公平性不仅仅是算法： COMPAS 数据中的种族差异与再犯时间

在刑事司法系统中，关于再犪的种族差异持续存在，算法风险评估工具的采用进一步加剧了这一挑战。过去的研究主要关注这些工具引起的偏见，将再犪视为二元结果。很少有研究从系统性视角考察非算法因素（包括社会经济因素）在驱动种族差异方面的作用。为此目的，本文提出了多阶段因果框架，以考察差异的出现及其范围，关注再犪的时间而非简单的数字结果。该框架捕获了种族、算法以及背景因素之间的相互作用。本文引入了反事实种族差异的概念，并提出一种可通过生存分析在观察数据上执行的形式检验，用于评估再犪差异是否源于算法偏见、背景因素或其相互作用。在 particular，它正式建立了如果在统计证据中观察到跨族群的差异，就支持拒绝非算法因素（包括社会经济因素）不影响再犪的原假设。对 COMPAS 数据集应用此框架的实证研究显示，短期再犪模式在控制风险得分后不 exhibit 种族差异。然而，随着更长的跟踪期，尤其是在低风险群体中，出现统计显著的差异。这表明，除了算法得分之外的因素（可能是住房、就业和社会支持方面的结构性差异），可能会累积并加剧再犪风险。该结果强调了超越算法改进之外的政策干预的必要性，以应对影响再犪轨迹的更广泛因素。