當今電腦已能預估誰會犯罪，而且準確率還不低；但現階段若凡事都靠電腦打擊犯罪，恐怕是本末倒置。 電腦的預測功力愈來愈厲害，甚至比人腦更準。 亞馬遜與Netflix等企業，能判斷你我的購物和收視喜好，氣象專家能精準預報未來十天氣象，全拜電腦之賜。 現在電腦還能預估誰會犯罪，準確率連法官都甘拜下風。根據刊登於二月號《法律實證研究期刊》(Journal ofEmpirical Legal Studies)的報告，有位科學家打造出一套先進的電腦系統，輸入家暴者的相關數據後，可判斷出哪些人最容易再犯。 有了這項技術，遭家暴而受傷、甚至喪命的被害人數可能降低，亦可讓情節輕微的施暴者避免坐牢，造成無謂成本。但用電腦預測一個人會不會犯罪，總讓人隱隱不安。 警方以電腦判斷何時何地可能發生犯罪事件，進而主動出擊，已有二十年歷史，如今技術再升級，透過分析大數據，可找出哪些人有犯罪傾向。這些系統的透明度與科學測試程度不一，比方說，加州夫雷上諾市(Fresno)採用名為「必威」(Beware)的系統，將市民分成高、中、低危險三級。 數據運作遭疑「不科學」 媒體報導指出，該系統除了彙整過去犯罪事件的數據外，還分析網路搜尋紀錄、不動產紀錄與社群媒體貼文。但有人批評說，這套技術未經公眾充分討論便上路，有很多問題尚待釐清，例如軟體運作原理(供應商稱是商業機密)，效果是否經過科學證實。 反觀這份家暴預測系統的報告中，詳盡說明該系統的目標與效果。發明人之一、賓州大學統計學教授伯克(RichardBerk)指出，這套系統以遭到逮捕的施暴者為資料，並不蒐集分析一般民眾的數據，進而預測是否該收押或釋放某嫌犯，就與法官或警員執法時面臨的抉擇一樣。 伯克十年前開始研究犯罪預測技術，二00八年研發出能判斷哪些假釋犯最容易再犯的電腦系統，比專家更精準。他使用機器學習(machine learning)系統，將大量不同數據輸入電腦，讓電腦找到模式後作預測，再將預測結果比對實際數據。 機器學習產生的演算法，人類未必能了解。使用者知道有哪些參數，但不明白機器會如何使用它們，算出答案。 判斷再犯率準確率九成 在研發這項新預測技術時，伯克和同樣任職賓大的心理學教授索蘭森(SusanSorenson)，分析0九年到一三年間約十萬個案件。這次亦使用機器學習系統，將年齡、性別、郵遞區號、首犯年齡的數據輸入系統，還加入可能的前科紀錄，如酒駕、虐待動物、槍枝犯罪等。種族因素雖然沒納入考量，但伯克表示，系統從郵遞區號，還是能稍微推斷出一個人的種族。 他們使用三分之二的數據「訓練」系統，讓機器分析原始資料和後續結果(是否再犯)，其餘三分之一則用來測試系統，只輸入法官在傳訊時知道的資訊，藉此測試系統預測家暴再犯率的準確度。 伯克說，要把家暴再犯率降到零，把每個嫌犯都關進牢裡就可以了，但這樣成本太高，有些人其實不會再犯。在被捕的施暴者中，目前有半數在傳訊時由法官當庭釋放，其中約兩成再犯；但由電腦判斷而釋放的人，再犯率只有一成。 伯克和索蘭森目前正與費城警方合作，要調整這套機器學習系統，預估哪些住家容易出現家暴，藉此加強監督。 而費城現有的假釋制度已採用機器學習系統，將假釋犯分成高、中、低風險三個族群，讓假釋官能夠多注意高危險群。 讓人依賴電腦不相信專業 但這種制度可能會造成決策過程流於片面。我幾年前撰文討論費城的假釋制度時，發現有些假釋官認為這套制度太作繭自縛，如果也能多關心低危險群，幫助他們戒毒、找工作、拿到高中學歷等，整體成效可能更大。他們擔心長官寧可相信電腦，而不信他們這些假釋官。 伯克也有同樣的擔憂，深伯各界美化了這項預測技術。未經科學測試的系統，自然會招來質疑聲音，即使是經證實準確率高於人類的系統，也絕對稱不上完美。有了機器學習的幫助，警方能掌握足夠資訊再下判斷，但現階段如果凡事都靠電腦打擊犯罪，恐怕是本末倒置。 | ||||