Un nuevo algoritmo de Inteligencia Artificial utiliza datos disponibles públicamente para predecir con precisión la delincuencia en ocho ciudades de EE. UU., al tiempo que revela una mayor respuesta policial en los barrios ricos a expensas de las zonas menos favorecidas. Es decir, que aunque se pueda prevenir la delincuencia en toda la ciudad, la policía sólo toma mayores medidas en los barrios ricos.

Científicos sociales y de datos de la Universidad de Chicago han desarrollado un nuevo algoritmo que pronostica delitos aprendiendo patrones en el tiempo y ubicaciones geográficas a partir de datos públicos sobre delitos violentos y contra la propiedad. El modelo puede predecir futuros delitos con una semana de antelación con un 90 % de precisión.

Hay más arrestos en las zonas ricas, pero no más delitos

En un modelo separado, el equipo de investigación también estudió la respuesta policial al crimen analizando el número de arrestos luego de los incidentes y comparando esas tasas entre vecindarios con diferentes niveles socioeconómicos. Vieron que el crimen en áreas más ricas resultó en más arrestos, mientras que los arrestos en vecindarios desfavorecidos disminuyeron. Sin embargo, el crimen en los barrios pobres no condujo a más arrestos, lo que sugiere un sesgo en la respuesta y aplicación de la policía.

“Lo que estamos viendo es que cuando se presiona el sistema, se requieren más recursos para arrestar a más personas en respuesta al crimen en un área rica y se desvían los recursos policiales de las áreas de nivel socioeconómico más bajo”, dijo Ishanu Chattopadhyay, PhD , profesor asistente. de Medicina en UChicago y autor principal del nuevo estudio, que se publicó esta semana en Nature Human Behavior .

 

Chicago, ciudad con algoritmo pero con diferente aplicación de la ley

La herramienta se probó y validó utilizando datos históricos de la ciudad de Chicago en torno a dos amplias categorías de eventos informados: delitos violentos (homicidios, agresiones y lesiones) y delitos contra la propiedad (robos, hurtos y robos de vehículos motorizados). Estos datos se usaron porque era más probable que se reportaran a la policía en áreas urbanas donde existe desconfianza histórica y falta de cooperación con las fuerzas del orden. Dichos delitos también son menos propensos al sesgo de aplicación, como es el caso de los delitos de drogas, las detenciones de tránsito y otras infracciones por delitos menores.

El estudio, "Predicción de delitos urbanos a nivel de eventos revela la firma del sesgo de cumplimiento en las ciudades de EE . UU .", fue apoyado por la Agencia de Proyectos de Investigación Avanzada de Defensa y el Colegio Neubauer para la Cultura y la Sociedad. Otros autores incluyen a Victor Rotaru, Yi Huang y Timmy Li de la Universidad de Chicago.

“Event-level Prediction of Urban Crime Reveals Signature of Enforcement Bias in U.S. Cities,”

Victor Rotaru, Yi Huang, Timmy Li, James Evans & Ishanu Chattopadhyay

Fuente: The University of Chicago