Designing AI for Prosecutorial Governance: Case Prioritization and Statutory Oversight in Mexico
Dieses Papier präsentiert ein gemeinsam entwickeltes maschinelles Lernsystem für die Staatsanwaltschaft des Bundesstaates Zacatecas in Mexiko, das Random-Forest-Klassifikatoren nutzt, um Zeitpläne für die Fallabschließung vorherzusagen und priorisierte Listen zu erstellen, um die Effizienz der Staatsanwaltschaft zu verbessern, ohne bestehende Arbeitsabläufe zu stören.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine riesige Bibliothek vor, in der jedes Buch einen Strafprozess repräsentiert. Im Bundesstaat Zacatecas, Mexiko, ertrinken die Bibliothekare (Staatsanwälte). Sie haben über 234.000 Bücher in ihren Regalen, aber sie haben nur genug Hände, um pro Woche ein paar hundert zu prüfen. Viele Bücher liegen jahrelang unberührt herum und setzen Staub an, während jeden Tag neue dazukommen. Das Ergebnis? Ein riesiger Stapel „ungelesener“ Fälle, und einige dieser Bücher könnten sogar rechtlich abgelaufen sein (wie ein Bibliotheksbuch, das so alt ist, dass die Bibliothek keine Strafe mehr dafür verlangen kann).
Dieses Papier beschreibt ein Projekt, bei dem Datenwissenschaftler mit diesen Bibliothekaren zusammengearbeitet haben, um einen intelligenten Sortierroboter zu bauen. Dieser Roboter trifft keine Entscheidungen, schreibt keine Berichte und verhaftet niemanden. Stattdessen fungiert er wie ein sehr organisierter Assistent, der flüstert: „Hey, schau dir zuerst diese 300 Bücher an; das sind die, die wahrscheinlich bald fertiggestellt werden können.“
So funktioniert das System, unterteilt in einfache Teile:
1. Das Problem: Der „endlose Stapel“
Die Staatsanwälte haben einen speziellen Bereich der Bibliothek namens MAT (Early Attention Module). Hier treffen die neuen Fälle ein. Da so viele Fälle reinkommen und so wenige abgeschlossen werden, wächst der Stapel. Die Staatsanwälte benötigen eine Möglichkeit herauszufinden, welche Fälle „bereit zur Erledigung“ sind (wahrscheinlich in den nächsten sechs Monaten abgeschlossen werden) und welche „feststecken“ (wahrscheinlich ewig dort liegen bleiben oder bereits ihre rechtliche Verfallsfrist überschritten haben).
2. Die Lösung: Eine „Kristallkugel“ für Fälle
Das Team hat ein Computerprogramm (ein Machine-Learning-Modell) entwickelt, das die Geschichte jedes Falls betrachtet. Denken Sie an einen Wettervorhersager, aber anstatt Regen vorherzusagen, sagt er die Abschlussrate eines Falles voraus.
- Worauf es schaut: Der Roboter liest nicht die ganze Geschichte des Verbrechens. Stattdessen betrachtet er die „Fußabdrücke“, die im digitalen System hinterlassen wurden. Ist der Fall vor kurzem von einem Schreibtisch zum anderen gewandert? Hat ein Anwalt die Akte aktualisiert? Wie lange ist es her, seit die Akte zuletzt angefasst wurde?
- Der magische Trick: Durch das Studium von 10 Jahren Geschichte (2014–2024) lernte der Roboter, dass bestimmte Muster (wie etwa der Transfer einer Akte zwischen Teams) meistens bedeuten, dass ein Fall kurz vor dem Abschluss steht.
3. Der zweigleisige Ansatz
Der Roboter erledigt zwei Aufgaben gleichzeitig, wie ein Verkehrspolizist, der Autos in zwei Richtungen lenkt:
Aufgabe A: Die „Go“-Liste (Top 300)
Jede Woche wählt der Roboter die obersten 300 Fälle aus, die am wahrscheinlichsten innerhalb der nächsten sechs Monate abgeschlossen werden können. Er übergibt diese Liste den Staatsanwälten. Das Ziel ist es, ihnen zu helfen, die „leichten Siege“ schnell abzuarbeiten, um den Arbeitsfluss in Gang zu halten.- Das Ergebnis: Der Roboter ist überraschend gut darin. Bei Tests identifizierte er „abschließbare“ Fälle in seinen Top-300-Auswahlen etwa 74 % der Zeit. Das ist wesentlich besser als bloßes Raten oder das zufällige Auswählen von Fällen.
Aufgabe B: Die „Stop“-Liste (Bottom 1.000)
Der Roboter schaut sich auch das untere Ende des Stapels an – die 1.000 Fälle, die scheinbar niemals fertiggestellt werden. Er prüft, ob diese Fälle so lange liegen geblieben sind, dass sie möglicherweise die gesetzliche Verjährungsfrist (statutory prescription) überschritten haben.- Das Ergebnis: Etwa 32 % dieser „feststeckenden“ Fälle scheinen die rechtliche Verfallsfrist bereits überschritten zu haben. Dies gibt den Staatsanwälten eine „To-Do-Liste“ für die administrative Bereinigung: „Prüfen Sie diese Dateien; sie könnten rechtlich tot sein und geschlossen werden können.“
4. Wie es in der Praxis funktioniert
Die Autoren betonen vorsorglich, dass dieser Roboter kein Chef ist. Er sagt den Staatsanwälten nicht, was sie tun sollen.
- Die Analogie: Stellen Sie sich ein GPS im Auto vor. Das GPS sagt: „Der Verkehr auf dieser Straße ist schwer, versuchen Sie eine andere Route.“ Aber der Fahrer entscheidet immer noch, ob er die Route nimmt oder nicht. Ähnlich verhält es sich mit den Staatsanwälten: Sie entscheiden immer noch, an welchen Fällen sie arbeiten. Der Roboter hebt lediglich die hervor, die vielversprechend aussehen.
- Der Plan: Das Team führt derzeit einen Praxistest durch (eine „Randomized Controlled Trial“). Sie werden die „Top 300“-Liste einigen Staatsanwälten geben und sehen, ob diese mehr Fälle abschließen als die Staatsanwälte, die die Liste nicht erhalten.
5. Warum das wichtig ist
Dieses Projekt ist besonders, weil es mit den Staatsanwälten entwickelt wurde, nicht nur für sie.
- Es passt in den Arbeitsablauf: Es erfordert nicht, dass sie neue Software lernen oder ihre Arbeitsweise ändern. Es liefert ihnen lediglich eine wöchentliche Liste.
- Es ist transparent: Der Roboter nutzt einfache, verständliche Regeln (wie „Wie oft wurde die Akte bewegt?“) anstatt einer mysteriösen „Black Box“.
- Es löst zwei Probleme: Es hilft, den Rückstau zu beseitigen (Effizienz) und hilft gleichzeitig, abgelaufene Fälle zu finden (rechtliche Aufsicht).
Das Fazit
Das Papier zeigt, dass eine Regierungsbehörde durch den Einsatz von Daten zur Organisation eines chaotischen Arbeitstapels smarter arbeiten kann, ohne mehr Personal einzustellen. Der Roboter fungiert als Filter, der den menschlichen Experten hilft, ihre Energie auf die Fälle zu konzentrieren, die am wahrscheinlichsten voranschreiten werden, während er gleichzeitig jene Fälle markiert, die zu lange vergessen wurden. Er ist ein Werkzeug, das den Bibliothekaren hilft, die Bibliothek zu verwalten, und kein Ersatz für die Bibliothekare selbst.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.