پیشبینی وقوع جرائم و افشای سوگیری پلیس
تیم تحریریه- ۲۶ تیر ۱۴۰۱
پیشرفتها در عرصه یادگیری ماشینی و هوش مصنوعی منجر به علاقهمندی دولتها به استفاده از این ابزارها برای پیش بینی جرائم و مقابله با آن شده است. اقدامات قبلی تا کنون سوگیریهای سیستماتیک پلیس و روابط پیچیده جرم و جامعه را در نظر نگرفتهاند.
متخصصان داده و جامعهشناسان دانشگاه شیکاگو الگوریتم جدیدی توسعه دادهاند که با استخراج الگوهای زمانی و جغرافیایی از دادههای عمومی، جرائم را با دقتی نزدیک به 90 درصد، یک هفته قبل از وقوع، پیشبینی میکند.
پژوهشگران با استفاده از مدلی دیگر، تعداد موارد دستگیری را بین محلات مختلف و طبقات اجتماعی-اقتصادی گوناگون، تحلیل کردند تا پاسخ پلیس به جرائم را مورد مطالعه قرار دهند. نتیجه نشان داد که میزان دستگیری در مناطق ثروتمندنشین بالاتر از محلههای محروم است، امری که حاکی از وجود سوگیری در پاسخگویی پلیس به اتفاقات و جرائم میباشد.
ایشانو چاتوپادیای، استاد دانشگاه شیکاگو و نویسنده ارشد مقاله، توضیح میدهد: «یافتهها نشان میدهند که سیستم، منابع بیشتری را برای دستگیری مجرمان در مناطق ثروتمندنشین اختصاص میدهد و مناطق فقیرنشین را از منابع لازم محروم میکند.»
مدل مذکور با استفاده از دادههای شهر شیکاگو مورد آزمایش و اعتبارسنجی قرار گرفت؛ این دادهها دو دسته رویداد را پوشش میدادند: جرائم خشونتآمیز (همچون قتل و ضرب و جرح) و جرائم علیه اموال (همچون سرقت و دزدی وسایل نقلیه). دلیل انتخاب این جرائم این بود که در مناطقی که به نوعی عدم اعتماد به پلیس وجود دارد، غالبا جرائم دیگری گزارش داده میشوند. به علاوه، چنین جرائمی نسبت به جرائم مربوط به مواد مخدر، راهنمایی و رانندگی و سایر تخلفات، آسیب پذیری کمتری در مقابل سوگیری پلیس دارند.
اقداماتی که قبل از این برای پیش بینی جرائم انجام گرفتهاند، از یک رویکرد رایج یا متزلزل استفاده کردهاند. معمولا جرائم به عنوان نقاط مهم در نظر گرفته میشوند که به مناطق اطراف گسترش پیدا میکنند. این شیوهها پاسخگوی محیط اجتماعی پیچیده شهرهای بزرگ نیستند و رابطه بین رفتار پلیس و جرائم را در نظر نمیگیرند.
جیمز ایوانز، جامعهشناس و از نویسندگان مقاله، توضیح میدهد: «مدلهای مکانی، توپولوژی طبیعی شهر را در نظر نمیگیرند. شبکههای حملونقل بر خیابانها، پیادهروها و خطوط اتوبوس، و شبکههای ارتباطی بر محلاتی که پیشزمینه اقتصادی-اجتماعی مشابه دارند، تأثیر میگذارند. این مدل جدید امکان کشف این تأثیرهای متقابل را فراهم میآورد.»
مدل مذکور با تکیه بر زمان و مختصات جغرافیایی، الگوهای موجود را شناسایی و جرائم را به صورت مجزا بررسی میکند تا قادر به پیشبینی رویدادهای آینده باشد. این مدل سطح شهر را با فاصلههای 300 متری به مناطق مجزا تقسیم میکند تا به جای تکیه بر ناحیهبندی قدیمی و محدودههای سیاسی که نسبت به سوگیری آسیبپذیراند، جرائم این نواحی را پیشبینی کند. عملکرد این مدل روی دادههای هفت شهر دیگر ایالات متحده (آتلانتا، آستین، دیترویت، لسآنجلس، فیلادلفیا، پرتلند و سانفرانسیسکو) نیز اثبات شده است.
ایوانز معتقد است: «با تأکید بر اهمیت کشف الگوهای منحصر به هر شهر در پیش بینی جرائم، توانستیم رویکرد جدیدی برای تقسیمبندی شهری ارائه دهیم که موجب میشود اقدامات پلیس را به شیوههای جدید ارزیابی کنیم.»
چاتوپادیای خاطرنشان میکند که دقت این ابزار به معنی کاربرد آن برای هدایت اقدامات پلیس نیست؛ بلکه باید به عنوان مکمل در مجموعهای از خطمشیها و راهبردهای شهری و سیاسی که برای رسیدگی به جرائم طراحی شدهاند؛ به کار برود.
وی در ادامه میگوید: «ما یک نمونه مشابه دیجیتالی از محیطهای شهری ایجاد کردهایم که بر اساس دادههای گذشته، رویدادهای آینده را پیشبینی میکند. نباید فراموش کنیم که این فناوری محدودیتهایی هم دارد، اما نتایج اعتبارسنجی حاکی از عملکرد قابل قبول آن هستند. اکنون میتوانیم به عنوان ابزار شبیهسازی و برای پیشبینی اثرات افزایش جرائم در یک منطقه خاص از آن استفاده کنیم. با بهکارگیری همه متغیرها، نحوه تکامل و پاسخدهی سیستم مشخص میشود.»
این پژوهش از سوی DARPA و انجمن فرهنگ و جامعه نوباور پشتیبانی شده است. سایر نویسندگان مقاله عبارتاند از: ویکتور روتارو، وی هوانگ و تیمی لی.
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
