Även om förutsägande polisarbete syftar till att förbättra effektiviteten hos polispatruller, Det finns en oro för att dessa algoritmer kan leda till att polisen riktar in sig på minoritetsgrupper och resulterar i diskriminerande arresteringar. En datavetare vid School of Science vid IUPUI genomförde den första studien för att titta på realtidsfältdata från Los Angeles och fann att förutsägande polisarbete inte resulterade i partiska arresteringar.
"Predictive policing är fortfarande ett ganska nytt område. Det har förekommit flera fältförsök med predictive policing där minskningen av brottsfrekvensen mättes, men det har hittills inte gjorts några empiriska fältförsök som tittar på om dessa algoritmer, vid utplacering, rikta in sig på vissa rasgrupper mer än andra och leda till partiska stopp eller arresteringar, sade George Mohler, en docent i data- och informationsvetenskap vid School of Science vid IUPUI.
Mohler, tillsammans med forskare vid UCLA och Louisiana State University, arbetade med Los Angeles Police Department för att genomföra den experimentella studien. En mänsklig analytiker gjorde förutsägelser om var officerare skulle patrullera varje dag, och en algoritm gjorde också en uppsättning förutsägelser; det valdes sedan slumpmässigt ut vilket set som användes av officerare i fält varje dag.
Forskarna mätte skillnaden i arresteringsfrekvens av etniska grupper mellan den prediktiva polisalgoritmen och kartor över hot spots skapade av LAPD-analytiker som användes före experimentet.
"När vi tittade på uppgifterna, skillnaderna i arresteringsfrekvenser per etnisk grupp mellan förutsägande polisarbete och vanliga patrullrutiner var inte statistiskt signifikanta, " sa Mohler.
Studien undersökte data både på distriktsnivå och inom LAPD-officerarnas patrullområden och fann att det inte fanns någon statistiskt signifikant skillnad mellan arresteringsfrekvensen per etnisk grupp på någon av geografiska nivåer. Till sist, forskare tittade på antalet arresteringar totalt sett i patrullområden och fann att de var statistiskt högre i de algoritmiskt utvalda områdena, men när det justeras för den högre brottsligheten i dessa områden, gripandena var lägre eller oförändrade. "Ju högre brottslighet, och proportionellt högre arresteringsfrekvens, är vad du kan förvänta dig eftersom algoritmen är utformad för att identifiera områden med hög brottslighet, " sa Mohler.
Mohler sa att inom det växande området för prediktiv polisverksamhet, det fortsätter att dras lärdomar från varje studie och genomförande. En nyligen genomförd simuleringsstudie av förutsägande polisarbete med narkotikahäktningsdata från Oakland, Kalifornien, visade att det finns potential för bias när dessa algoritmer tillämpas i vissa sammanhang. Mohler hoppas att Los Angeles-studien är en utgångspunkt för att mäta prediktiv polisiär bias i framtida fältexperiment.
"Varje gång du gör en av dessa förutsägande polisuppdrag, avdelningar bör övervaka den etniska effekten av dessa algoritmer för att kontrollera om det finns rasistiska fördomar, " sade Mohler. "Jag tror att de statistiska metoderna vi tillhandahåller i det här dokumentet ger ett ramverk för att övervaka det."
"Leder förutsägande polisarbete till partiska arresteringar? Resultat från ett randomiserat kontrollförsök?" publiceras i tidskriften Statistik och offentlig politik .
