• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Outros
    O uso de algoritmos para determinar a sentença pode reduzir a duração das sentenças de prisão

    Crédito:Unsplash / CC0 Public Domain

    As prisões e cadeias americanas atualmente mantêm mais de 2 milhões de pessoas - muitas delas presas enquanto aguardam julgamento ou cumprindo sentenças de prisão extremamente longas. Nova pesquisa do Professor Christopher Slobogin, que possui uma cadeira Milton R. Underwood em Direito na Vanderbilt Law School, indica que um algoritmo de previsão de risco pode ajudar a reduzir esses números.

    “Temos um grande problema de encarceramento neste país, mas nenhuma das soluções atuais funciona, ", disse ele." Podemos usar algoritmos para ajudar a descobrir quem representa um perigo para a comunidade se for libertado. "

    Os Estados Unidos atualmente encarceram 0,6% de sua população - uma taxa seis vezes maior do que nos países europeus.

    “Pesquisas mostram que medidas como descriminalização e eliminação de sentenças mínimas obrigatórias mal afetaram a taxa de encarceramento, "Disse Slobogin." Dito isso, o público não comprará nenhuma reforma, a menos que você possa garantir a segurança deles. "

    Um algoritmo ideal indicaria a probabilidade de que um determinado indivíduo cometeria um crime grave durante um determinado período de tempo, na ausência de uma intervenção particular.

    Em uma pesquisa recém-publicada, Slobogin explicou que, ao tornar as decisões sobre punições criminais mais transparentes, algoritmos podem forçar o reexame, há muito tempo, dos propósitos e objetivos do sistema de justiça criminal. Ele argumenta que os algoritmos de avaliação de risco podem:

    • ajudar a reduzir a detenção pré-julgamento (a probabilidade de alguém cometer um crime enquanto está sob fiança é de 8 por cento) e a duração das sentenças de prisão sem aumentar o risco para o público - um objetivo particularmente importante, pois o COVID-19 se espalha pelos estabelecimentos penais,
    • mitigar fiança e condenação excessivamente punitivas, que afetam desproporcionalmente pessoas de baixa renda e pessoas de cor,
    • alocar recursos correcionais de forma mais eficiente e consistente,
    • fornecer o trampolim para programas de reabilitação baseados em evidências que visam reduzir a reincidência, desviando da prisão os candidatos com maior probabilidade de sucesso.

    Riscos calculados

    Usar algoritmos para decidir o destino de uma vida humana é controverso. Os críticos afirmam que os algoritmos não são eficazes para identificar quem irá ofender e quem responderá aos esforços de reabilitação. Os críticos também argumentam que os algoritmos podem ser preconceituosos racialmente, desumanizante e antitético aos princípios da justiça penal.

    Slobogin disse que, embora as críticas tenham mérito, os métodos atuais de previsão de risco podem ser piores. "Pelo menos algoritmos estruturam a análise de maneira consistente."

    Tomada de decisão não estruturada por juízes, agentes de liberdade condicional e profissionais de saúde mental são comprovadamente tendenciosos e reflexivos, ele adicionou, e muitas vezes se baseia em estereótipos e generalizações que ignoram os objetivos do sistema de justiça. Algoritmos podem fazer melhor, ele disse, mesmo que apenas de forma limitada, e se forem concebidos para compensar a influência do policiamento racializado e das práticas do Ministério Público.

    Se os algoritmos forem validados e usados ​​proativamente durante o processo pré-julgamento, a maioria das pessoas que são presas "podem manter seus empregos, manter suas famílias intactas, e ajudar seu advogado com sua defesa, ajudando a rastrear testemunhas, "Slobogin disse." Usando algoritmos para informar a sentença, podemos libertar as pessoas mais cedo, o que poderia ajudá-los a se tornarem produtivos em vez de definhar na prisão, onde eles perdem toda a esperança e aprendem como ser um criminoso melhor. "


    © Ciência https://pt.scienceaq.com