Los avances en el aprendizaje automático y la inteligencia artificial han despertado el interés de los gobiernos a quienes les gustaría usar estas herramientas para la vigilancia predictiva para disuadir el crimen. Sin embargo, los primeros esfuerzos en la predicción del delito han sido controvertidos porque no tienen en cuenta los sesgos sistémicos en la aplicación de la policía y su compleja relación con el delito y la sociedad.
Científicos sociales y de datos de la Universidad de Chicago han desarrollado un nuevo algoritmo que pronostica delitos aprendiendo patrones en el tiempo y ubicaciones geográficas a partir de datos públicos sobre delitos violentos y contra la propiedad. El modelo puede predecir futuros delitos con una semana de antelación con un 90 % de precisión.
En un modelo separado, el equipo de investigación también estudió la respuesta policial al crimen analizando el número de arrestos luego de los incidentes y comparando esas tasas entre vecindarios con diferentes niveles socioeconómicos. Vieron que el crimen en áreas más ricas resultó en más arrestos, mientras que los arrestos en vecindarios desfavorecidos disminuyeron. Sin embargo, el crimen en los barrios pobres no condujo a más arrestos, lo que sugiere un sesgo en la respuesta y aplicación de la policía.
“Lo que estamos viendo es que cuando se estresa el sistema, se requieren más recursos para arrestar a más personas en respuesta al crimen en un área rica y se desvían los recursos policiales de las áreas de nivel socioeconómico más bajo”, dijo Ishanu Chattopadhyay, PhD, Profesor Asistente. de Medicina en UChicago y autor principal del nuevo estudio, que se publicó esta semana en Naturaleza Comportamiento Humano.
La herramienta se probó y validó utilizando datos históricos de la ciudad de Chicago en torno a dos amplias categorías de eventos informados: delitos violentos (homicidios, agresiones y lesiones) y delitos contra la propiedad (robos, hurtos y robos de vehículos motorizados). Estos datos se usaron porque era más probable que se reportaran a la policía en áreas urbanas donde históricamente existe desconfianza y falta de cooperación con las fuerzas del orden. Dichos delitos también son menos propensos al sesgo de aplicación, como es el caso de los delitos de drogas, las detenciones de tráfico y otras infracciones por delitos menores.
Esfuerzos anteriores en la predicción del crimen a menudo usan un enfoque epidémico o sísmico, donde el crimen se describe como emergente en «puntos críticos» que se extienden a las áreas circundantes. Sin embargo, estas herramientas pasan por alto el complejo entorno social de las ciudades y no consideran la relación entre el crimen y los efectos de la aplicación policial.
“Los modelos espaciales ignoran la topología natural de la ciudad”, dijo el sociólogo y coautor James Evans, PhD, profesor Max Palevsky en UChicago y el Instituto Santa Fe. “Las redes de transporte respetan calles, pasarelas, líneas de tren y autobús. Las redes de comunicación respetan áreas de antecedentes socioeconómicos similares. Nuestro modelo permite el descubrimiento de estas conexiones”.
El nuevo modelo aísla el crimen observando el tiempo y las coordenadas espaciales de eventos discretos y detectando patrones para predecir eventos futuros. Divide la ciudad en mosaicos espaciales de aproximadamente 1,000 pies de ancho y predice el crimen dentro de estas áreas en lugar de depender de los vecindarios tradicionales o los límites políticos, que también están sujetos a prejuicios. El modelo funcionó igual de bien con datos de otras siete ciudades de EE. UU.: Atlanta, Austin, Detroit, Los Ángeles, Filadelfia, Portland y San Francisco.
“Demostramos la importancia de descubrir patrones específicos de la ciudad para la predicción de delitos denunciados, lo que genera una nueva visión de los vecindarios de la ciudad, nos permite hacer preguntas novedosas y nos permite evaluar la acción policial de nuevas maneras”, dijo Evans.
Chattopadhyay tiene cuidado de señalar que la precisión de la herramienta no significa que deba usarse para dirigir a las fuerzas del orden, ya que los departamentos de policía la usan para invadir los vecindarios de manera proactiva para prevenir el crimen. En cambio, debería agregarse a una caja de herramientas de políticas urbanas y estrategias policiales para abordar el crimen.
“Creamos un gemelo digital de entornos urbanos. Si lo alimenta con datos de lo que sucedió en el pasado, le dirá lo que sucederá en el futuro. No es mágico, hay limitaciones, pero lo validamos y funciona muy bien”, dijo Chattopadhyay. “Ahora puede usar esto como una herramienta de simulación para ver qué sucede si la delincuencia aumenta en un área de la ciudad o si aumenta la vigilancia en otra área. Si aplica todas estas variables diferentes, puede ver cómo evoluciona el sistema en respuesta”.
El estudio, «Predicción a nivel de eventos de la delincuencia urbana revela la firma del sesgo de cumplimiento en las ciudades de EE. UU.», fue apoyado por la Agencia de Proyectos de Investigación Avanzada de Defensa y el Neubauer Collegium for Culture and Society. Otros autores incluyen a Victor Rotaru, Yi Huang y Timmy Li de la Universidad de Chicago.
Regístrese para recibir el boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1