Designing AI for Prosecutorial Governance: Case Prioritization and Statutory Oversight in Mexico
本文介绍了一个为墨西哥萨卡特卡斯州检察官办公室共同开发的机器学习系统，该系统利用随机森林分类器来预测案件解决时间线，通过生成优先级列表，在不干扰现有工作流程的情况下提高检察效率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一座巨大的图书馆，每一本书都代表着一个刑事案件。在墨西哥萨卡特卡斯州（Zacatecas），图书管理员们（检察官）正处于溺水边缘。他们的书架上有超过23.4万本书，但他们每周只有足够的手力去检查几百本。许多书在书架上搁置多年，落满了灰尘，而新的书每天都在不断增加。结果就是，出现了一个巨大的“未读”案例堆，而且其中一些书甚至可能已经在法律上过期了（就像一本太旧了以至于图书馆无法再向你收取罚款的图书）。
这篇论文描述了一个数据科学家与这些图书管理员合作开发智能分类机器人的项目。这个机器人不会做决定，不会写报告，也不会逮捕人。相反，它像是一个组织有序的助手，会在耳边低语：“嘿，先看这300本书；它们是最有可能很快完成的。”
以下是该系统的运作方式，分为几个简单的部分：
1. 问题所在：“无尽的堆积”
检察官有一个专门的部分叫做 MAT（早期关注模块）。这是新案例到达的地方。由于涌入的案例太多，而完成的案例太少，这个堆积变得越来越大。检察官需要一种方法来判断哪些案例是“准备就绪的”（很可能在未来六个月内解决），以及哪些案例是“卡住的”（很可能永远停滞在那里，或者已经过了法律规定的有效期）。
2. 解决方案：案件的“水晶球”
团队构建了一个计算机程序（机器学习模型），它会研究每一个案件的历史。这就像是一个天气预报员，它预测的不是降雨，而是案件完成情况。
- 它观察什么： 机器人并不阅读整个犯罪故事。相反，它观察数字系统中留下的“足迹”。案例最近是否在不同的办公桌之间移动过？律师是否更新了文件？距离上次触碰该文件已经多久了？
- 神奇之处： 通过研究10年的历史（2014–2024），机器人学会了某些模式（例如文件在不同团队之间转移）通常意味着案件即将解决。
3. 双管齐下的方法
机器人的工作像是一名指挥两个方向车流的交通警察，同时承担两项任务：
任务 A：“前进”名单（前300名）
每周，机器人会挑选出看起来将在未来六个月内完成的前300个案例。它将这份名单交给检察官。目标是帮助他们快速处理这些“容易获胜”的案例，保持工作流程的运转。- 结果： 机器人的表现非常出色。在测试中，它在选出的前300个案例中，能以约 74% 的准确率识别出“可完成”的案例。这比随机猜测或随机挑选要好得多。
任务 B：“停止”名单（末尾1,000名）
机器人还会查看堆积的最底层——即那些看起来“永远不会完成”的1,000个案例。它会检查这些案例是否因存放时间过长而已经过了法律规定的时效（称为“诉讼时效”）。- 结果： 这些“卡住”的案例中，大约有 32% 似乎已经过了法律有效期。这为检察官提供了行政清理的“待办事项清单”：“检查这些文件；它们可能在法律上已经失效并可以结案了。”
4. 现实生活中的运作方式
作者非常谨慎地指出，这个机器人不是老板。它不会告诉检察官该做什么。
- 类比： 想象汽车里的 GPS。GPS 会说：“这条路交通拥堵，请尝试另一条路线。”但驾驶员仍然决定是否采取那条路线。同样，检察官仍然决定处理哪些案件。机器人只是强调那些看起来很有希望的案件。
- 计划： 团队目前正在进行一项现实世界的测试（随机对照试验）。他们会将“前300名”名单交给一部分检察官，看看他们完成的案件是否比没有收到名单的检察官更多。
5. 为什么这很重要
这个项目之所以特别，是因为它是与检察官一起构建的，而不仅仅是为他们构建。
- 符合工作流程： 它不需要他们学习新软件或改变工作方式。它只是每周提供一份名单。
- 透明度高： 机器人使用简单、易懂的规则（例如“文件被移动了多少次？”），而不是神秘的“黑箱”。
- 解决两个问题： 它既有助于清理积压（效率），也有助于发现过期的案件（法律监督）。
核心结论
论文表明，通过利用数据来组织混乱的工作堆，政府部门可以在不增加人力的情况下更聪明地工作。机器人充当了一个过滤器，帮助人类专家将精力集中在那些最有希望推进的案件上，同时也标记出那些被遗忘太久的案件。它是一个帮助图书管理员管理图书馆的工具，而不是图书管理员的替代品。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。