案例研究：通过社会服务干预利用预测公平性降低轻罪再犯率

刑事司法系统目前不足以改善那些因一系列轻罪而在系统中进出的个体的结果。常由于案件量限制与糟糕的记录关联，当个体再次进入系统时，先前的交互可能未被考虑，更不用说通过转处项目的应用进行主动干预。洛杉矶市检察官办公室最近创建了一个新的减再犯与药物转处部门（R2D2），其任务是降低该人群的再犯率。在此，我们描述与该新部门的合作，作为在资源受限环境中将预测公平性纳入基于机器学习的决策制定的案例研究。该计划旨在通过为可能经历与刑事司法系统后续交互的个体开发量身定制的社会服务干预（即基于适当社会服务关联而非传统量刑方法的转处、附条件认罪协议、暂缓量刑或其他有利案件处置），来改善结果，这是一项耗时且耗资源的任务，需要能够将资源聚焦于最有可能涉及未来案件的个体上。为同时实现效率（通过预测准确性）与公平（改善传统上服务不足社区的结果并努力缓解刑事司法结果中的现有差异），我们讨论了力求实现的公平结果，描述了在此背景下衡量预测公平性的相应指标选择，并探索在运营公共政策环境中构建与选择机器学习模型时平衡公平与效率的一组选项。