数据驱动的罪犯危险性评估方法

发布时间：2021-03-22 06:43

　　监狱关注的罪犯危险性除了释放后的再犯可能,还包含实施脱逃、行凶、暴狱、抗改、自杀等狱内危险行为的可能[1],并且因为监管安全的压力,更加倾向于后者。智慧监狱[2]建设提升了监狱信息化水平,运用机器学习方法对信息化系统中的罪犯数据进行分析,评估罪犯的狱内危险和再犯可能,对稳定监狱秩序和提升改造质量具有现实意义。 

【文章来源】：中国监狱学刊. 2020,35(04)

【文章页数】：5 页

【部分图文】：

狱内危险性决策树模型

实验结果表明:(1)相较于RW量表能够获取罪犯的犯罪史、成长史、家庭背景等详细信息，机器学习分类算法只利用了监狱信息化系统中的罪犯基本信息和改造表现数据，就获得了更高的危险犯分类性能。(2)各种分类模型的精度都不高:一种可能是相当一部分非危险犯的各项数据与危险犯非常接近，实践中对危险犯的甄别不充分;另一种可能是信息化系统中的数据并不完善，遗漏了区分是否为危险犯的重要信息，如是否曾尝试自杀、顶撞民警、往来信件、违纪扣分明细、COPA-PI测试得分等。(3)由于基层警力有限，监狱日常管理中确定的危险犯数量不会太多，分类模型不宜直接用作危险犯评定的标准，可为监狱民警分析狱情提供参考。四、再犯罪可能性预测

罪犯危险性评估的研究成果众多，但尚未有在监狱中推广使用的有效工具或量表，原因在于评估方法的实用性、科学性不足[18]。数据驱动的罪犯危险性评估方法是许多西方国家推广使用多年的评估工具所通用的方法，相较于传统的量表方法，其优势在于:机器学习方法的数据来源于实践，需求也来源于实践，用监狱信息化系统中的数据训练和测试模型，无须面谈、阅档、填表等烦琐的操作，只要将模型内嵌在监狱信息化系统中即可随时对所有罪犯的危险性进行评估，对于监狱民警甄别、评估以及撤销危险犯具有现实意义。在大数据背景下，尝试用抽样和逻辑回归设计评估量表的思路存在先天不足:(1)因为抽样偏差，不同地域、不同刑期结构、不同押犯构成的监狱对危险犯的评估也不一样，量表的适用范围必然受限;(2)量表设计通常用逻辑回归算法，而逻辑回归的固有缺陷会造成量表在设计阶段就出现偏差。数据驱动的罪犯危险性评估方法的价值并不在于带有参数的模型本身，而是用机器学习方法挖掘罪犯数据从而发现罪犯危险性规律这一思路可以轻易地推广到所有已经通过验收的“智慧监狱”中，满足对监狱数据研判的要求，提升智慧监狱中的数据应用水平。尽管罪犯危险性评估算法吸引了很多研究人员的关注，但数据质量和数据维度才是影响评估结果最重要的因素。人工智能技术的发展使得对罪犯相关的文本、语音、视频数据挖掘成为可能，司法部门之间应当加强数据互通，共建全面准确的罪犯数据库，共用共享罪犯危险性评估工具，为推进刑罚执行一体化改革和提升刑事治理能力寻求突破。

【参考文献】：
期刊论文
[1]罪犯危险性评估系统工具研发与实践——以广东监狱为例[J]. 陈志文,黄东荣,周竹.  犯罪与改造研究. 2019(08)
[2]机器学习模型在预测服刑人员再犯罪危险性中的效用分析[J]. 马国富,王子贤,马胜利.  河北大学学报(自然科学版). 2017(04)
[3]罪犯改造质量评估与罪犯危险性评估的研究思考[J]. 高文.  犯罪与改造研究. 2016(05)
[4]罪犯危险评估的几个基本问题[J]. 翟中东,孙霞.  中国监狱学刊. 2016 (03)
[5]罪犯危险性评估研究综述[J]. 何川,马皑.  河北北方学院学报(社会科学版). 2014(02)
[6]危险评估与控制——新刑罚学的主张[J]. 翟中东.  法律科学(西北政法大学学报). 2010(04)



本文编号：3093833