用于基于性别犯罪风险预测的机器学习方法

基于性别的犯罪是当代社会最令人担忧的祸害之一。世界各国政府投入大量经济与人力资源以彻底消除这一威胁。尽管有这些努力,对性别暴力受害者再次遭受攻击的风险提供准确预测仍是一个极为困难的开问题。开发用于发出准确、公平且快速预测的新方法,将使警方能够选择最合适的措施来预防再犯。在这项工作中,我们提议应用机器学习(ML)技术来创建准确预测性别暴力施害者再犯风险的模型。本工作的贡献相关性体现在三个方面:(i)所提出的ML方法优于基于经典统计技术的既有风险评估算法,(ii)该研究通过包含逾40,000份性别暴力报告的官方专用数据库开展,(iii)提出了两种新的质量度量,用于评估模型所提供的有效警察保护及其所产生的资源投入负担。此外,我们提出了一种将统计预测方法与ML方法相结合的混合模型,使当局能够实现从既有模型到基于ML模型的平稳过渡。这种混合特性使得决策过程能够在警察系统效率与所采取保护措施的严厉程度之间实现最优平衡。