The Likelihood Ratio Wall: Structural Limits on Accurate Risk Assessment for Rare Violence
تجادل هذه الورقة بأن أدوات تقييم المخاطر السابقة للمحاكمة تواجه "جدار نسبة الأرجحية" الجوهري، حيث تمنع ندرة العود الإجرامي العنيف والتحيزات الهيكلية مثل الإفراط في العمل الشرطي رياضياً التنبؤات الفردية عالية الثقة، مما يجعل الأدوات الحالية عرضة لمعدلات مرتفعة من الإيجابيات الكاذبة التي لا يمكن معالجتها عن طريق إعادة المعايرة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك قاضٍ تحاول اتخاذ قرار بشأن إبقاء متهم في السجن قبل محاكمته. لديك "أداة تقييم مخاطر" جديدة تمسح تاريخه وتمنحه تصنيفاً: "عالي الخطورة لارتكاب أعمال عنف".
من المفترض أن تخبرك الأداة: "إذا تركنا هذا الشخص يذهب، فهناك احتمال كبير أن يرتكب جريمة عنيفة".
هذه الورقة البحثية تجادل بأنه، من الناحية الرياضية، هذه الأداة تكذب عليك دائماً تقريباً عندما تصف شخصاً ما بأنه "عالي الخطورة" فيما يتعلق بالجرائم العنيفة النادرة. فحتى لو بدت الأداة مثيرة للإعجاب على الورق، فإن الواقع يشير إلى أن معظم الأشخاص الذين صنفتهم بأنهم "خطرون" كانوا سيبقون مسالمين لو أُطلق سراحهم.
إليك تفصيل سبب حدوث ذلك، باستخدام تشبيهات بسيطة.
1. مشكلة "الإبرة في كومة القش" (المعدل الأساسي)
إعادة الاعتقال بسبب جرائم عنف هي أمر نادر جداً. في معظم الأماكن، يقوم حوالي 2 إلى 5 من كل 100 شخص يتم إطلاق سراحهم بارتكاب جريمة عنيفة جديدة.
تخيل أنك حارس أمن في ملعب ضخم يضم 10,000 شخص. أنت تبحث عن شخص واحد يحمل سلاحاً بشكل سري ("المجرم العنيف").
- "أداة تقييم المخاطر" هي جهاز كشف المعادن.
- المشكلة هي أن جهاز كشف المعادن ليس مثالياً؛ فهو أحياناً يصدر أصوات تنبيه لأشياء غير ضارة مثل أحزمة الخصر أو المفاتيح (إنذارات كاذبة).
بما أن "الرجل السيئ" نادر جداً (واحد من كل 10,000)، فحتى جهاز كشف المعادن الجيد جداً سيصدر تنبيهات لأشخاص أبرياء بمعدل أكبر بكثير مما سيصدر فيه تنبيهاً للتهديد الفعلي. تطلق الورقة على هذا اسم "جدار نسبة الاحتمالية" (Likelihood Ratio Wall).
2. الجدار الذي لا يمكنك تسلقه
يثبت المؤلفون قاعدة رياضية: لكي تكون الأداة دقيقة بنسبة 50% من الوقت (بمعنى أنه إذا قالت الأداة "عالي الخطورة"، فهناك فرصة نصف ونصف أن يكون الشخص خطيراً بالفعل)، يجب أن تكون الأداة بارعة للغاية في رصد "الإبرة".
- الواقع: الأدوات الحالية تشبه جهاز كشف معادن يصدر تنبيهاً لأحزمة الخصر 10 مرات مقابل كل مرة يكتشف فيها سلاحاً حقيقياً.
- المتطلب: لكي تكون الأداة صحيحة في نصف الحالات، يجب أن تكون أفضل بـ 30 إلى 50 مرة في رصد السلاح مقارلة برصد حزام الخصر.
التشبيه: تخيل أنك تحاول العثور على حبة رمل محددة على الشاطئ. إذا كان "جهاز البحث عن الرمل" الخاص بك يلتقط 100 حبة رمل مقابل كل حبة ذهب واحدة، وكان الذهب نادراً للغاية، فسينتهي بك الأمر وأنت تحمل دلواً مليئاً بالرمل معتقداً أنك وجدت ذهباً. الأداة ليست "معطلة"؛ بل المشكلة هي أن الذهب نادر جداً لدرما يعمل الجهاز بشكل جيد.
تظهر الورقة أن الأدوات الحالية ليست قريبة حتى من تجاوز هذا الجدار. فعندما تصنف شخصاً ما بأنه "عالي الخطورة"، فهي غالباً ما تكون مخطئة.
