La inteligencia artificial podría ayudar a evaluar las decisiones de libertad condicional

Durante la última década, los legisladores se han esforzado por reducir el encarcelamiento en los Estados Unidos sin afectar la seguridad pública. Este esfuerzo incluye juntas de libertad condicional que toman decisiones de libertad condicional basadas en el riesgo, liberando a personas evaluadas como de bajo riesgo de cometer un delito después de ser liberadas.

Para determinar qué tan efectivo es el sistema actual de libertad condicional basada en el riesgo, los investigadores del Programa de Investigación de Prevención de la Violencia de UC Davis y la Universidad de Missouri, Kansas City, utilizaron el aprendizaje automático para analizar los datos de libertad condicional de Nueva York.

Sugieren que la Junta de Libertad Condicional del Estado de Nueva York podría otorgar la libertad condicional de manera segura a más reclusos. El estudio, «Una evaluación algorítmica de las decisiones de libertad condicional», se publicó en el Revista de Criminología Cuantitativa.

«Estimamos de forma conservadora que la junta podría haber más que duplicado la tasa de liberación sin aumentar la tasa total o de arrestos por delitos violentos. Y podrían haber logrado estas ganancias y al mismo tiempo eliminar las disparidades raciales en las tasas de liberación», dijo Hannah S. Laqueur, profesora asistente. en el Departamento de Medicina de Emergencia y autor principal del estudio.

Según la Oficina de Estadísticas de Justicia, a fines de 2021, la población carcelaria de las instalaciones correccionales estatales, federales y militares en los EE. UU. era de 1 204 300.

Métodos

El equipo usó el algoritmo de aprendizaje automático SuperLearner para predecir cualquier arresto, incluido un arresto por delito grave violento, dentro de los tres años posteriores a la liberación de una persona de la prisión.

El algoritmo analizó 91 variables para predecir el riesgo de delincuencia. Estos incluyeron edad, sentencia mínima y máxima, tipo de prisión, raza, tiempo en prisión, arrestos previos y otros criterios.

Los investigadores entrenaron sus modelos de predicción de riesgos con datos de 4168 personas que fueron puestas en libertad condicional en Nueva York entre 2012 y 2015.

Los autores implementaron varias pruebas para validar el algoritmo en la población completa de personas en libertad condicional. Esto incluyó a personas que tuvieron audiencias y la junta les negó la libertad condicional, pero luego fueron liberadas al final de su sentencia máxima (6,784 personas).

Resultados

El algoritmo de aprendizaje automático encontró que los riesgos previstos para aquellos a los que se les negó la libertad condicional y los liberados son muy similares. Esto sugiere que las personas de bajo riesgo pueden haber permanecido encarceladas, mientras que las personas de alto riesgo fueron liberadas.

Los autores señalan que no abogan por reemplazar a los tomadores de decisiones humanos con algoritmos para evaluar quién debe ser liberado de prisión. En cambio, ven un papel para los algoritmos para diagnosticar problemas en el sistema de libertad condicional actual.

«Este estudio demuestra la utilidad de los algoritmos para evaluar la toma de decisiones de la justicia penal. Nuestros análisis sugieren que a muchas personas se les niega la libertad condicional y se las encarcela más allá de su sentencia mínima a pesar de ser un riesgo bajo para la seguridad pública. Esperamos que al proporcionar datos sobre los riesgos previstos , podemos ayudar a los esfuerzos de reforma», dijo Laqueur.