Analizando la presencia policial en NYC a través de datos de cámaras de tablero
Este estudio examina los despliegues policiales en la ciudad de Nueva York usando grabaciones de dashcam de rideshare.
― 6 minilectura
Tabla de contenidos
El comportamiento de la policía y dónde están presentes en una comunidad son temas importantes para muchos ciudadanos. Este informe analiza cómo podemos estudiar los despliegues policiales usando imágenes de cámaras de tablero, comúnmente conocidas como dashcams, que usan los conductores de rideshare. El objetivo es ver si podemos encontrar patrones en la presencia policial en diferentes vecindarios y entender cómo esta presencia se relaciona con temas de Equidad y justicia en la policía.
La Importancia de los Datos de Despliegue Policial
El despliegue policial juega un papel grande en cómo las comunidades experimentan seguridad y aplicación de la ley. Cuando un vecindario tiene una mayor presencia policial, puede llevar a más interacciones entre la policía y los residentes. Esto a veces puede crear una sensación de ser objetivo injustamente, sobre todo para las comunidades de color. Tener información sobre dónde se despliega a la policía es crucial para entender estas dinámicas.
En lugares como Los Ángeles y Chicago, el análisis de datos policiales ha llevado a cambios en las prácticas policiales, mostrando el impacto potencial de examinar los despliegues. Sin embargo, en Estados Unidos, los datos sobre dónde se despliega a la policía a menudo son difíciles de encontrar. Esto limita la capacidad de los ciudadanos e investigadores para hacer que la policía rinda cuentas por sus acciones.
Un Nuevo Enfoque
En este estudio, usamos imágenes de dashcam de conductores de rideshare para analizar los despliegues policiales en toda la ciudad de Nueva York. Las dashcams son cámaras pequeñas montadas en vehículos que graban video mientras el conductor está en la carretera. Como los conductores de rideshare viajan extensamente por la ciudad, su material de dashcam proporciona una perspectiva valiosa sobre la actividad policial.
Con estos datos de video, entrenamos un modelo de computadora de aprendizaje profundo para identificar vehículos policiales en las imágenes. Nuestro objetivo era cuantificar cuántos vehículos policiales son visibles en diferentes vecindarios y ver si hay patrones en sus despliegues.
Recolección de Datos
Recolectamos un gran conjunto de datos compuesto por más de 24 millones de imágenes de dashcam tomadas en la ciudad de Nueva York de marzo a noviembre de 2020. Los datos fueron reunidos por una compañía llamada Nexar, que proporciona servicios de dashcam a conductores de rideshare. Las imágenes fueron muestreadas de los cinco distritos de la ciudad de Nueva York.
Para asegurarnos de que analizamos las imágenes correctas, creamos un conjunto de datos de entrenamiento que incluía imágenes con vehículos policiales y otras sin ellos. Anotamos estas imágenes utilizando un servicio que proporciona mano de obra humana para etiquetar los datos. Esto nos permitió entrenar el modelo de computadora de manera efectiva.
Analizando los Despliegues Policiales
Con nuestro modelo entrenado, identificamos qué imágenes contenían vehículos policiales y analizamos los datos para ver cómo difieren los despliegues policiales en varios vecindarios y grupos demográficos.
Variación entre Vecindarios
Nuestro análisis mostró diferencias significativas en los despliegues policiales entre vecindarios. Algunos vecindarios tenían una presencia muy alta de vehículos policiales, mientras que otros tenían muy pocos. Por ejemplo, ciertas áreas comerciales de lujo tenían mayores despliegues policiales en comparación con vecindarios residenciales de bajos ingresos con mayor cantidad de residentes negros y hispanos.
Esta disparidad en la presencia policial plantea preguntas sobre la justicia y la equidad en la policía. Las comunidades que experimentan una mayor vigilancia policial pueden sentir que son objetivo injustamente.