3. لماذا لا يساعد "ضبط" الأداة (إعادة المعايرة)
قد تعتقد: "ألا يمكننا فقط ضبط إعدادات الأداة لجعلها أكثر دقة؟"
يقول المؤلفون: لا. هم يثبتون أن تغيير الأرقام (إعادة المعايرة) يشبه إعادة طلاء جهاز كشف المعادن. يمكنك جعل مظهره أكثر أناقة أو تغيير مستوى صوت التنبيه، لكن لا يمكنك تغيير حقيقة أنه لا يزال يصدر تنبيهات لأحزمة الخصر.
إذا كانت البيانات الأساسية (مثل سجل الاعتقالات، أو التهم السابقة، إلخ) لا تحتوي على إشارة قوية بما يكفي للفصل بين العنيف وغير العنيف، فلا توجد كمية من الحيل الرياضية يمكنها خلق هذه الإشارة من العدم. "الجدار" هو عائق هيكلي، وليس خطأً في البرمجيات.
4. "سقف المراقبة" (لماذا يتم تصنيف مجموعات معينة بشكل أكبر)
تشير الورقة أيضاً إلى مفارقة قاسية: المراقبة المفرطة تجعل الأداة أسوأ لبعض المجموعات.
تخيل حيين، الحي (أ) والحي (ب).
- الحي (أ): تتم مراقبته بشكل طبيعي.
- الحي (ب): يخضع لمراقبة مفرطة. الشرطة موجودة هناك باستمرار، وتفتش جيوب الجميع وسجلاتهم.
حتى لو لم يكن الناس في الحي (ب) أكثر عنفاً من الناس في الحي (أ)، فإنهم يراكمون المزيد من "علامات الخطورة" (مثل الاعتقالات السابقة أو عدم المثول أمام المحكمة) ببساً لأنهم تحت المراقبة الوثيقة.
التشبيه:
- في الحي (أ)، قد يحصل الشخص على "علامة خطورة" فقط إذا ارتكب شيئاً خاطئاً بالفعل.
- في الحي (ب)، يحصل الشخص على "علامة خطورة" لمجرد وجوده في المكان الخاطئ في الوقت الخاطئ، أو بسبب مخالفة بسيطة كان يتجاهلها رجال الشرطة في الحي (أ).
تثبت الورقة أنه نظرًا لأن الحي (ب) يحتوي على المزيد من "العلامات الكاذبة" (أشخاص أبرياء تم تصنيفهم من قبل النظام)، فإن الأداة تصبح أقل دقة بالنسبة لهم. تصطدم الأداة بـ "سقف المراقبة" حيث لا يمكنها أن تكون دقيقة مهما بلغت ذكاء الخوارزمية. ينتهي بها الأمر بتصنيف الأبرياء في الحي (ب) بمعدل أعلى بكثير، مما يجعل ملصق "عالي الخطورة" أقل موثوقية بالنسبة لهم.
5. "العدد المطلوب للاحتجاز" (التكلفة البشرية)
يترجم المؤلفون هذه المشاكل الرياضية إلى تكلفة في العالم الحقيقي: كم عدد الأشخاص الذين يتعين علينا حبسهم لمنع جريمة عنف واحدة؟
- إذا كانت الأداة صحيحة بنسبة 11% من الوقت (وهو ما تشير إليه الرياضيات في مستويات الأداء الحالية)، فهذا يعني أنه يتعين عليك احتجاز 9 أشخاص لمنع جريمة عنف واحدة.
- وهذا يعني أن 8 من هؤلاء التسعة كانوا أبرياء من العنف المستقبلي وحُرموا من حريتهم دون داعٍ.
الخلاصة
تخلص الورقة إلى أنه بالنسبة للجرائم العنيفة النادرة، فإن البيانات المتوفرة لدينا حالياً (السجلات الجنائية، تاريخ الاعتقال، إلخ) ليست قوية بما يكفي لدعم قرارات عالية الثقة بشأن حبس الأشخاص.
عندما يرى القاضي ملصق "عالي الخطورة لارتكاب أعمال عنف"، فإنه يُقال له إن هذا الشخص من المرجح أن يكون خطيراً. لكن الرياضيات تقول إن هذا الملصق في الواقع مخطئ في 8 أو 9 حالات من أصل 10.
التوصية:
يقترح المؤلفون أنه إذا استمررنا في استخدام هذه الأدوات، فيجب أن نكون صادقين بشأن عدم اليقين. بدلاً من مجرد قول "عالي الخطورة"، يجب أن تقول التقارير:
"هذا الشخص مصنف كعالي الخطورة، ولكن بناءً على البيانات الحالية، هناك احتمال 11% فقط أن يكون هذا التصنيف صحيحاً. لمنع جريمة عنف واحدة، من المرجح أن نحتجز 9 أش personnes لم يرتكبوا جريمة."
تجادل الورقة بأنه حتى نمتلك بيانات أفضل بـ 30 إلى 50 مرة مما لدينا الآن، يجب أن نتوقف عن معاملة ملصقات "عالي الخطورة" هذه كدليل على أن شخصاً ما خطير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.