2013年2月，美國威斯康星州拉克羅斯（La Crosse）警方拘捕了 Eric Loomis，因為後者駕駛的汽車曾在一宗駕車槍擊案中被使用過。由於躲避警方追捕以及未經主人許可使用汽車等罪名，威斯康星高等法院近日判處 Loomis 六年監禁。
而讓這起案件引起關注的是，法官做出此項判決時，並非只是因為 Loomis 有多次犯罪記錄，他們還參考了電腦算法給出的「危險性評分」——電腦告訴法官，Loomis 在未來「很可能」會參與暴力犯罪。
在這起案件中，當地法官使用的是 Northpointe 公司開發的危險性評分商業軟件 Compas。該公司稱，被這一軟件評為「高危險性」的嫌犯，於兩年內再次被捕的概率達到70%。
有報導指出，這類危險性評分系統在美國的法庭審判中被越來越多地使用。通過輸入嫌犯的被捕記錄、犯罪類型、人口統計信息等資料，電腦就會給出嫌犯的危險性評分，並提供給法庭作為量刑參考。軟件開發者認為，這類工具可以減少人類法官的下意識偏見、情緒以及其他缺陷在斷案時造成的影響，因此更為「公平」。
與這類算法相關的研究並不鮮見，賓夕法尼亞大學（UPenn）犯罪學與統計學教授 Richard Berk 就是該領域的一位重要研究者。他自上世紀60年代末開始研究犯罪學，並於90年代中期開始專注於機器學習（Machine Learning）——一類從大量數據中自動分析獲得規律，並利用規律對未知數據進行預測的算法。
Berk 研發出的模型吸收了數萬人的檔案數據，包括每個人首次被捕的年齡、居住區域、在獄中生活的時間、釋放後是否再次被捕等信息，然後通過這些數據分析出一套模式。
他認為，關於犯罪問題其實並沒有很完善的理論，恰好機器學習方法的優點就在於，它並不需要了解某個人變得暴力的原因，而只需要足夠多的數據。他還特別指出，該模型並不需要輸入嫌犯的種族，其得出的危險性評分在不同種族之間也未見明顯差異，這表明算法消除了種族因素上的人為偏見。
Berk 開發的模型已經被應用於許多方面，包括幫助監獄判斷哪些囚犯需要被關在限制區域；假釋部門應如何密切監視假釋囚犯；警方預測哪些因為家庭暴力而被捕的人會再次犯案；哪些工作場所更可能違反安全規定等等。他目前正在研發的算法甚至希望根據出生時收集的數據，預測一個人到18歲時是否會犯罪。Berk 坦言，對這項研究最大的限制是缺乏數據。
不過，一些反對者認為，這類軟件不符合程序，其不透明的計算方式不應作為法庭判據；也有人指出，因被評分為「高危險性」而遭判重罪的人，其實是在替他人的犯罪行為承擔責任，因為這類軟件本質上是在對大量罪犯信息作統計分析。
聲音
這是關於犯罪分析的創新研究，我們力求在問題出現之前，預測案件會在哪裏發生。
我們急於奔向未來，自以為減少了數據中潛在的偏見，但大數據危險性評估目前還缺乏適當的研究論證。
非裔美國人槍擊事件
來源：紐約時報