• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Outros
    Algoritmos podem ajudar a melhorar decisões judiciais

    Crédito:Unsplash/CC0 Domínio Público


    Um novo artigo no Quarterly Journal of Economics conclui que a substituição de certas funções de tomada de decisão judicial por algoritmos poderia melhorar os resultados para os réus, eliminando alguns dos preconceitos sistêmicos dos juízes.



    Os tomadores de decisão fazem escolhas consequentes com base em previsões de resultados desconhecidos. Os juízes, em particular, tomam decisões sobre a concessão de fiança aos réus ou sobre como sentenciar os condenados. As empresas agora usam cada vez mais modelos baseados em aprendizado de máquina em decisões de alto risco.

    Existem várias suposições sobre o comportamento humano subjacentes à implantação de tais modelos de aprendizagem que atuam nas recomendações de produtos na Amazon, na filtragem de spam de e-mail e na previsão de textos no telefone.

    Os investigadores aqui desenvolveram um teste estatístico de uma dessas suposições comportamentais, se os decisores cometem erros sistemáticos de previsão, e desenvolveram métodos para estimar as formas como as suas previsões são sistematicamente tendenciosas.

    Analisando o sistema pré-julgamento da cidade de Nova Iorque, a investigação revela que uma parte substancial dos juízes comete erros sistemáticos de previsão sobre o risco de má conduta pré-julgamento, dadas as características do arguido, incluindo raça, idade e comportamento anterior.

    A pesquisa aqui utilizou informações de juízes da cidade de Nova York, que são designados de forma quase aleatória para casos definidos no tribunal designado por turno. O estudo testou se as decisões de libertação dos juízes reflectem crenças precisas sobre o risco de um arguido não comparecer a julgamento (entre outras coisas). O estudo baseou-se em informações de 1.460.462 casos da cidade de Nova Iorque, dos quais 758.027 casos foram sujeitos a uma decisão de libertação pré-julgamento.

    O artigo aqui derivou um teste estatístico para saber se um tomador de decisão comete erros sistemáticos de previsão e forneceu métodos para estimar as maneiras pelas quais as previsões do tomador de decisão são sistematicamente tendenciosas. Ao analisar as decisões de libertação pré-julgamento dos juízes na cidade de Nova Iorque, o jornal estima que pelo menos 20% dos juízes cometem erros sistemáticos de previsão sobre o risco de má conduta do arguido, dadas as características do arguido. Motivado por esta análise, o pesquisador aqui estimou os efeitos da substituição de juízes por regras de decisão algorítmicas.

    O jornal concluiu que as decisões de pelo menos 32% dos juízes na cidade de Nova Iorque são inconsistentes com a capacidade real dos arguidos de pagarem um determinado montante de fiança e com o risco real de não comparecerem a julgamento.

    A pesquisa aqui indica que quando a raça e a idade do réu são consideradas, o juiz mediano comete erros sistemáticos de previsão em aproximadamente 30% dos réus que lhe são atribuídos. Quando se considera a raça do réu e se o réu foi acusado de um crime, o juiz mediano comete erros sistemáticos de previsão em aproximadamente 24% dos réus atribuídos a eles.

    Embora o artigo observe que a substituição de juízes por uma regra de decisão algorítmica tem efeitos ambíguos que dependem do objetivo do legislador (o resultado desejado é aquele em que mais réus compareçam para julgamento ou um em que menos réus permaneçam na prisão aguardando julgamento?) parece que a substituição dos juízes por uma regra de decisão algorítmica levaria a melhorias de até 20% nos resultados dos julgamentos, conforme medido com base na taxa de não comparecimento entre réus libertados e na taxa de prisão preventiva.

    “Os efeitos da substituição de tomadores de decisão humanos por algoritmos dependem do equilíbrio entre se o ser humano comete erros sistemáticos de previsão com base em informações observáveis ​​disponíveis para o algoritmo versus se o ser humano observa alguma informação privada útil”, disse o principal autor do artigo, Ashesh. Rambachan.

    "A estrutura econométrica deste artigo permite que pesquisadores empíricos forneçam evidências diretas sobre essas forças concorrentes."

    Mais informações: Ashesh Rambachan, Identificando erros de previsão em dados observacionais, Quarterly Journal of Economics (2024). DOI:10.1093/qje/qjae013. academic.oup.com/qje/article-l… /10.1093/qje/qjae013
    Informações do diário: Jornal Trimestral de Economia

    Fornecido pela Oxford University Press



    © Ciência https://pt.scienceaq.com