Towards AI-Driven Policing: Interdisciplinary Knowledge Discovery from Police Body-Worn Camera Footage

アメリカ全土の都市部では、日々、警察官が市民とのやり取りを記録するためにカメラを装着しています。ボディカメラとして知られるこれらのデバイスは、膨大な、そして増え続けるビデオとオーディオのライブラリを捉えており、法執行機関が地域社会と接する瞬間の、加工されていない生の姿を映し出しています。何十年もの間、研究者や警察のリーダーたちは、この映像を精査することで、交通検問や近隣への通報の際に何が起きているのかを理解し、敬意、緊張、あるいは事態の沈静化（デエスカレーション）のパターンを見出したいと考えてきました。しかし、データの膨大な量が、人間の目と耳だけではこの作業をほぼ不可能にしています。一人の警官が1週間で数時間の映像を生成することもあり、部署全体では毎年数千時間に及ぶ蓄積となります。この氾濫するデータを整理するために、科学者たちは人工知能（AI）を利用しています。それは人間の判断に取って代わるためではなく、これら複雑な遭遇における最も重要な部分を整理し、強調するために活用されています。課題は、サイレンや叫び声というノイズの中でどのように音を聞き取り、混沌とした場面で異なる声を区別し、高圧的な状況下で発せられる言葉の背後にある意味を理解させるように、機械を教育することにあります。

ロチェスター工科大学の研究チームは、ロチェスター警察局と協力して、この問題に対処するために設計された新しいシステムを構築しました。彼らはこのフレームワークを「OpenBWC」と呼んでいます。これは、音声処理、音声認識、および言語分析を組み合わせて、生のビデオファイルを構造化され検索可能な情報へと変換するオープンソースのツールです。目的は単に何を話したかを文字起こしすることではなく、相互作用のダイナミクスを特定することです。例えば、警官は敬意を持って接していたか？ 事態は悪化したのか、それとも沈静化したのか？ これを行うために、研究者たちは公開記録請求を通じて入手した1,225本のビデオをシステムに投入しました。これらの録画は、関係者のプライバシーを保護するために顔をぼかす加工が施されており、わずか11秒のクリップから、連続して12時間に及ぶものまであり、合計1,877時間を超えるビデオで構成されています。チームは、コンピュータが会話の流れを失うことなく音声を処理できるように、これらの長いファイルを管理しやすい30秒ずつのセグメントに分割しました。

彼らの手法の核心は、人間が困難な録音を聴く方法を模倣した多段階のプロセスにあります。まず、システムは混合されたオーディオを個々の声へと分離します。これは「話者分離」として知られる技術です。ボディカメラの映像には、音声の重なり、背景ノザ、そして複数の人間が同時に話している状況が頻繁に含まれるため、この工程は極めて重要です。研究者たちは特殊なモデルを使用して、警官の声と市民の声を分離し、コンピュータが一度に一人の話者に集中できるようにしました。音声が分離されると、システムは高度な音声文字変換技術を用いて、音声をテキストへと書き起こします。しかし、研究者たちは、すべての文字起こしツールがこのような乱雑で現実世界の環境において等しく機能するわけではないことを発見しました。彼らは普及している音声認識システムの2つのバージョンをテストし、より小型で高速なバージョンは、言葉を落としたり、フレーズを繰り返したり、会話を完全には捉えられなかったりすることが頻繁にあることを突き止めました。対照的に、より大規模で詳細なバージョンは、はるかに正確なトランスクリプトを作成しましたが、それでも微妙な誤りを修正するためには人間のレビューが必要でした。

テキストを生成した後、研究者たちは大規模言語モデルを適用して、トランスクリプトを読み込み、相互作用を要約させました。このステップにより、システムは、警官がデエスカレーションの戦術を用いたかどうか、あるいは会話のトーンが穏やかな状態から攻撃的な状態へと変化したかどうかといった、主要なテーマを特定することが可能になりました。結果は、トピック、話者、または特定の行動によって検索可能なデータベースに保存され、数千件の事例にわたるパターンを見つけ出すことが可能になりました。チームは、音声が明瞭で発話パターンが予測しやすい交通検問のような日常的なやり取りにはシステムがうまく機能する一方で、混沌としたシナリオにおいては著しく苦戦することを明らかにしました。叫び声、サイレン、あるいは複数の人々が話し合っているような高ストレスの状況では、文字起こしの精度が低下し、システムが誰が話しているのかを混同したり、重要な詳細を見落としたりすることがありました。

研究者たちは、自分たちのシステムは完璧な解決策ではなく、懲戒決定や法的判断の唯一の根拠として使用されるべきではないことを慎重に注記しました。彼らは、重大な事案において完全に自動化された文字起こしが、現在のところ人間のレビューに取って代わることはできないという考えを明確に否定しました。この研究は、AIがデータの整理という重労働を担い、人間がその結果を検証するというハイブリッドなアプローチが最も効果的であることを示唆しています。チームはまた、技術的な限界についても強調しました。カメラは警官の体に装着され、彼の方を向いているため、市民の声よりも警官の声の方がはるかに鮮明に捉えられることが多いという点です。この不均衡は、システムが自然と警官側の会話を理解する方が得意であることを意味しており、考慮されない限り、分析を偏らせる可能性があります。

こうした課題はあるものの、このプロジェクトは、警察活動における人工知能活用の実用的な道筋を示しています。オープンソースのツールと厳格なテストを組み合わせることで、研究者たちは、警察当局が自らの業務をレビューし、警官にコミュニケーションの改善に関する訓練を行い、市民に対して説明責任を果たすための助けとなるフレームワークを作り上げました。この研究は、警察の映像の分析問題を解決したと主張するものではありませんが、対話を始めるための信頼できる手法を提供しています。調査結果は、機械がノイズの中からパターンを見つける手助けができる一方で、最も重要な洞察は、計算能力と人間の理解を組み合わせることから得られるものであることを示唆しています。テクノロジーが向上し、データセットが増大するにつれ、このような学際的なアプローチは、法執行機関が日々の業務から学ぶ方法を変革し、膨大なビデオアーカイブを、関係者全員の安全と信頼を向上させるための実行可能な知識へと変えていく可能性があります。