2013年2月，美国威斯康辛州拉克罗斯（La Crosse）警方拘捕了 Eric Loomis，因为后者驾驶的汽车曾在一宗驾车枪击案中被使用过。由于躲避警方追捕以及未经主人许可使用汽车等罪名，威斯康辛高等法院近日判处 Loomis 六年监禁。
而让这起案件引起关注的是，法官做出此项判决时，并非只是因为 Loomis 有多次犯罪记录，他们还参考了电脑算法给出的“危险性评分”——电脑告诉法官，Loomis 在未来“很可能”会参与暴力犯罪。
在这起案件中，当地法官使用的是 Northpointe 公司开发的危险性评分商业软件 Compas。该公司称，被这一软件评为“高危险性”的嫌犯，于两年内再次被捕的概率达到70%。
有报导指出，这类危险性评分系统在美国的法庭审判中被越来越多地使用。通过输入嫌犯的被捕记录、犯罪类型、人口统计信息等资料，电脑就会给出嫌犯的危险性评分，并提供给法庭作为量刑参考。软件开发者认为，这类工具可以减少人类法官的下意识偏见、情绪以及其他缺陷在断案时造成的影响，因此更为“公平”。
与这类算法相关的研究并不鲜见，宾夕法尼亚大学（UPenn）犯罪学与统计学教授 Richard Berk 就是该领域的一位重要研究者。他自上世纪60年代末开始研究犯罪学，并于90年代中期开始专注于机器学习（Machine Learning）——一类从大量数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。
Berk 研发出的模型吸收了数万人的档案数据，包括每个人首次被捕的年龄、居住区域、在狱中生活的时间、释放后是否再次被捕等信息，然后通过这些数据分析出一套模式。
他认为，关于犯罪问题其实并没有很完善的理论，恰好机器学习方法的优点就在于，它并不需要了解某个人变得暴力的原因，而只需要足够多的数据。他还特别指出，该模型并不需要输入嫌犯的种族，其得出的危险性评分在不同种族之间也未见明显差异，这表明算法消除了种族因素上的人为偏见。
Berk 开发的模型已经被应用于许多方面，包括帮助监狱判断哪些囚犯需要被关在限制区域；假释部门应如何密切监视假释囚犯；警方预测哪些因为家庭暴力而被捕的人会再次犯案；哪些工作场所更可能违反安全规定等等。他目前正在研发的算法甚至希望根据出生时收集的数据，预测一个人到18岁时是否会犯罪。Berk 坦言，对这项研究最大的限制是缺乏数据。
不过，一些反对者认为，这类软件不符合程序，其不透明的计算方式不应作为法庭判据；也有人指出，因被评分为“高危险性”而遭判重罪的人，其实是在替他人的犯罪行为承担责任，因为这类软件本质上是在对大量罪犯信息作统计分析。
声音
这是关于犯罪分析的创新研究，我们力求在问题出现之前，预测案件会在哪里发生。
我们急于奔向未来，自以为减少了数据中潜在的偏见，但大数据危险性评估目前还缺乏适当的研究论证。
非裔美国人枪击事件
来源：纽约时报