L'apprentissage par ordinateur peut aider à réduire la violence domestique répétée

Une nouvelle étude a révélé que l'utilisation de l'analyse des données et de l'apprentissage informatique lors d'une mise en accusation pour analyser les chances d'un incident de violence domestique répété réduisait de moitié les nouveaux cas, entraînant ainsi plus de 1000 arrestations de moins par an dans une grande région métropolitaine.

Après une arrestation, la première comparution devant le tribunal est généralement la mise en accusation préliminaire, lorsqu'un juge ou un magistrat décide de libérer le suspect ou de le garder en prison, en fonction de la probabilité que la personne revienne au tribunal ou commette de nouveaux crimes.

Les mises en accusation sont généralement très courtes, avec des décisions basées sur des données limitées. Cependant, les Drs. Richard Berk et Susan B. Sorenson de l'Université de Pennsyvania ont constaté que l'utilisation de prévisions informatiques lors de ces procédures peut réduire considérablement les arrestations ultérieures pour violence domestique.

«Un grand nombre de décisions de justice pénale rendues par la loi exigent des projections du risque pour la société. Ces menaces sont appelées «dangerosité future» », a déclaré Berk, professeur de criminologie et de statistiques à la Penn’s School of Arts & Sciences et à la Wharton School.

«De nombreuses décisions, comme les mises en accusation, sont en quelque sorte le siège du pantalon. La question est de savoir si nous pouvons faire mieux que cela, et la réponse est oui, nous le pouvons. C'est une barre très basse. "

Pour les crimes de violence domestique entre partenaires intimes, parents et enfants, ou même frères et sœurs, il y a généralement une menace pour une personne en particulier, a déclaré Sorenson, professeur de politique sociale à la School of Social Policy & Practice de Pennsylvanie qui dirige également le Evelyn Jacobs Ortner Center. sur la violence familiale.

«Ce n’est pas un problème de sécurité publique en général», a-t-elle déclaré. «Avec une accusation de violence domestique, disons qu’un gars - et c’est généralement un gars - est arrêté pour cela et attend son procès. Il ne va pas attaquer une femme au hasard. Le risque est une nouvelle agression de la même victime. »

Pour comprendre comment l'apprentissage par ordinateur pourrait aider dans les affaires de violence domestique, Berk et Sorenson ont obtenu des données sur plus de 28 000 mises en accusation pour violence domestique entre janvier 2007 et octobre 2011. Ils ont également examiné une période de suivi de deux ans après leur libération qui s'est terminée en octobre 2013. .

Un ordinateur peut «apprendre» quels types d'individus sont susceptibles de récidiver, selon les scientifiques. Pour cette recherche, les 35 données initiales comprenaient l'âge, le sexe, les mandats et peines antérieurs et l'emplacement de résidence.

Ces points de données aident l'ordinateur à comprendre les associations appropriées pour le risque projeté, offrant des informations supplémentaires à un fonctionnaire du tribunal qui décide de libérer ou non un délinquant.

«Dans toutes sortes de contextes, il vaut mieux faire comprendre cela à l'ordinateur que de nous le faire comprendre», a déclaré Berk.

Cela ne veut pas dire qu'il n'y a pas d'obstacles à son utilisation, a-t-il noté.

Le nombre de prédictions erronées peut être trop élevé, et certaines personnes s'opposent en principe à l'utilisation de données et d'ordinateurs de cette manière. À ces deux points, les chercheurs répondent que l'utilisation de l'ordinateur - ce qu'ils appellent l'apprentissage automatique - n'est qu'un outil.

«Il ne prend pas les décisions pour les gens du tout», a déclaré Sorenson. Ces choix «peuvent être éclairés par la sagesse acquise au fil des années d’expérience, mais c’est aussi la sagesse qui ne s’est accumulée que dans cette salle d’audience. L'apprentissage automatique va au-delà d'une salle d'audience pour une communauté plus large. »

Dans certains contextes de justice pénale, l'utilisation de l'apprentissage automatique est déjà courante, bien que différents types de décisions nécessitent différents ensembles de données à partir desquels l'ordinateur doit apprendre, ont noté les chercheurs. Les techniques statistiques sous-jacentes restent cependant les mêmes, ont-ils ajouté.

Les chercheurs de Pennsylvanie pensent que l'apprentissage automatique peut améliorer les pratiques actuelles.

«Les algorithmes ne sont pas parfaits. Ils ont des défauts, mais il existe de plus en plus de données pour montrer qu'ils ont moins de défauts que les moyens existants de prendre ces décisions », a déclaré Berk.

«Vous pouvez les critiquer - et vous devriez le faire car nous pouvons toujours les améliorer - mais, comme nous le disons, vous ne pouvez pas laisser le parfait être l’ennemi du bien.»

L'étude a été publiée dans Le Journal of Empirical Legal Studies.

Source: Université de Pennsylvanie