Algoritmer kan hjælpe med at forbedre retsafgørelser

En ny artikel i Quarterly Journal of Economics finder, at udskiftning af visse juridiske beslutningstagningsfunktioner med algoritmer kunne forbedre resultaterne for tiltalte ved at eliminere nogle af dommernes systemiske skævheder.

Beslutningstagere træffer konsekvensvalg baseret på forudsigelser om ukendte resultater. Især dommere træffer beslutninger om, hvorvidt der skal ydes kaution til tiltalte, eller hvordan de dømte skal dømmes. Virksomheder bruger nu maskinlæringsbaserede modeller i stigende grad i beslutninger med høj indsats.

Der er forskellige antagelser om menneskelig adfærd, der ligger til grund for implementeringen af ​​sådanne læringsmodeller, som udspiller sig i produktanbefalinger på Amazon, spamfiltrering af e-mail og forudsigende tekster på ens telefon.

Forskerne her udviklede en statistisk test af en sådan adfærdsantagelse, om beslutningstagere laver systematiske forudsigelsesfejl, og videreudviklede metoder til at estimere måderne, hvorpå deres forudsigelser er systematisk skæve.

Ved at analysere New York City-systemet før retssagen afslører forskningen, at en betydelig del af dommerne laver systematiske forudsigelsesfejl om risikoen for uredelighed forud for retssagen givet tiltaltes karakteristika, herunder race, alder og tidligere adfærd.

Undersøgelsen her brugte oplysninger fra dommere i New York City, som er kvasi-tilfældigt tildelt sager defineret i den tildelte retssal efter skift. Undersøgelsen testede, om dommernes løsladelsesbeslutninger afspejler nøjagtige overbevisninger om risikoen for, at en tiltalt ikke møder op til retssagen (blandt andet). Undersøgelsen var baseret på oplysninger om 1.460.462 sager i New York City, hvoraf 758.027 sager var genstand for en afgørelse om frigivelse før retssagen.

Artiklen her udledte en statistisk test for, om en beslutningstager laver systematiske forudsigelsesfejl og gav metoder til at estimere måderne, hvorpå beslutningstagerens forudsigelser er systematisk skæve. Ved at analysere afgørelserne om løsladelse af dommere i New York City, anslår papiret, at mindst 20 % af dommerne laver systematiske forudsigelsesfejl om risikoen for misbrug af sagsøgte givet tiltaltes karakteristika. Motiveret af denne analyse estimerede forskeren her virkningerne af at erstatte dommere med algoritmiske afgørelsesregler.

Avisen fandt, at afgørelser truffet af mindst 32 % af dommerne i New York City ikke er i overensstemmelse med de tiltaltes faktiske evne til at stille et specificeret kautionsbeløb og den reelle risiko for, at de ikke møder op til retssagen.

Undersøgelsen her indikerer, at når både tiltalte race og alder tages i betragtning, laver mediandommeren systematiske forudsigelsesfejl på cirka 30 % af de tiltalte, der er tildelt dem. Når både den tiltalte race og om den tiltalte blev anklaget for en forbrydelse tages i betragtning, laver mediandommeren systematiske forudsigelsesfejl på cirka 24 % af de tiltalte, der er tildelt dem.

Mens papiret bemærker, at udskiftning af dommere med en algoritmisk beslutningsregel har tvetydige virkninger, der afhænger af den politiske beslutningstagers mål (er det ønskede resultat et, hvor flere tiltalte møder op til retssagen, eller et, hvor færre tiltalte sidder i fængsel og venter på en retssag?) Det ser ud til, at udskiftning af dommere med en algoritmisk afgørelsesregel ville føre til op til 20 % forbedringer i retssagsresultater, målt baseret på antallet af manglende møder blandt løsladte tiltalte og tilbageholdelsesraten før retssagen.

"Effekterne af at erstatte menneskelige beslutningstagere med algoritmer afhænger af afvejningen mellem, hvorvidt mennesket laver systematiske forudsigelsesfejl baseret på observerbar information, der er tilgængelig for algoritmen, og om mennesket observerer nogen nyttig privat information," sagde papirets hovedforfatter, Ashesh. Rambachan.

"Den økonometriske ramme i dette papir gør det muligt for empiriske forskere at give direkte beviser om disse konkurrerende kræfter."

Flere oplysninger: Ashesh Rambachan, Identifying Prediction Mistakes in Observational Data, Quarterly Journal of Economics (2024). DOI:10.1093/qje/qjae013. academic.oup.com/qje/article-l … /10.1093/qje/qjae013

Journaloplysninger: Quarterly Journal of Economics

Leveret af Oxford University Press