Sesgo en las herramientas de evaluación de riesgos en el sistema de justicia

En los últimos años, el uso de herramientas algorítmicas para evaluar el riesgo en el sistema de justicia penal se ha vuelto más común. Estas herramientas, conocidas como instrumentos de Evaluación de Riesgo (RAIs), ayudan a determinar la probabilidad de que una persona cometa futuros delitos. Sin embargo, hay preocupaciones sobre cómo funcionan estas herramientas y los Sesgos potenciales que pueden tener, especialmente en relación con la raza y la etnicidad.

#Contexto

Los RAIs generalmente utilizan registros de arrestos pasados para predecir el comportamiento futuro. Esto puede llevar a problemas porque no todos los delitos son denunciados o registrados, y diferentes grupos de personas pueden tener chances muy variadas de ser arrestados por acciones similares. Por ejemplo, la raza, el género y la edad de una persona pueden afectar cuánto les cuesta ser arrestados, incluso si cometieron el mismo delito que otra persona. Esto significa que los datos que sustentan estas evaluaciones podrían no ofrecer una visión justa o precisa de quién es probable que vuelva a delinquir.

#Sesgos Potenciales en los RAIs

Uno de los principales problemas de usar registros de arresto como base para los RAIs es el sesgo inherente en estos registros. Debido a que diferentes comunidades pueden tener diferentes prácticas de reporte y estrategias policiales, los datos pueden reflejar desigualdades existentes en el sistema legal. Por ejemplo, si un grupo Demográfico tiene más probabilidades de ser arrestado por ciertos delitos en comparación con otro, pero las tasas de criminalidad reales son similares, esto puede distorsionar los resultados de la evaluación de riesgo en contra del grupo que experimenta más arrestos.

#Metodología

Para entender mejor cómo los sesgos en los RAIs pueden afectar los resultados, los investigadores realizaron un estudio utilizando datos de varias fuentes. Analizaron los registros de arresto durante un período específico y compararon cómo estos registros se relacionaban con las tasas de criminalidad reales entre diferentes grupos. Al tener en cuenta estas discrepancias, los investigadores trataron de descubrir el grado de sesgo presente en los RAIs.

#Fuentes de Datos

Los datos incluyeron registros de arresto de una región específica y encuestas que proporcionaron información sobre tasas de criminalidad. Esta combinación permitió una investigación más profunda sobre cómo se trataba a diferentes demografías dentro del sistema de justicia penal.

#Creación de Cohortes

Los investigadores crearon grupos de individuos basados en sus registros de arresto y los emparejaron según edad, género e historial criminal. De esta manera, pudieron asegurarse de que los grupos comparados tuvieran antecedentes similares, lo que permitió un análisis más claro de cualquier diferencia en cómo se asignaron las puntuaciones de riesgo.

#Hallazgos sobre las Puntuaciones de Riesgo

Al comparar las puntuaciones de riesgo asignadas a individuos de diferentes grupos raciales y étnicos, se encontraron disparidades significativas. Por ejemplo, al mirar simplemente los registros de arrestos, parecía que los individuos negros tenían puntuaciones de riesgo ligeramente más altas que los individuos blancos. Sin embargo, al considerar los delitos no observados-una medida de ofensas que probablemente ocurrieron pero no fueron registradas en los datos de arresto-las brechas se volvieron mucho más grandes, lo que apunta a un sesgo más preocupante en los RAIs.

#Implicaciones de los Hallazgos

Los hallazgos indicaron que usar registros de arresto como medida del riesgo futuro podría llevar a un trato injusto de ciertos grupos dentro del sistema de justicia. Si los RAIs no toman en cuenta las oportunidades desiguales de ser arrestado según la raza o el origen étnico, pueden seguir perpetuando e incluso exacerbar las disparidades existentes.

#Recomendaciones para los RAIs

A la luz de estos hallazgos, hay sugerencias para mejorar cómo se desarrollan y evalúan los RAIs:

1. Considerar las Disparidades en las Tasas de Arresto: Las herramientas deben diseñarse teniendo en cuenta cómo diferentes demografías experimentan la policía. Ignorar estas diferencias arriesga continuar con resultados sesgados.

2. Localizar Evaluaciones: Las evaluaciones deberían hacerse a nivel comunitario en lugar de depender únicamente de promedios nacionales. Esto asegura que se tengan en cuenta las variaciones específicas de un área en las evaluaciones de riesgo.

3. Mejorar la Calidad de los Datos: Un mejor acceso a datos precisos ayudará a entender las situaciones locales y ajustar las herramientas en consecuencia.

4. Necesidad de Más Investigación: Se deberían realizar estudios a largo plazo para evaluar qué tan bien predicen los RAIs el riesgo real mientras se tiene en cuenta los sesgos que hay.

#Conclusión

Usar herramientas algorítmicas en el sistema de justicia penal presenta tanto oportunidades como desafíos. Si bien pueden mejorar la eficiencia en la evaluación del riesgo, es crucial asegurar que no refuercen o creen sesgos. Tener en cuenta las limitaciones de los registros de arresto es esencial. Al avanzar hacia una comprensión más matizada del riesgo que incluya factores como la raza y el potencial de delitos no registrados, el sistema de justicia puede aspirar a un enfoque más justo para todas las personas involucradas.