Designing AI for Prosecutorial Governance: Case Prioritization and Statutory Oversight in Mexico

Sintesi Tecnica: Progettazione di un'IA per la Governance Procura in Messico

Definizione del Problema
Gli uffici del pubblico ministero in Messico, in particolare a Zacatecas, affrontano una sfida istituzionale critica caratterizzata da un aumento del 60% dei fascicoli aperti tra il 2018 e il 2022, che ha portato a un arretrato di oltre 2,9 milioni di indagini attive in tutto il paese. La Fiscalía General de Justicia del Estado de Zacatecas (FGJEZ) fatica a gestire tali volumi a causa di una capacità istituzionale limitata, portando a persistenti ritardi nella risoluzione dei casi e potenziali violazioni dei termini di prescrizione statutari. L'unità specifica oggetto di questo studio, il Módulo de Atención Temprana (MAT), gestisce l'accoglienza iniziale e il filtraggio nelle fasi iniziali, ma soffre di un alto afflusso e di un basso throughput. Il problema centrale è l'incapacità di smistare efficientemente i casi per identificare quelli che probabilmente saranno risolti nel breve termine rispetto a quelli che sono diventati legalmente dormienti o bloccati, senza interrompere i flussi di lavoro esistenti o richiedere ulteriore personale.

Metodologia
Gli autori hanno sviluppato un sistema di machine learning (ML) co-progettato con la Procura di Zacatecas per supportare il triage interno dei casi. Il sistema utilizza dati amministrativi provenienti dalla Plataforma de Integración de Expedientes (PIE), il sistema di gestione digitale dei casi dello stato, coprendo il periodo dal 2014 al 2024.

• Compito di Predizione: Il sistema inquadra il problema come un compito di classificazione binaria: prevedere se un caso aperto nell'unità MAT sarà concluso entro i successivi sei mesi.
• Ingegneria delle Caratteristiche (Feature Engineering): Il modello utilizza un insieme longitudinale di caratteristiche derivate dal sistema PIE, categorizzate in cinque gruppi:
  1. Caratteristiche del Caso: Date di apertura, categorie di reato e stato iniziale dell'arresto.
  2. Milestone dell'Indagine: Conteggi di azioni giudiziarie (es. mandati, rinvii, meccanismi di giustizia alternativa).
  3. Attività dell'Avvocato: Metriche sul carico di lavoro individuale dei procuratori, rapporti di produttività e cronologia della gestione dei casi.
  4. Indicatori dell'Unità: Metriche aggregate di performance e carico di lavoro per specifiche unità d'accusa.
  5. Aggregati per Tipo di Reato: Tendenze storiche e tassi di risoluzione specifici per le categorie di reato.
• Approccio di Modellazione: Lo studio confronta la regressione logistica, gli alberi di decisione, le Random Forest e le Extra Trees. Per simulare il dispiegamento in tempo reale e prevenire la fuga di dati (data leakage), gli autori impiegano una strategia di validazione incrociata temporale rotante (rolling temporal cross-validation), addestrando i modelli su dati disponibili fino a un determinato punto e valutandoli su periodi successivi.
• Architettura a Duplice Scopo: Il sistema serve due funzioni di governance da un singolo modello predittivo:
  1. Prioritizzazione: Generazione di una lista settimanale classificata dei 300 casi con la più alta probabilità di risoluzione per favorire l'efficienza operativa.
  2. Supervisione Statutaria: Identificazione dei casi nella coda inferiore della distribuzione di probabilità (minore probabilità di risoluzione) che superano i periodi di prescrizione statutari stimati. Poiché il database manca di sottotipi legali specifici necessari per calcoli esatti della prescrizione, gli autori costruiscono un'approssimazione operativa basata sul Código Penal para el Estado de Zacatecas (CPZac), calcolando le soglie statutarie minime, medie e massime per ogni categoria di reato.
• Metriche di Valutazione: La performance è misurata utilizzando Precision@300 e Recall@300, metriche allineate con il vincolo istituzionale di revisionare un numero fisso di casi settimanalmente.

