Brug af algoritmer til at bestemme strafudmålingen kan reducere længden af ​​fængselsstraffe

Amerikanske fængsler og fængsler rummer i øjeblikket mere end 2 millioner mennesker - mange af dem fængslet, mens de afventer retssag eller afsoner ekstremt lange fængselsdomme. Ny forskning af professor Christopher Slobogin, som har en Milton R. Underwood Chair in Law ved Vanderbilt Law School, indikerer, at en risiko-forudsigelsesalgoritme kan hjælpe med at reducere disse tal.

"Vi har et enormt fængselsproblem i dette land, men ingen af ​​de nuværende løsninger virker, " sagde han. "Vi kan bruge algoritmer til at hjælpe med at finde ud af, hvem der udgør en fare for samfundet, hvis de bliver løsladt."

USA fængsler i øjeblikket 0,6 procent af sin befolkning - en sats seks gange højere end i europæiske lande.

"Forskning viser, at foranstaltninger som afkriminalisering og afskaffelse af obligatoriske minimumsstraffe knap nok gjorde et indhug i fængslingsprocenten, " sagde Slobogin. "Det sagde, offentligheden vil ikke købe nogen reform, medmindre du kan forsikre dem om deres sikkerhed."

En ideel algoritme ville indikere sandsynligheden for, at en given person ville begå en alvorlig forbrydelse i en given tidsperiode, i mangel af et bestemt indgreb.

I nylig offentliggjort forskning, Slobogin forklarede, at ved at gøre strafferetlige afgørelser mere gennemsigtige, algoritmer kunne fremtvinge en for længst fornyet undersøgelse af formålene og målene for det strafferetlige system. Han hævder, at risikovurderingsalgoritmer kan:

• hjælpe med at reducere varetægtsfængsling (sandsynligheden for, at en person begår en forbrydelse, mens han er ude af kaution, er 8 procent) og længden af ​​fængselsstraffe uden at øge risikoen for offentligheden – et særligt vigtigt mål, da COVID-19 spredes gennem straffefaciliteter,
• mildne overdrevent strafbar kaution og strafudmåling, som uforholdsmæssigt påvirker folk med lav indkomst og farvede,
• allokere retsmidler mere effektivt og konsekvent,
• give springbræt for evidensbaserede rehabiliteringsprogrammer, der sigter mod at reducere recidiv ved at aflede de kandidater, der har størst sandsynlighed for at få succes, fra fængslet.

Beregnede risici

Det er kontroversielt at bruge algoritmer til at bestemme skæbnen for et menneskeliv. Kritikere hævder, at algoritmer ikke er effektive til at identificere, hvem der vil fornærme, og hvem der vil være lydhør over for rehabiliterende indsats. Kritikere hævder også, at algoritmer kan være racemæssigt forudindtaget, dehumaniserende og i modstrid med principperne om strafferet.

Slobogin sagde, at selvom kritikken har fortjeneste, nuværende metoder til at forudsige risiko kan være værre. "Algorithmer strukturerer i det mindste analysen på en konsekvent måde."

Ustruktureret beslutningstagning af dommere, prøveløsladelsesbetjente og psykiatriske fagfolk er beviseligt partiske og refleksive, han tilføjede, og er ofte afhængig af stereotyper og generaliseringer, der ignorerer retssystemets mål. Algoritmer kan gøre det bedre, han sagde, selv om det kun er i begrænset omfang, og hvis de er designet til at kompensere for indflydelsen fra racialiseret politi- og anklagemyndighedspraksis.

Hvis algoritmer valideres og bruges proaktivt under forudgående prøveproces, de fleste mennesker, der bliver arresteret, "kan beholde deres job, holde deres familier intakte, og hjælpe deres advokat med deres forsvar ved at hjælpe med at spore vidner, " sagde Slobogin. "Ved at bruge algoritmer til at informere strafudmålingen, vi kan frigive folk tidligere, som kunne hjælpe dem med at blive produktive i stedet for at sygne hen i fængsel, hvor de mister alt håb og lærer at blive en bedre kriminel."