L'intelligence artificielle révolutionne le système de libération conditionnelle et révèle un potentiel inexploité!

Au cours de la dernière décennie, les législateurs ont tenté de réduire l'incarcération aux États-Unis sans nuire à la sécurité publique. Cet effort comprend les commissions de libération conditionnelle qui prennent des décisions basées sur les risques - libérant les personnes évaluées comme présentant un faible risque de commettre un crime après leur libération. Pour déterminer l'efficacité du système actuel de libération conditionnelle basée sur les risques, des chercheurs du UC Davis Violence Prevention Research Program et de l'Université du Missouri, Kansas City, ont utilisé l'apprentissage automatique pour analyser les données de libération conditionnelle de New York. Ils suggèrent que la commission des libérations conditionnelles de l'État de New York pourrait accorder la libération conditionnelle à plus de détenus en toute sécurité. L'étude, intitulée « An Algorithmic Assessment of Parole Decisions », a été publiée dans le Journal of Quantitative Criminology. « Nous estimons de manière conservatrice que le conseil d'administration aurait pu plus que doubler le taux de libération sans augmenter le taux total d'arrestations pour crimes violents ou non violents. Et ils auraient pu atteindre ces gains tout en éliminant simultanément les disparités raciales dans les taux de libération », a déclaré Hannah S. Laqueur, professeure adjointe au Département de médecine d'urgence et auteure principale de l'étude. 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 libération d'un individu de prison. L'algorithme a examiné 91 variables pour prédire le risque de criminalité. Celles-ci comprenaient l'âge, la peine minimale et maximale, le type de prison, la race, le temps passé en prison, les arrestations précédentes et d'autres critères. Les chercheurs ont formé leurs modèles de prédiction des risques sur des données provenant de 4 168 individus libérés sous condition à New York entre 2012 et 2015. Les auteurs ont mis en œuvre plusieurs tests pour valider l'algorithme sur l'ensemble de la population des personnes éligibles à la libération conditionnelle. Cela comprenait des individus qui avaient eu des audiences et s'étaient vu refuser la libération conditionnelle par le conseil d'administration, mais qui ont été libérés plus tard à la fin de leur peine maximale (6 784 individus). L'algorithme d'apprentissage automatique a révélé que les risques prédits pour ceux à qui on a refusé la libération conditionnelle et ceux qui ont été libérés sont très similaires. Cela suggère que des individus à faible risque auraient pu rester incarcérés, tandis que des individus à haut risque étaient libérés. Les auteurs soulignent 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 dans le diagnostic des problèmes du système actuel de libération conditionnelle. « Cette étude démontre l'utilité des algorithmes pour évaluer la prise de décision en matière de justice pénale. Nos analyses suggèrent que de nombreuses personnes se voient refuser la libération conditionnelle et sont incarcérées au-delà de leur peine minimale malgré un faible risque pour la sécurité publique. Nous espérons qu'en fournissant des données sur les risques prédits, nous pourrons contribuer aux efforts de réforme », a déclaré Laqueur. Ryan W. Copus, professeur agrégé de droit à l'Université du Missouri, Kansas City, est co-auteur de l'étude.