , können wir Reformbemühungen unterstützen“, sagte Laqueur.
Mehr Informationen:
Hannah S. Laqueur et al, An Algorithmic Assessment of Parole Decisions, Zeitschrift für quantitative Kriminologie (2022). DOI: 10.1007/s10940-022-09563-8