Mochis NoticiasCienciaLos algoritmos pueden ayudar a mejorar las decisiones judiciales
Mochis NoticiasCienciaLos algoritmos pueden ayudar a mejorar las decisiones judiciales
Ciencia

Los algoritmos pueden ayudar a mejorar las decisiones judiciales

Nueva tarjeta en Revista trimestral de economíapublicado por Oxford University Press, encuentra que reemplazar ciertas funciones de toma de decisiones judiciales con algoritmos puede mejorar los resultados para los acusados ​​al eliminar algunos de los sesgos sistémicos de los jueces.

Quienes toman decisiones toman decisiones importantes basadas en predicciones de resultados desconocidos. Los jueces, en particular, toman decisiones sobre si conceden la libertad bajo fianza a los acusados ​​o cómo sentenciar a los declarados culpables. Las empresas utilizan cada vez más modelos basados ​​en el aprendizaje automático en decisiones de alto riesgo. Hay varias suposiciones sobre el comportamiento humano que subyacen al despliegue de dichos modelos de aprendizaje que aparecen en las recomendaciones de productos en Amazon, el filtrado de spam de correo electrónico y los textos predictivos en su teléfono.

Los investigadores aquí desarrollaron una prueba estadística de uno de esos supuestos de comportamiento, si los tomadores de decisiones cometen errores sistemáticos de pronóstico, y desarrollaron métodos adicionales para estimar las formas en que sus pronósticos están sesgados de manera sistemática. Al analizar el sistema previo al juicio de la ciudad de Nueva York, las investigaciones muestran que una parte sustancial de los jueces cometen errores sistemáticos de predicción sobre el riesgo de mala conducta previa al juicio debido a las características del acusado, incluida la raza, la edad y la conducta anterior.



Abraza el encanto de la nostalgia con nuestra camiseta con gráfico de Pooh-Bear de inspiración vintage. El «Winnie» de Winnie-the-Pooh se basó en un oso pardo canadiense, también conocido como Ursus americanus, llamado Winnipeg.

La investigación aquí utilizó información de jueces de la ciudad de Nueva York, a quienes se les asigna casi al azar casos definidos en la sala del tribunal asignada a un turno. El estudio probó si las decisiones de absolución de los jueces reflejan creencias precisas sobre el riesgo de que un acusado no se presente al juicio (entre otras cosas). El estudio se basó en información sobre 1.460.462 casos de la ciudad de Nueva York, de los cuales 758.027 casos estaban sujetos a una decisión de liberación previa.

El artículo aquí derivó una prueba estadística de si quien toma decisiones comete errores sistemáticos de pronóstico y proporcionó métodos para estimar las formas en que los pronósticos de quien toma decisiones están sistemáticamente sesgados. Al analizar las decisiones de libertad previa al juicio de los jueces de la ciudad de Nueva York, el artículo estima que al menos el 20% de los jueces cometen errores sistemáticos de predicción sobre el riesgo de mala conducta del acusado debido a las características del mismo. Motivado por este análisis, el investigador estimó los efectos de reemplazar a los jueces con reglas de decisión algorítmicas.


Suscríbase al boletín Daily Dose y reciba todas las mañanas las mejores noticias científicas de toda la Web directamente en su bandeja de entrada. Es fácil como el domingo por la mañana.

Al hacer clic en enviar, acepta compartir su dirección de correo electrónico con el propietario del sitio y Mailchimp para recibir marketing, actualizaciones y otros correos electrónicos del propietario del sitio. Utilice el enlace para cancelar la suscripción en esos correos electrónicos para cancelar su suscripción en cualquier momento.

Procesando…

¡Éxito! Estás en la lista.

¡Vaya! Se produjo un error y no pudimos procesar su suscripción. Vuelva a cargar la página e inténtelo de nuevo.


El documento encontró que las decisiones de al menos el 32% de los jueces de la ciudad de Nueva York son inconsistentes con la capacidad real de los acusados ​​para pagar una cantidad específica de fianza y el riesgo real de no presentarse al juicio. La investigación aquí indica que cuando se tienen en cuenta tanto la raza como la edad del acusado, el juez mediano comete errores de predicción sistemáticos en aproximadamente el 30% de los acusados ​​que se le asignan. Cuando tanto el acusado se presenta como si el acusado fuera acusado de un delito Se estima que el juez mediano comete errores de predicción sistemáticos en aproximadamente el 24% de los acusados ​​que se le asignan.

Si bien el artículo señala que reemplazar a los jueces con una regla de decisión algorítmica tiene efectos ambiguos que dependen del objetivo del formulador de políticas (¿el resultado deseado es uno en el que más acusados ​​comparezcan al juicio o uno en el que menos acusados ​​permanezcan en la cárcel esperando el juicio?) Parece que reemplazar a los jueces con una regla de decisión algorítmica conduce a una mejora de hasta un 20% en los resultados de los juicios, medidos en función de la tasa de incomparecencia entre los acusados ​​absueltos y la tasa de prisión preventiva.

«Los efectos de reemplazar a los tomadores de decisiones humanos con algoritmos dependen del equilibrio entre si el humano comete errores de predicción sistemáticos basados ​​en la información observable disponible para el algoritmo y si el humano observa alguna información privada útil», dijo el autor principal del artículo, Ashesh. . Rambachán. «El marco econométrico de este artículo permite a los investigadores empíricos proporcionar evidencia directa sobre estas fuerzas en competencia».


Si disfrutas el contenido que creamos y te gustaría apoyarnos, ¡considera convertirte en patrocinador de Patreon! Al unirse a nuestra comunidad, obtiene acceso a ventajas exclusivas, como acceso temprano a nuestro contenido más reciente, actualizaciones entre bastidores y la posibilidad de enviar preguntas y sugerir temas que cubrimos. Su apoyo nos permitirá continuar creando contenido de alta calidad y llegar a una audiencia más amplia.

¡Únase a nosotros en Patreon hoy y trabajemos juntos para crear más contenido sorprendente! https://www.patreon.com/ScientificInquirer


Monitoreo económico de microplásticos mediante materiales porosos y aprendizaje automático

Los investigadores han desarrollado un nuevo método utilizando aprendizaje automático y análisis óptico para…

Las bolsitas de té ‘biodegradables’ no se degradan rápidamente en el medio ambiente y pueden afectar negativamente a las especies terrestres, sugiere un estudio

Las bolsitas de té hechas con alternativas al PLA no se degradan, lo que daña las lombrices y el suelo. Adecuado…


Source link

Hi, I’m Conchita Garcia

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *