Pembelajaran Komputer Dapat Membantu Mengurangkan Keganasan Rumah Tangga

Satu kajian baru mendapati bahawa menggunakan analisis data dan pembelajaran komputer pada tahap pengesahan untuk menganalisis kemungkinan kejadian keganasan rumah tangga berulang mengurangkan kes baru sebanyak separuh, menyebabkan lebih dari 1,000 penangkapan lebih sedikit setiap tahun di satu kawasan metropolitan yang besar.

Selepas penangkapan, penampilan pengadilan pertama biasanya adalah pengadilan awal, ketika hakim atau hakim memutuskan sama ada untuk membebaskan suspek atau menahan mereka di penjara, berdasarkan kemungkinan orang itu akan kembali ke mahkamah atau melakukan kejahatan baru.

Pengaturan biasanya sangat pendek, dengan keputusan berdasarkan data terhad. Walau bagaimanapun, Drs. Richard Berk dan Susan B. Sorenson dari University of Pennsyvania mendapati bahawa menggunakan ramalan komputer pada prosiding ini dapat secara dramatik mengurangkan penangkapan keganasan rumah tangga berikutnya.

"Sebilangan besar keputusan peradilan jenayah oleh undang-undang memerlukan unjuran risiko kepada masyarakat. Ancaman ini disebut 'bahaya masa depan,' "kata Berk, seorang profesor kriminologi dan statistik di Penn's School of Arts & Sciences dan Wharton School.

"Banyak keputusan, seperti pengaturan, adalah jenis seluar. Persoalannya ialah adakah kita dapat melakukan yang lebih baik daripada itu, dan jawapannya adalah ya kita dapat. Ia adalah bar yang sangat rendah. "

Untuk jenayah keganasan rumah tangga antara pasangan intim, ibu bapa, dan anak-anak, atau bahkan adik-beradik, biasanya ada ancaman kepada seseorang, kata Sorenson, seorang profesor dasar sosial di School of Social Policy & Practice Pennsylvania yang juga mengarahkan Evelyn Jacobs Ortner Center mengenai Keganasan Keluarga.

"Ini bukan masalah keselamatan umum," katanya. "Dengan tuduhan keganasan rumah tangga, katakanlah seorang lelaki - dan biasanya lelaki - ditangkap kerana ini dan sedang menunggu perbicaraan. Dia tidak akan menyerang seorang wanita rawak. Risikonya adalah untuk serangan semula mangsa yang sama. "

Untuk memahami bagaimana pembelajaran komputer dapat membantu dalam kes-kes keganasan rumah tangga, Berk dan Sorenson memperoleh data dari lebih daripada 28,000 pengadilan keganasan rumah tangga antara Januari 2007 dan Oktober 2011. Mereka juga melihat masa tindak lanjut dua tahun setelah pembebasan yang berakhir pada Oktober 2013 .

Komputer dapat "belajar" jenis individu mana yang cenderung menyinggung perasaan, menurut para saintis. Untuk penyelidikan ini, 35 input awal merangkumi umur, jantina, waran dan hukuman terdahulu, dan lokasi kediaman.

Titik data ini membantu komputer memahami kaitan yang sesuai untuk risiko yang diproyeksikan, memberikan maklumat tambahan kepada pegawai pengadilan yang memutuskan sama ada akan membebaskan pesalah.

"Dalam semua jenis tetapan, mengetahui komputer ini lebih baik daripada meminta kita mengetahuinya," kata Berk.

Itu tidak bermaksud tidak ada halangan untuk penggunaannya, katanya.

Jumlah ramalan yang salah boleh menjadi sangat tinggi, dan sebilangan orang keberatan pada prinsipnya menggunakan data dan komputer dengan cara ini. Untuk kedua-dua perkara ini, para penyelidik menjawab bahawa menggunakan komputer - apa yang mereka sebut pembelajaran mesin - hanyalah alat.

"Ini tidak membuat keputusan untuk orang-orang," kata Sorenson. Pilihan ini "mungkin diberitahu oleh kebijaksanaan yang diperoleh selama bertahun-tahun pengalaman, tetapi juga kebijaksanaan yang hanya ada di ruang sidang itu. Pembelajaran mesin melangkaui satu ruang sidang ke komuniti yang lebih luas. "

Dalam beberapa pengaturan keadilan jenayah, penggunaan pembelajaran mesin sudah rutin, walaupun berbagai jenis keputusan memerlukan set data yang berbeza dari mana komputer mesti belajar, kata para penyelidik. Teknik statistik yang mendasari, bagaimanapun, tetap sama, tambahnya.

Penyelidik Pennsylvania percaya pembelajaran mesin dapat meningkatkan amalan semasa.

"Algoritma tidak sempurna. Mereka memiliki kekurangan, tetapi ada peningkatan data untuk menunjukkan bahwa mereka memiliki kekurangan lebih sedikit daripada cara yang ada untuk membuat keputusan ini, "kata Berk.

"Anda boleh mengecam mereka - dan anda seharusnya kerana kita selalu dapat menjadikannya lebih baik - tetapi, seperti yang kita katakan, anda tidak boleh membiarkan yang sempurna menjadi musuh kebaikan."

Kajian ini diterbitkan di Jurnal Kajian Perundangan Empirikal.

Sumber: Universiti Pennsylvania