Au cours de la dernière décennie, les législateurs se sont efforcés de réduire l’incarcération aux États-Unis sans nuire à la sécurité publique. Cet effort comprend les commissions des libérations conditionnelles qui prennent des décisions de libération conditionnelle fondées sur le risque, c’est-à-dire la libération de personnes jugées à faible risque de commettre un crime après leur libération.
Pour déterminer l’efficacité du système actuel de libération conditionnelle basée sur le risque, des chercheurs du programme de recherche sur la prévention de la violence de l’UC Davis et de l’Université du Missouri, à Kansas City, ont utilisé l’apprentissage automatique pour analyser les données sur la libération conditionnelle de New York.
Ils suggèrent que la Commission des libérations conditionnelles de l’État de New York pourrait accorder en toute sécurité une libération conditionnelle à davantage de détenus. L’étude, « An Algorithmic Assessment of Parole Decisions », a été publiée dans le Journal de criminologie quantitative.
« Nous estimons prudemment que le conseil aurait pu plus que doubler le taux de libération sans augmenter le taux d’arrestation total ou violent. Et ils auraient pu réaliser ces gains tout en éliminant simultanément les disparités raciales dans les taux de libération », a déclaré Hannah S. Laqueur, professeur adjoint. au Département de médecine d’urgence et auteur principal de l’étude.
Selon le Bureau of Justice Statistics, à la fin de 2021, la population carcérale des établissements correctionnels d’État, fédéraux et militaires aux États-Unis était de 1 204 300 personnes.
Méthodes
L’équipe a utilisé l’algorithme d’apprentissage automatique SuperLearner pour prédire toute arrestation, y compris une arrestation pour crime violent, dans les trois ans suivant la sortie de prison d’un individu.
L’algorithme a examiné 91 variables pour prédire le risque de criminalité. Ceux-ci comprenaient l’âge, la peine minimale et maximale, le type de prison, la race, le temps passé en prison, les arrestations antérieures et d’autres critères.
Les chercheurs ont formé leurs modèles de prédiction des risques sur les données de 4 168 personnes qui ont été libérées sur parole à New York entre 2012 et 2015.
Les auteurs ont mis en place plusieurs tests pour valider l’algorithme sur l’ensemble de la population d’individus en liberté conditionnelle. Cela comprenait les personnes qui ont eu des audiences et qui se sont vu refuser la libération conditionnelle par la commission, mais qui ont ensuite été libérées à la fin de leur peine maximale (6 784 personnes).
Résultats
L’algorithme d’apprentissage automatique a révélé que les risques prévus pour les personnes à qui la libération conditionnelle a été refusée et ceux qui ont été libérés sont très similaires. Cela suggère que les personnes à faible risque peuvent être restées incarcérées, tandis que les personnes à haut risque ont été libérées.
Les auteurs notent qu’ils ne préconisent pas de remplacer les décideurs humains par des algorithmes pour évaluer qui devrait être libéré de prison. Au lieu de cela, ils voient un rôle pour les algorithmes pour diagnostiquer les problèmes dans le système actuel de libération conditionnelle.
« Cette étude démontre l’utilité des algorithmes pour évaluer la prise de décision en justice pénale. Nos analyses suggèrent que de nombreuses personnes se voient refuser la libération conditionnelle et sont incarcérées au-delà de leur peine minimale alors qu’elles présentent un faible risque pour la sécurité publique. Nous espérons qu’en fournissant des données sur les risques prévus , nous pouvons contribuer aux efforts de réforme », a déclaré Laqueur.
Plus d’information:
Hannah S. Laqueur et al, Une évaluation algorithmique des décisions de libération conditionnelle, Journal de criminologie quantitative (2022). DOI : 10.1007/s10940-022-09563-8