Maschinelles Lernen revolutioniert Bewährungsentscheidungen und reduziert ungerechte Inhaftierungen!

In den letzten Jahren gab es Bemühungen, die Inhaftierungsrate in den USA zu reduzieren, ohne die öffentliche Sicherheit zu beeinträchtigen. Dazu gehören risikobasierte Bewährungsentscheidungen durch Bewährungsausschüsse. Forscher der UC Davis Violence Prevention Research Program und der University of Missouri, Kansas City, haben maschinelles Lernen eingesetzt, um Bewährungsdaten aus New York zu analysieren. Sie kamen zu dem Ergebnis, dass der New Yorker Bewährungsausschuss mehr Insassen sicher auf Bewährung entlassen könnte. Das maschinelle Lernverfahren SuperLearner wurde verwendet, um das Risiko einer erneuten Verhaftung innerhalb von drei Jahren nach der Entlassung eines Häftlings vorherzusagen. Dabei wurden 91 Variablen zur Risikovorhersage einbezogen, wie Alter, Mindest- und Höchststrafe, Gefängnistyp, Rasse, Haftdauer, vorherige Verhaftungen und andere Kriterien. Die Forscher trainierten ihre Risikovorhersagemodelle anhand von Daten von 4.168 Personen, die zwischen 2012 und 2015 in New York auf Bewährung entlassen wurden. Die maschinelle Lernalgorithmus zeigte, dass die vorhergesagten Risiken für diejenigen, denen die Bewährung verweigert wurde, und diejenigen, die entlassen wurden, sehr ähnlich sind. Dies legt nahe, dass Personen mit geringem Risiko möglicherweise weiterhin inhaftiert waren, während Personen mit hohem Risiko entlassen wurden. Die Autoren plädieren jedoch nicht dafür, menschliche Entscheider durch Algorithmen zu ersetzen, sondern sehen eine Rolle für Algorithmen bei der Diagnose von Problemen im aktuellen Bewährungssystem. Dies zeigt die Nützlichkeit von Algorithmen bei der Bewertung von Entscheidungen im Strafjustizsystem. Viele Personen werden trotz geringem Risiko für die öffentliche Sicherheit weiter inhaftiert. Durch die Bereitstellung von Daten zu vorhergesagten Risiken kann diese Forschung Reformbemühungen unterstützen.