Raza e Ingreso
Profundizamos en cómo estos despliegues se relacionan con la raza y el ingreso. Nuestros hallazgos indicaron que los vecindarios con una mayor proporción de residentes negros e hispanos tenían considerablemente más vehículos policiales presentes en comparación con los vecindarios predominantemente blancos. Específicamente, las comunidades negras e hispanas experimentaron una presencia policial mucho más alta en promedio que sus contrapartes blancas.
Además, había una correlación entre los niveles de despliegue policial y los Niveles de Ingreso. Los vecindarios con los ingresos más bajos enfrentaron una presencia policial significativamente mayor, mientras que los vecindarios más adinerados también mostraron mayores despliegues policiales, particularmente en zonas comerciales.
Implicaciones para la Equidad en la Policía
Las diferencias en los despliegues policiales entre vecindarios sugieren problemas sistémicos en las prácticas policiales. La sobre-policing de ciertas comunidades, especialmente aquellas pobladas por personas de color, puede llevar a una serie de consecuencias negativas, incluyendo un aumento de tensiones entre la policía y los miembros de la comunidad.
Cuando estas disparidades están integradas en los algoritmos utilizados en la policía-como para predecir crímenes o evaluar riesgos-puede perpetuar un ciclo de sesgo. Esto significa que las comunidades que ya están enfrentando el peso del escrutinio policial siguen siendo monitoreadas más de cerca, mientras que otras pueden no recibir la misma atención.
La Necesidad de Mejores Datos
Uno de nuestros hallazgos clave enfatiza la necesidad de mejores datos sobre los despliegues policiales. Los datos agregados podrían ayudar a los ciudadanos a entender cómo se asignan los recursos policiales en diferentes áreas. Desafortunadamente, gran parte de estos datos de despliegue no está disponible públicamente.
Una información más clara y transparente sobre los despliegues policiales puede ayudar en la defensa comunitaria y en los esfuerzos de políticas dirigidos a reformar las prácticas policiales.
Conclusión
En resumen, este estudio utiliza un enfoque novedoso para analizar los despliegues policiales usando imágenes de dashcam de vehículos de rideshare. Nuestros hallazgos revelan disparidades claras en la presencia policial entre diferentes vecindarios, particularmente en relación con factores raciales y socioeconómicos.
Al arrojar luz sobre estas disparidades, esperamos contribuir a la conversación sobre la equidad y la responsabilidad en la policía. A medida que las comunidades buscan cada vez más transparencia en las prácticas de aplicación de la ley, la necesidad de datos accesibles y confiables sobre los despliegues policiales se vuelve más vital que nunca.
Nuestro análisis demuestra el potencial de los datos de dashcam como un recurso útil para entender las dinámicas de la policía en entornos urbanos. Animamos a más investigaciones y al desarrollo de métodos que puedan aumentar la visibilidad y transparencia de las actividades policiales en todas las comunidades.
Título: Detecting disparities in police deployments using dashcam data
Resumen: Large-scale policing data is vital for detecting inequity in police behavior and policing algorithms. However, one important type of policing data remains largely unavailable within the United States: aggregated police deployment data capturing which neighborhoods have the heaviest police presences. Here we show that disparities in police deployment levels can be quantified by detecting police vehicles in dashcam images of public street scenes. Using a dataset of 24,803,854 dashcam images from rideshare drivers in New York City, we find that police vehicles can be detected with high accuracy (average precision 0.82, AUC 0.99) and identify 233,596 images which contain police vehicles. There is substantial inequality across neighborhoods in police vehicle deployment levels. The neighborhood with the highest deployment levels has almost 20 times higher levels than the neighborhood with the lowest. Two strikingly different types of areas experience high police vehicle deployments - 1) dense, higher-income, commercial areas and 2) lower-income neighborhoods with higher proportions of Black and Hispanic residents. We discuss the implications of these disparities for policing equity and for algorithms trained on policing data.
Autores: Matt Franchi, J. D. Zamfirescu-Pereira, Wendy Ju, Emma Pierson
Última actualización: 2023-05-24 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2305.15210
Fuente PDF: https://arxiv.org/pdf/2305.15210
Licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.