Pesquisadores utilizam algoritmos de aprendizado de máquina para analisar dados de liberdade condicional em Nova York, sugerindo que a taxa de liberação poderia ser dobrada sem aumentar a taxa de reincidência.
Nos últimos anos, houve um esforço para reduzir o encarceramento nos Estados Unidos sem afetar a segurança pública. Isso inclui conselhos de liberdade condicional tomando decisões baseadas no risco de reincidência. Para determinar a eficácia do atual sistema de condicional baseado em risco, pesquisadores da UC Davis Violence Prevention Research Program e da University of Missouri, Kansas City, utilizaram aprendizado de máquina para analisar dados de liberdade condicional em Nova York.
Os resultados sugerem que o Conselho de Liberdade Condicional de Nova York poderia conceder liberdade condicional com segurança a mais detentos. A pesquisa estima que o conselho poderia ter mais que dobrado a taxa de liberação sem aumentar a taxa total de reincidência ou reincidência por crimes violentos. Além disso, esses ganhos poderiam ser alcançados enquanto se eliminava as disparidades raciais nas taxas de liberação.
Os pesquisadores usaram o algoritmo de aprendizado de máquina SuperLearner para prever qualquer prisão, incluindo uma prisão por crime violento, dentro de três anos após a liberação de um indivíduo da prisão. O algoritmo analisou 91 variáveis para prever o risco de reincidência, como idade, tempo de prisão, raça, tipo de prisão, entre outros critérios. Os autores frisam que não estão defendendo a substituição de tomadores de decisão humanos por algoritmos, mas sim a utilização desses algoritmos para diagnosticar problemas no atual sistema de condicional. Os algoritmos podem ser uma ferramenta útil para avaliar a tomada de decisão no sistema de justiça criminal e ajudar nos esforços de reforma.
