《季刊经济学》的一篇新论文发现，用算法取代某些司法决策功能可以消除法官的一些系统性偏见，从而改善被告的结果。
决策者根据对未知结果的预测做出重要的选择。尤其是法官，他们要决定是否允许被告保释或如何判处有罪者。现在，公司在高风险决策中越来越多地使用基于机器学习的模型。
在部署此类学习模型时，存在着对人类行为的各种假设，这些假设体现在亚马逊的产品推荐、电子邮件的垃圾邮件过滤以及手机上的预测文本中。
研究人员对其中一种行为假设进行了统计检验，即决策者是否会犯系统性的预测错误，并进一步开发了评估他们的预测系统性偏差方式的方法。
通过分析纽约市的审前制度，该研究发现，相当一部分法官会根据被告的种族、年龄和先前行为等特征，对审前不当行为风险做出系统性的预测错误。
本研究使用了纽约市法官的信息，这些法官被准随机分配到指定法庭按轮班确定的案件。该研究测试了法官的释放决定是否反映了对被告未能出庭受审的风险的准确看法（以及其他因素）。该研究基于 1,460,462 起纽约市案件的信息，其中 758,027 起案件需要做出审前释放决定。
本文推导出了一项统计检验方法，用于判断决策者是否会犯系统性预测错误，并提供了评估决策者预测系统性偏差的方法。通过分析纽约市法官的审前释放决定，本文估计至少有 20% 的法官会根据被告的特征对被告的不当行为风险做出系统性预测错误。受此分析的启发，本文研究人员评估了用算法决策规则取代法官的效果。
该报发现，纽约市至少 32% 的法官的判决与被告支付规定保释金额的实际能力以及他们不出庭受审的真实风险不一致。
此处的研究表明，当同时考虑被告的种族和年龄时，中等法官对分配给他们的被告的约 30% 会犯系统性预测错误。当同时考虑被告的种族和被告是否被指控犯有重罪时，中等法官对分配给他们的被告的约 24% 会犯系统性预测错误。
虽然该论文指出，用算法决策规则取代法官所产生的效果并不明确，这取决于政策制定者的目标（期望的结果是更多的被告出庭受审，还是更少的被告在监狱里等待审判？），但似乎用算法决策规则取代法官将导致审判结果提高 20%，这是基于获释被告的未出庭率和审前拘留率来衡量的。
论文的主要作者 Ashesh Rambachan 表示：“用算法取代人类决策者的效果取决于人类是否根据算法可观察到的信息做出系统性预测错误与人类是否观察到任何有用的私人信息之间的权衡。”
“本文中的计量经济学框架使实证研究人员能够提供有关这些竞争力量的直接证据。”
本站全部资讯来源于实验室原创、合作机构投稿及网友汇集投稿，仅代表个人观点，不作为任何依据，转载联系作者并注明出处：https://www.lvsky.net/214.html
评论