Machine Learning Risk Assessments in Criminal Justice Settings

این کتاب جدیدترین کار ریچارد برک در مورد پیش‌بینی ارتکاب جرم مجدد توسط افرادی که قبلاً در بازداشت عدالت کیفری هستند را در یک مکان و به شکل قابل دسترس قرار می‌دهد. نویسنده با استفاده از روش‌های آماری یادگیری ماشینی آموزش‌دیده بر روی مجموعه‌های داده بسیار بزرگ، معرفی صریح هزینه‌های نسبی خطاهای پیش‌بینی در حین ساخت پیش‌بینی‌ها، و تاکید بر به حداکثر رساندن دقت پیش‌بینی، نشان می‌دهد که چگونه دهه‌ها تحقیق او در مورد این موضوع، پیش‌بینی ریسک را بهبود می‌بخشد. .

پیش‌بینی‌های ریسک عدالت کیفری به جای «پلیس پیش‌بینی‌کننده» برای مکان‌ها در زمان و مکان، که یک شرکت بسیار متفاوت است که از داده‌های مختلف از ابزارهای تجزیه و تحلیل داده‌های مختلف استفاده می‌کند، رفتار آینده افراد مشخص را پیش‌بینی می‌کند.

p>

مخاطبان این کتاب شامل دانشجویان تحصیلات تکمیلی و پژوهشگران علوم اجتماعی و تحلیلگران داده در سازمان های عدالت کیفری است. ریاضیات رسمی فقط در صورت لزوم یا در هماهنگی با توضیحات شهودی تر استفاده می شود.

This book puts in one place and in accessible form Richard Berk’s most recent work on forecasts of re-offending by individuals already in criminal justice custody. Using machine learning statistical procedures trained on very large datasets, an explicit introduction of the relative costs of forecasting errors as the forecasts are constructed, and an emphasis on maximizing forecasting accuracy, the author shows how his decades of research on the topic improves forecasts of risk.

Criminal justice risk forecasts anticipate the future behavior of specified individuals, rather than “predictive policing” for locations in time and space, which is a very different enterprise that uses different data different data analysis tools.

The audience for this book includes graduate students and researchers in the social sciences, and data analysts in criminal justice agencies. Formal mathematics is used only as necessary or in concert with more intuitive explanations.