به گزارش گروه علم و فناوری ایسکانیوز، مطالعه جدید نشان میدهد که الگوریتمهای رایانهای می توانند از مردم در پیش بینی دستگیری مجدد مجرمین، پیشی گیرد.
الگوریتمهای ارزیابی ریسک که پیش بینی جنایات آینده را انجام میدهند، اغلب به قضات در مورد تصمیم گیری ماندن فرد خلافکار در زندان کمک میکنند. با اینکه این سیستمها مورد انتقاد بسیاری قرار گرفتهاند برخی از تحقیقات اعلام کردند که الگوریتم ها در پیش بینی بازداشتها بهتر از انسان هستند به این دلیل که مسائل نژادی را مورد توجه قرار نمیدهند.
مجموعه جدید آزمایشات تأیید میکند که انسان در صورت مشاهده بازخوردی فوری در مورد صحت پیشبینیهای خود و هنگامی که اطلاعات محدودی درباره هر جنایتکار دارد بهتر عمل کرده است اما با عدم دریافت بازخورد و یا با داشتن پرفایل جنایی دقیقتر به مشکل بر میخورند.
در حقیقت قاضیان و هیئتهای تصمیمگیری نیز فوراً بازخوردی دریافت نمی کنند و معمولاً اطلاعات زیادی برای تصمیم گیری نیاز دارند. بنابراین یافته های مطالعه حاکی از آن است که، تحت شرایط پیش بینی واقع گرایانه، الگوریتمها از افراد در پیش بینی عود مجدد پیشی میگیرند.
«شاراد گول» دانشمند علوم محاسباتی دانشگاه استنفورد و همکارانش با تقلید از مجموعه مطالعات 2018 فعالیت خود را شروع کردند.
داوطلبان آنلاین توضیحات کوتاهی از 50 مجرم از جمله ویژگیهایی مانند جنس، سن و تعداد بازداشتهای گذشته را خوانده و حدس میزدند که آیا احتمال دارد هر شخص طی دو سال به علت جرم دیگری دستگیر شود یا خیر. بعد از هر دور، به داوطلبان گفته میشد که حدسشان درست بوده یا خیر.
اما در یک نسخه کمی متفاوت از این رقابت انسانی و رایانهای، تیم محققان متوجه مرزی نسبت به افرادی که بازخورد دریافت نمیکنند شدند. در این آزمایش، شرکت کنندگان پیش بینی کردند که کدام یک از 50 مجرم به جرم ارتکاب به خشونت (نه فقط هر جرمی) دستگیر میشوند.
محققان اعلام کردند که با بازخورد، انسانها این کار را با دقت انجام دادند. اما بدون آن، دقت به حدود 60درصد کاهش یافت. این مطالعه بررسی نکرد که آیا عواملی مانند تعصبات نژادی یا اقتصادی در این روند نقش داشتهاند یا خیر.
در سومین تغییر آزمایش، الگوریتمهای ارزیابی ریسک در هنگام نمایش پروفایلهای جنایی جزئیات بیشتری را نشان داد. این بار، داوطلبان با ابزاری برای ارزیابی ریسک موسوم به LSI-R کار کردند. این نرم افزار میتواند 10 عامل خطرناکتر از جمله سوء مصرف مواد، سطح تحصیلات و وضعیت اشتغال را در نظر بگیرد. داوطلبان LSI-R و انسانی مجرمان را در مقیاس بسیار بعید و احتمال بسیار زیاد رتبه بندی کردند.
هنگامی که پروفایل های جنایی که تنها چند عامل خطر را در بر میگیرد نشان داده می شود، داوطلبان به طور همسان با LSI-R پیش بینی میکنند. اما هنگامی که توضیحات مفصل تر نشان داده می شود، LSI-R پیروز است. مجرمان با بالاترین خطر دستگیر شدن مجدد، در رتبه بندی توسط افراد، شامل 57درصد مجرمان تکرار شونده واقعی بودند، در حالی که لیست احتمالی بازداشت شدگان LSI-R حاوی حدود 62درصد بازپرسهای واقعی است.
در یک کار مشابه که شامل پیش بینی اینکه مجرمان نه تنها دستگیر یا دوباره زندانی می شوند، لیست بالاترین ریسک انسان شامل 58 درصد از گزارش کنندگان واقعی در مقایسه با 74 درصد LSI-R بود.
«هانی فرید» دانشمند رایانه دانشگاه کالیفرنیا اعلام کرد که هشتاد درصد دقت ممکن است خوب به نظر برسد اما باید از خود بپرسید اگر 20درصد از اوقات اشتباه کنید چه خواهد شد.
فرید اعلام کرد از آنجا که نه انسان و نه الگوریتم ها در پیش بینی اینکه کسی دو سال مرتکب جرم شود، صحت شگفت انگیزی را نشان نمی دهند، آیا باید از (این پیش بینیها) به عنوان یک معیار استفاده کنیم تا مشخص شود که کسی آزاد می شود یا اینطور نیست؟
وی پیشنهاد کرد که سؤالات دیگری (مانند اینکه احتمالاً کسی برای گرفتن شغل یا وثیقه اقدام می کند) نیز باید بیشتر در تصمیمات دخیل باشد.
انتهای پیام/