Những tiến bộ trong trí tuệ nhân tạo (AI) và Máy học thu hút sự quan tâm của các chính quyền, muốn sử dụng những công cụ này để thiết lập kế hoach dự báo cho cảnh sát nhằm ngăn chặn tội phạm. Nhưng những nỗ lực ban đầu trong việc dự đoán tình trạng tội phạm gây tranh cãi, do không thể giải thích được những sai lệch mang tính hệ thống trong việc thực thi pháp luật của cảnh sát và mối quan hệ phức tạp của người thừa hành pháp luật với tội phạm và xã hội.

Các nhà khoa học dữ liệu và xã hội thuộc Đại học Chicago đã phát triển một thuật toán mới, dự báo tình trạng an ninh bằng phương pháp Máy học những quy luật về thời gian và vị trí địa lý từ dữ liệu công khai về tội phạm, liên quan đến tài sản và bạo lực. Thuật toán chứng tỏ sự thành công trong khả năng dự đoán các tội ác tương lai trước một tuần với độ chính xác khoảng 90% .

Trong một mô hình riêng biệt, nhóm nhà khoa học cũng nghiên cứu phản ứng của cảnh sát đối với tội phạm, phân tích số vụ bắt giữ sau những vụ việc, so sánh tỷ lệ giữa các khu dân cư có tình trạng kinh tế xã hội khác nhau. Kết quả cho thấy, các vụ phạm tội ở những khu vực giàu có dẫn đến nhiều vụ bắt giữ hơn, các vụ bắt giữ ở các khu vực lân cận kém phát triển có chiều hướng suy giảm. Tội phạm ở các khu dân cư nghèo không dẫn đến nhiều vụ bắt giữ hơn nếu so sánh với các khu dân cư giàu có cho thấy sự thiên lệch trong phản ứng và thực thi pháp luật của cảnh sát.

Ishanu Chattopadhyay, TS, PGS Y khoa tại đại học Chicago, tác giả chính của nghiên cứu mới cho biết, có thể nhận thấy, khi có áp lực lên hệ thống, cơ quan thực thi pháp luật đòi hỏi nhiều nguồn lực hơn, bắt giữ nhiều hơn để đối phó với tội phạm ở một khu vực giàu có, thu hút nguồn lực cảnh sát từ những khu vực có tình trạng kinh tế xã hội thấp hơn.”

Báo cáo khoa học của nghiên cứu mới được xuất bản trên tạp chí Nature Human Behavior ngày 30/6/2022.

Công cụ mới được thử nghiệm và xác thực, sử dụng dữ liệu lịch sử từ Thành phố Chicago về hai loại sự kiện phạm pháp được báo cáo: tội phạm bạo lực (giết người, hành hung, băng đảng) và tội phạm tài sản (ăn trộm, ăn cắp và trộm xe cơ giới). Những dữ liệu này thường xuyên được thông báo cho cảnh sát ở những khu đô thị, có lịch sử không tin tưởng và thiếu hợp tác với cơ quan thực thi pháp luật. Những tội phạm như vậy cũng ít bị thiên vị trong thực thi pháp luật hơn nếu so sánh với các trường hợp phạm tội ma túy, dừng đỗ xe và các hành vi vi phạm nhẹ khác.

Những nỗ lực trước đây trong việc dự đoán tội phạm thường sử dụng phương pháp tiếp cận “dịch bệnh” hoặc “địa chấn”, tội phạm được mô tả là nổi lên ở các “điểm nóng” và lây lan sang các khu vực xung quanh. Nhưng những công cụ này bỏ sót môi trường xã hội phức tạp của các thành phố và không xem xét mối quan hệ giữa tội phạm và tác động của việc cảnh sát thực thi pháp luật.

 “Các mô hình không gian bỏ qua cấu trúc liên kết tự nhiên của thành phố,” nhà xã hội học và đồng tác giả nghiên cứu James Evans, GS TS Max Palevsky tại đai học Chicago và Viện Santa Fe cho biết: “Mạng lưới giao thông tôn trọng các đường phố, lối đi bộ, đường tàu và xe buýt. Mạng lưới thông tin liên lạc tôn trọng các khu vực có nền kinh tế xã hội tương đương. Mô hình mới cho phép khám phá các kết nối trong môi trường xã hội ”.

Mô hình mới cô lập tội phạm bằng phương pháp xem xét thời gian và tọa độ không gian của những sự kiện rời rạc, phát hiện những quy luật để dự đoán những sự kiện trong tương lai. Thuật toán chia thành phố thành các ô không gian có chiều ngang khoảng 1.000 feet (304 m) và dự đoán tội phạm trong các khu vực này thay vì dựa vào ranh giới các khu vực lân cận hoặc ranh giới chính trị truyền thống, thường dẫn đến sự thiên vị. Mô hình cũng hoạt động tốt với dữ liệu từ 7 thành phố khác của Mỹ: Atlanta, Austin, Detroit, Los Angeles, Philadelphia, Portland và San Francisco.

Nghiên cứu đã chứng minh tầm quan trọng của việc khám phá những quy luật đặc thù của thành phố để dự đoán tình trạng tội phạm, tạo ra một góc nhìn mới về những khu dân cư trong thành phố, đánh giá hoạt động của cảnh sát theo phương pháp mới.

PGS Chattopadhyay cẩn thận lưu ý, độ chính xác của công cụ này không có nghĩa là công cụ nên được sử dụng để chỉ đạo điều hành các cơ quan thực thi pháp luật, hay các sở cảnh sát sử dụng để chủ động truy quét các khu dân cư nhằm ngăn chặn tội phạm. Mô hình nên được thêm vào hộp công cụ bao gồm các chính sách đô thị và chiến lược trị an để giải quyết vấn đề tội phạm.

Theo ông, nghiên cứu tạo ra một bản sao kỹ thuật số của môi trường đô thị. Nếu cung cấp dữ liệu đã xảy ra trong quá khứ, mô hình sẽ cho biết điều gì có thể xảy ra trong tương lai. Mô hình không phải toàn năng, có những hạn chế, nhưng đã được thử nghiệm và hoạt động thực sự hiệu quả.

Đây được coi là công cụ mô phỏng để dự đoán, điều gì sẽ xảy ra nếu tội phạm gia tăng ở một khu vực của thành phố hoặc có sự tăng cường thực thi pháp luật ở một khu vực khác. Nếu áp dụng tất cả các biến số khác nhau y, có thể dự đoán được phương thức phát triển hệ thống thực thi pháp luật để đáp ứng.