Un nuovo articolo sul Quarterly Journal of Economics ritiene che la sostituzione di alcune funzioni decisionali giudiziarie con algoritmi potrebbe migliorare i risultati per gli imputati eliminando alcuni pregiudizi sistemici dei giudici.
I decisori fanno scelte consequenziali basate su previsioni di risultati sconosciuti. I giudici, in particolare, decidono se concedere la cauzione agli imputati o come condannare i condannati. Le aziende ora utilizzano sempre più modelli basati sull'apprendimento automatico nelle decisioni ad alto rischio.
Esistono vari presupposti sul comportamento umano alla base dell'implementazione di tali modelli di apprendimento che si manifestano nei consigli sui prodotti su Amazon, nel filtraggio antispam delle e-mail e nei messaggi predittivi sul proprio telefono.
I ricercatori hanno sviluppato un test statistico su uno di questi presupposti comportamentali, ovvero se i decisori commettono errori di previsione sistematici, e hanno sviluppato ulteriormente metodi per stimare i modi in cui le loro previsioni sono sistematicamente distorte.
Analizzando il sistema preprocessuale della città di New York, la ricerca rivela che una parte sostanziale dei giudici commette errori di previsione sistematici sul rischio di cattiva condotta preprocessuale date le caratteristiche dell'imputato, tra cui razza, età e comportamento precedente.
La ricerca qui ha utilizzato informazioni provenienti da giudici di New York City, che vengono assegnati in modo quasi casuale a casi definiti nell'aula di tribunale assegnata per turno. Lo studio ha verificato se le decisioni di rilascio dei giudici riflettono convinzioni accurate sul rischio che un imputato non si presenti al processo (tra le altre cose). Lo studio si basava su informazioni relative a 1.460.462 casi della città di New York, di cui 758.027 casi erano oggetto di una decisione di rilascio cautelare.
L'articolo ha derivato un test statistico per verificare se un decisore commette errori di previsione sistematici e ha fornito metodi per stimare i modi in cui le previsioni del decisore sono sistematicamente distorte. Analizzando le decisioni di rilascio preliminare dei giudici di New York City, lo studio stima che almeno il 20% dei giudici commette errori di previsione sistematici sul rischio di cattiva condotta dell'imputato date le caratteristiche dell'imputato. Motivato da questa analisi, il ricercatore ha stimato gli effetti della sostituzione dei giudici con regole decisionali algoritmiche.
Lo studio ha rilevato che le decisioni di almeno il 32% dei giudici di New York City non sono coerenti con l'effettiva capacità degli imputati di pagare un importo di cauzione specificato e con il rischio reale che non si presentino al processo.
La ricerca qui indica che quando vengono considerate sia la razza che l'età dell'imputato, il giudice mediano commette errori di previsione sistematici su circa il 30% degli imputati loro assegnati. Quando si considera sia la razza dell'imputato sia se l'imputato è stato accusato di un crimine, il giudice mediano commette errori di previsione sistematici su circa il 24% degli imputati a lui assegnati.
Sebbene il documento osservi che la sostituzione dei giudici con una regola decisionale algoritmica ha effetti ambigui che dipendono dall'obiettivo del politico (il risultato desiderato è quello in cui più imputati si presentano al processo o uno in cui meno imputati siedono in carcere in attesa del processo?) sembra che la sostituzione dei giudici con una regola decisionale algoritmica porterebbe a miglioramenti fino al 20% nei risultati dei processi, misurati in base al tasso di mancata comparizione tra gli imputati rilasciati e al tasso di custodia cautelare.
"Gli effetti della sostituzione dei decisori umani con algoritmi dipendono dal compromesso tra se l'essere umano commette errori di previsione sistematici basati su informazioni osservabili a disposizione dell'algoritmo e se l'essere umano osserva qualsiasi informazione privata utile", ha affermato l'autore principale dell'articolo, Ashesh. Rambachan.
"Il quadro econometrico di questo articolo consente ai ricercatori empirici di fornire prove dirette su queste forze concorrenti."
Ulteriori informazioni: Ashesh Rambachan, Identificazione degli errori di previsione nei dati osservativi, Quarterly Journal of Economics (2024). DOI:10.1093/qje/qjae013. accademic.oup.com/qje/article-l … /10.1093/qje/qjae013
Informazioni sul giornale: Rivista trimestrale di economia
Fornito da Oxford University Press
