A Comparative Simulation Study of the Fairness and Accuracy of Predictive Policing Systems in Baltimore City
यह शोध पत्र बाल्टीमोर शहर में एक व्यापक सिमुलेशन अध्ययन प्रस्तुत करता है जो यह प्रकट करता है कि जबकि प्रेडिक्टिव पुलिसिंग सिस्टम पारंपरिक हॉट स्पॉट्स पुलिसिंग की तुलना में अल्पकाल में अधिक सटीक और निष्पक्ष हो सकते हैं, दोनों दृष्टिकोण समान पूर्वाग्रहों और फीडबैक लूप से ग्रस्त हैं, जिसमें प्रेडिक्टिव सिस्टम दीर्घकाल में असमानताओं को संभावित रूप से बढ़ा सकते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
बाल्टीमोर को एक विशाल, जटिल बगीचे के रूप में कल्पना करें। बगीचे के कुछ हिस्से खरपतवार (अपराध) से भरे हैं, जबकि कुछ साफ हैं। शहर की पुलिस फोर्स उस बागवानी टीम की तरह है, और उनका काम यह तय करना है कि 'वीड-वैैकर्स' (खरपतवार काटने वाली मशीनें) कहाँ भेजनी हैं।
लंबे समय तक, इस टीम ने एक सरल तरीका इस्तेमाल किया जिसे "हॉट स्पॉट्स पुलिसिंग" कहा जाता था। यह कल के बगीचे को देखने जैसा है और यह कहना, "वाह, कल यहाँ बहुत सारी खरपतवार थीं, इसलिए आज मैं फिर से टीम को वहीं भेज दूँगा।" यह हाल के इतिहास पर आधारित एक प्रतिक्रियात्मक (reactive) दृष्टिकोण है।
फिर तकनीक ने उन्हें एक नया उपकरण दिया: "प्रेडिक्टिव पुलिसिंग" (पूर्वानुमानित पुलिसिंग)। यह खरपतवार के लिए एक फैंसी मौसम पूर्वानुमान की तरह है। यह लंबे समय के पैटर्न को समझने के लिए जटिल गणित का उपयोग करता है और भविष्यवाणी करता है कि कल ठीक कहाँ खरपतवार उग आएगी, इस उम्मीद में कि उन्हें फैलने से पहले ही पकड़ा जा सके।
बड़ा सवाल जो हर कोई पूछ रहा था वह यह था: क्या यह नया, हाई-टेक टूल पुराने तरीके की तुलना में अधिक निष्पक्ष है? क्या यह सभी पड़ोस के साथ समान व्यवहार करता है, या यह विशेष रूप से कुछ समूहों को गलत तरीके से निशाना बनाता है?
यह शोध पत्र एक विशाल, 300-दिवसीय वीडियो गेम सिमुलेशन की तरह है जहाँ शोधकर्ताओं ने बाल्टीमोर में पुलिस की भूमिका निभाई ताकि देखा जा सके कि क्या होता है। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने शहर का एक 'डिजिटल ट्विन' बनाया और यह देखने के लिए सिमुलेशन को 20 बार चलाया कि समय के साथ "वीड-वैैकर्स" (पुलिस) का वितरण कैसे होता है।
यहाँ उन्होंने जो पाया, उसे सरल भाषा में समझाया गया है:
1. "अल्पकालिक" बनाम "दीर्घकालिक" जाल
शोधकर्ताओं ने तीन अलग-अलग "बागवानी रणनीतियों" का परीक्षण किया:
- शॉर्ट-टर्म KDE: केवल पिछले एक महीने की खरपतवारों को देखना।
- लॉन्ग-टर्म KDE: पिछले एक साल की खरपतवारों को देखना।
- PredPol (प्रेडिक्टिव पुलिसिंग): वह फैंसी एल्गोरिदम जो सीखता है और भविष्यवाणी करता है।
चौंकाने वाली बात: फैंसी नया टूल (PredPol) खरपतवार खोजने में वास्तव में सबसे अच्छा (सटीक) था और शुरुआत में आम तौर पर सबसे निष्पक्ष भी था। इसने पुलिस अधिकारियों को पुराने "पिछले महीने को देखने" वाले तरीके की तुलना में अधिक समान रूप से फैलाया।
2. "फीडबैक लूप" (एक दुष्चक्र)
यहाँ एक फीडबैक लूप है जिसे एक पहाड़ी से लुढ़कते हुए बर्फ के गोले (snowball) की तरह वर्णित किया गया है।
- यदि आप किसी पड़ोस में अधिक पुलिस भेजते हैं, तो वे अधिक अपराध पाते हैं (क्योंकि वे अधिक बारीकी से देख रहे हैं)।