Risultati Chiave

• Performance del Modello: I classificatori ensemble, specificamente le Random Forest, hanno superato costantemente altri algoritmi. Il modello Random Forest ha raggiunto una Precision@300 media di 0,735 (circa 0,74), superando significativamente il baseline empirico (0,253) e un baseline di selezione casuale (0,258). La performance è rimasta stabile quando testata su dati estesi fino a gennaio 2025.
• Importanza delle Caratteristiche (Feature Importance): L'analisi ha rivelato che i segnali dinamici e longitudinali sono stati i predittori più forti. Le caratteristiche più influenti includevano il numero di eventi "iniziati" (riavvii formali dovuti a trasferimenti di unità) nell'ultimo anno, il tempo dall'ultimo evento e la durata dalla apertura del caso. Gli attributi statici, come il tipo di reato iniziale o la presenza di un sospetto arrestato, hanno contribuito meno al potere predittivo.
• Funzione di Supervisione: Applicato ai 1.000 casi classificati più in basso (minima probabilità di risoluzione), il modello Random Forest ha segnalato una media di 318,6 casi (31,9%) come potenzialmente aventi superato i limiti di prescrizione statutaria secondo la soglia media. Ciò indica un accumulo sistematico di casi legalmente dormienti nell'arretrato.
• Robustezza: L'identificazione dei casi potenzialmente prescritti è rimasta stabile attraverso diverse configurazioni di Random Forest e famiglie di modelli, suggerendo che il segnale rifletta le dinamiche strutturali dell'arretrato piuttosto che artefatti specifici del modello.

Significatività e Rivendicazioni
Il documento posiziona questo lavoro come un contributo alla letteratura sull'IA nel governo, specificamente all'interno del Sud Globale e in contesti con risorse limitate. Gli autori formulano le seguenti modeste rivendicazioni riguardo alla significatività del sistema:

1. Governance a Duplice Scopo: Lo studio dimostra che un singolo framework algoritmico può supportare simultaneamente l'efficienza operativa (prioritizzando i casi risolvibili) e la responsabilità istituzionale (segnalando i casi per la revisione legale). Ciò sfida l'idea che gli strumenti di IA nel governo debbano essere limitati ai soli guadagni di efficienza.
2. Integrazione a Basso Overhead: Il sistema è progettato come uno strumento di supporto alle decisioni che si integra nei flussi di lavoro esistenti senza richiedere ristrutturazioni organizzative o cambiamenti nella discrezione dei procuratori. Fornisce liste classificate per assistere il giudizio umano piuttosto che automatizzare le decisioni.
3. Validazione Empirica in America Latina: Documentando il design e la validazione di un sistema di ML in una procura messicana, il paper offre spunti sulla governance algoritmica in contesti con quadri giuridici e sfide di infrastruttura digitale distinti, contrastando con la letteratura incentrata su USA ed Europa occidentale.
4. Validazione Futura: Gli autori dichiarano esplicitamente che, sebbene la validazione retrospettiva sia forte, l'utilità nel mondo reale del sistema non è ancora provata. Propongono un Randomized Controlled Trial (RCT) per valutare causalmente se la prioritizzazione informata dal modello aumenti i tassi di risoluzione dei casi o riduca il tempo di completamento rispetto allo status quo.

Limitazioni e Considerazioni Etiche
Gli autori riconoscono che il modello si basa su dati amministrativi che possono riflettere bias storici o disuguaglianze strutturali. Enfatizzano che il sistema non determina la prescrizione legale, ma fornisce piuttosto una lista di controllo basata sul rischio. Di conseguenza, tutti gli output sono inquadrati come raccomandazioni per la verifica umana e gli autori intendono condurre diagnostiche di equità (fairness) per monitorare eventuali disparità tra municipalità e tipi di reato. Si nota che il modello non è direttamente trasferibile ad altre giurisdizioni senza una sostanziale adattamento a causa delle differenze nelle procedure legali e nelle strutture dei dati.