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

Todos os dias, policiais em cidades por todos os Estados Unidos usam câmeras que registram suas interações com o público. Esses dispositivos, conhecidos como câmeras corporais (body-worn cameras), capturam uma vasta e crescente biblioteca de vídeo e áudio, oferecendo um olhar bruto e sem filtros sobre os momentos em que a aplicação da lei encontra a comunidade. Por décadas, pesquisadores e líderes policiais esperaram poder analisar essas filmagens para entender o que acontece durante uma parada de trânsito ou uma chamada comunitária, buscando padrões de respeito, tensão ou desescalada. No entanto, o volume colossal de dados tornou essa tarefa quase impossosa para olhos e ouvidos humanos sozinhos. Um único oficial pode gerar horas de filmagem em uma semana, e um departamento inteiro acumula milhares de horas todos os anos. Para dar sentido a esse dilúvio, cientistas estão recorrendo à inteligência artificial, não para substituir o julgamento humano, mas para ajudar a organizar e destacar as partes mais importantes desses encontros complexos. O desafio reside em ensinar as máquinas a ouvir acima do ruído de sirenes e gritos, a distinguir entre diferentes vozes em uma cena caótica e a compreender o significado por trás das palavras proferidas em situações de alta pressão.

Uma equipe de pesquisadores do Instituto de Tecnologia de Rochester, trabalhando em conjunto com o Departamento de Polícia de Rochester, construiu um novo sistema projetado para enfrentar este problema. Eles chamam seu framework de OpenBWC, uma ferramenta de código aberto que utiliza uma combinação de processamento de áudio, reconhecimento de fala e análise de linguagem para transformar arquivos de vídeo brutos em informações estruturadas e pesquisáveis. O objetivo não é simplesmente transcrever o que foi dito, mas identificar a dinâmica da interação: O oficial foi respeitoso? A situação escalou ou se acalmou? Para fazer isso, os pesquisadores alimentaram o sistema com 1.225 vídeos obtidos por meio de pedidos de registros públicos. Essas gravações, que foram editadas para proteger a privacidade das pessoas envolvidas através do desfoque de rostos, variaram de clipes breves de onze segundos a quase doze horas de filmagem contínua, totalizando mais de 1.877 horas de vídeo. A equipe dividiu esses arquivos longos em segmentos gerenciáveis de trinta segundos para ajudar o computador a processar o áudio sem perder o fluxo da conversa.

O núcleo de seu método envolve um processo de múltiplas etapas que imita como um humano poderia ouvir uma gravação difícil. Primeiro, o sistema separa o áudio misto em vozes individuais, uma técnica conhecida como separação de locutores. Isso é crucial porque as filmagens de câmeras corporais frequentemente contêm fala sobreposta, ruído de fundo e várias pessoas falando ao mesmo tempo. Os pesquisadores usaram um modelo especializado para isolar a voz do oficial da voz do civil, permitindo que o computador focasse em um locutor por vez. Uma vez que as vozes foram separadas, o sistema transcreveu o áudio em texto usando tecnologia avançada de fala para texto. No entanto, os pesquisadores descobriram que nem todas as ferramentas de transcrição funcionavam igualmente bem nesses ambientes reais e desordenados. Eles testaram duas versões de um sistema de reconhecimento de fala popular e descobriram que a versão menor e mais rápida frequentemente perdia palavras, repetia frases ou falhava em capturar a conversa completa. Em contrapartida, a versão maior e mais detalhada produziu transcrições muito mais precisas, embora ainda exigisse revisão humana para detectar erros sutis.

Após gerar o texto, os pesquisadores aplicaram um modelo de linguagem de grande escala para ler as transcrições e resumir as interações. Esta etapa permitiu que o sistema identificasse temas fundamentais, como se um oficial utilizou táticas de desescalada ou se o tom da conversa mudou de calmo para agressivo. Os resultados foram então armazenados em um banco de dados que poderia ser pesquisado por tópico, locutor ou comportamento específico, tornando possível encontrar padrões em milhares de incidentes. A equipe descobriu que, embora o sistema funcionasse bem para interações rotineiras como paradas de trânsito, onde o áudio é mais claro e os padrões de fala são previsíveis, ele enfrentava dificuldades significativas em cenários caóticos. Em situações de alto estresse envolvendo gritos, sirenes ou múltiplas pessoas falando umas sobre as outras, a precisão da transcrição caía, e o sistema às vezes confundia quem estava falando ou perdia detalhes críticos.

Os pesquisadores foram cuidadosos ao notar que seu sistema não é uma solução perfeita e não deve ser usado como base única para decisões disciplinares ou julgamentos legais. Eles descartaram explicitamente a ideia de que a transcrição totalmente automatizada possa atualmente substituir a revisão humana em incidentes críticos. O estudo sugere que a abordagem mais eficaz é uma híbrida, onde a IA realiza o trabalho pesado de organizar e resumir os dados, mas especialistas humanos verificam os resultados, especialmente em casos complexos ou de alto risco. A equipe também destacou uma limitação técnica: a voz do oficial é frequentemente capturada de forma muito mais clara do que a do civil, porque a câmera é usada no corpo do oficial, apontando para si mesma. Esse desequilíbrio significa que o sistema é naturalmente melhor em compreender o lado do oficial da conversa, o que poderia enviesar a análise se não fosse levado em conta.

Apesar desses desafios, o projeto demonstra um caminho prático para o uso da inteligência artificial no policiamento. Ao combinar ferramentas de código aberto com testes rigorosos, os pesquisadores criaram um framework que pode ajudar os departamentos de polícia a revisar suas próprias práticas, treinar oficiais para uma melhor comunicação e prestar contas ao público. O trabalho não afirma ter resolvido o problema da análise de filmagens policiais, mas oferece um método confiável para iniciar a conversa. As descobertas sugerem que, embora as máquinas possam nos ajudar a ver padrões no ruído, os insights mais importantes ainda vêm da combinação do poder computacional com a compreensão humana. À medida que a tecnologia melhora e os conjuntos de dados crescem, esse tipo de abordagem interdisciplinar pode transformar a maneira como as agências de aplicação da lei aprendem com seu trabalho diário, transformando vastos arquivos de vídeo em conhecimento acionável que melhora a segurança e a confiança para todos os envolvidos.