Criminal Justice Forecasts of Risk: A Machine Learning Approach

روش های یادگیری ماشین و تخمین تابع ناپارامتریک می توانند به طور موثر در پیش بینی استفاده شوند. یکی از کاربردهای مهم و جاری برای پیش‌بینی «خطرناکی آینده» برای اطلاع‌رسانی به تصمیم عدالت کیفری استفاده می‌شود. مثال‌هایی از جمله تصمیم برای آزادی مشروط یک فرد، تعیین شرایط آزادی مشروط، توصیه‌های وثیقه و صدور حکم است. از دهه 1920، \ "ارزیابی خطر" از انواع مختلفی در جلسات دادرسی آزادی مشروط استفاده شده است، اما در دسترس بودن کنونی پایگاه های داده اداری بزرگ، قدرت محاسباتی ارزان، و پیشرفت در آمار و علوم کامپیوتر، دقت و کاربرد آنها را افزایش داده است. در این کتاب، این پیشرفت ها عبارتند از با تأکید ویژه بر ابزارهای آماری و علوم رایانه، تحت عنوان یادگیری نظارت شده، در نظر گرفته شده است که می تواند این نوع پیش بینی ها را در محیط های عدالت کیفری به طور چشمگیری بهبود بخشد. مخاطبان مورد نظر محققان علوم اجتماعی و تحلیلگران داده در سازمان های عدالت کیفری هستند. /p>

Machine learning and nonparametric function estimation procedures can be effectively used in forecasting. One important and current application is used to make forecasts of “future dangerousness" to inform criminal justice decision. Examples include the decision to release an individual on parole, determination of the parole conditions, bail recommendations, and sentencing. Since the 1920s, "risk assessments" of various kinds have been used in parole hearings, but the current availability of large administrative data bases, inexpensive computing power, and developments in statistics and computer science have increased their accuracy and applicability. In this book, these developments are considered with particular emphasis on the statistical and computer science tools, under the rubric of supervised learning, that can dramatically improve these kinds of forecasts in criminal justice settings. The intended audience is researchers in the social sciences and data analysts in criminal justice agencies.