- कंप्यूटर देखता है "अधिक अपराध मिले!" और अगली बार वहाँ और भी अधिक पुलिस भेज देता है।
- यह एक चक्र बनाता है जहाँ पुलिस उन्हीं स्थानों पर जमा होती रहती है, चाहे वास्तव में वहाँ सबसे अधिक अपराध हो रहा हो या नहीं।
पकड़ने वाली बात: हालांकि फैंसी टूल (PredPol) शुरुआत में निष्पक्ष था, लेकिन यह पहाड़ी से तेजी से नीचे लुढ़का। इसने पूर्वाग्रह (पक्षपात) को अधिक तेज़ी से बढ़ाया। यदि आप सिमुलेशन को बहुत लंबे समय तक चलाते हैं, तो फैंसी टूल सबसे कम निष्पक्ष हो सकता है क्योंकि यह उस चक्र में बहुत जल्दी फंस जाता है।
3. "बाल्टीमोर ट्विस्ट" (यह हमेशा नस्ल के बारे में नहीं है)
ज्यादातर लोग मानते हैं कि ये सिस्टम हमेशा अश्वेत (Black) पड़ोसों को गलत तरीके से निशाना बनाते हैं। शोधकर्ताओं ने बाल्टीमोर में कुछ चौंकाने वाला पाया:
- जब उन्होंने सभी प्रकार के अपराधों के डेटा का उपयोग किया, तो सिमुलेशन ने दिखाया कि पुलिस वास्तव में समय के साथ श्वेत (White) पड़ोसों (जैसे डाउनटाउन) में अधिक भेजी जा रही थी।
- हालाँकि, जब उन्होंने केवल गंभीर हमले (Aggravated Assaults) को देखा, तो पुलिस अश्वेत पड़ोसों में अधिक भेजी गई।
उपमा: एल्गोरिदम को एक GPS की तरह समझें। यदि आप GPS को बताते हैं "मुझे सबसे व्यस्त सड़कें ढूँढो," तो यह आपको एक समृद्ध उपनगर में ले जा सकता है। यदि आप इसे बताते हैं "मुझे सबसे खतरनाक चौराहे ढूँढो," तो यह आपको शहर के दूसरे हिस्से में ले जा सकता है। टूल स्वाभाविक रूप से "बुरा" नहीं है; यह बस आपके द्वारा दिए गए नक्शे का पालन करता है। बाल्टीमोर में, नक्शे ने गंतव्य बदल दिया।
4. "निष्पक्षता बनाम सटीकता" का समझौता
शोधपत्र ने पाया कि "सटीक" होना (अधिकतम अपराध खोजना) स्वचालित रूप से "निष्पक्ष" होने का अर्थ नहीं है।
- कभी-कभी, एक सिस्टम अपराध खोजने में बहुत अच्छा हो सकता है लेकिन पड़ोस के साथ व्यवहार करने में बहुत अनुचित हो सकता है।
- कभी-कभी, एक सिस्टम एक ही समय में निष्पक्ष और सटीक दोनों हो सकता है।
- सबक: आप केवल एक नंबर को नहीं देख सकते। आपको "अपराध पकड़ने के स्कोर" और "निष्पक्षता के स्कोर" दोनों को अलग-अलग जांचना होगा।
5. मुख्य निष्कर्ष
शोधकर्ता कह रहे हैं: "बस चमकदार नए टूल को खरीदें और अच्छे की उम्मीद न करें।"
इससे पहले कि बाल्टीमोर (या कोई भी शहर) वास्तविक जीवन में इन प्रेडिक्टिव सिस्टम का उपयोग करना शुरू करे, उन्हें पहले अपने स्वयं के सिमुलेशन चलाने चाहिए। ठीक वैसे ही जैसे आप ब्लूप्रिंट का परीक्षण किए बिना पुल नहीं बनाते, आपको अपने विशिष्ट शहर के अनूठे इतिहास और जनसांख्यिकी में यह देखने के लिए कि यह कैसे व्यवहार करता है, एक पुलिस एल्गोरिदम को तैनात नहीं करना चाहिए।
संक्षेप में: नए प्रेडिक्टिव टूल्स शक्तिशाली हैं और पुराने तरीकों की तुलना में अधिक निष्पक्ष हो सकते हैं, लेकिन उनमें अन्याय का एक "स्पीड डायल" भी है। यदि आप उन पर बारीकी से नज़र नहीं रखते हैं, तो वे अनजाने में एक ऐसा चक्र बना सकते हैं जहाँ वे एक ही पड़ोस को बार-बार दंडित करते रहते हैं। समाधान इन उपकरणों को फेंक देना नहीं है, बल्कि वास्तविक दुनिया में लगाने से पहले उन्हें एक "अभ्यास बगीचे" में सावधानीपूर्वक परीक्षण करना है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।