Ishanu Chattopadhyay, professeur adjoint à l'Université de Chicago, a déclaré à Insider que lui et son équipe ont créé un modèle de « jumeau urbain » capable de prédire les crimes futurs en s'entraînant sur les données de la criminalité de Chicago de 2014 à fin 2016. La probabilité de certains crimes au cours des prochaines semaines et réduit à un rayon de deux pâtés de maisons avec une précision de 90 %.
Chattopadhyay a déclaré : "Nous rapportons une méthode permettant de prédire la criminalité urbaine au niveau d'un événement individuel avec une précision prédictive bien plus élevée que par le passé. "
James, co-auteur du Le journal Evans a déclaré à Science Daily : « Nous avons démontré l'importance de découvrir des modèles de criminalité spécifiques à une ville pour prédire les rapports sur la criminalité, ce qui a donné une vision complètement nouvelle des quartiers urbains, nous a permis de poser de nouvelles questions et nous a permis d'évaluer de nouvelles manières l'action de la police. ."
L'étude a été publiée dans Nature Human Behaviour.
Lien papier :
https://www.nature.com/articles/s41562-022-01372-0
Les données du modèle proviennent de données historiques de la ville de Chicago, qui comprennent deux grandes catégories d'incidents signalés : les crimes violents (meurtre, voies de fait et coups et blessures) et les crimes contre les biens (cambriolage, vol et vol de véhicule à moteur). ).
Selon les données compilées par AreaVibes, le taux de criminalité à Chicago en 2020 était 67 % plus élevé que la moyenne nationale.
Ces données sont utilisées car elles sont plus susceptibles d'être signalées à la police dans les zones urbaines où il y a un historique de méfiance et de manque de coopération avec les forces de l'ordre.
Contrairement aux crimes liés à la drogue, aux contrôles routiers et à d'autres délits mineurs, ces crimes sont également moins sujets aux préjugés des forces de l'ordre.
En testant et en validant les données, le nouveau modèle formé peut prédire avec précision le schéma des événements dans les semaines à venir en observant les coordonnées temporelles et spatiales d'événements discrets, et la portée géographique peut être contrôlée à environ deux blocs .
Le modèle a obtenu des résultats similaires dans sept autres villes (Atlanta, Austin, Detroit, Los Angeles, Philadelphie, Portland et San Francisco.), en se concentrant sur le type de crime et l'endroit où il s'est produit.
"Nous créons un jumeau numérique d'un environnement urbain. Si vous fournissez des données sur ce qui s'est passé dans le passé, cela vous indique ce qui se passera dans le futur", a déclaré Chattopadhyay. "Ce n'est pas magique, il y en a. Limites, mais nous l'avons validé et cela a très bien fonctionné. par exemple, les services de police ne devraient pas l'utiliser pour converger de manière proactive vers une communauté afin de prévenir le crime », a déclaré Chattopadhyay.
« Maintenant, vous pouvez l'utiliser comme outil de simulation pour voir ce qui se passerait si la criminalité augmentait dans un quartier de la ville, ou si l'application de la loi augmentait dans un autre quartier, si vous appliquiez toutes ces différentes variables. vous pouvez voir comment le système réagit à ces variables", a expliqué Chattopadhyay.
L'équipe de recherche a également examiné les réponses de la police à la criminalité en analysant le nombre d'arrestations à la suite d'un incident et en comparant les taux d'arrestation dans différentes communautés.
Les préjugés raciaux dans le maintien de l'ordre ont un coût économique élevé et exacerbent les inégalités dans les zones qui souffrent déjà de graves privations, selon une étude compilée par Econofact. Ils ont constaté que lorsque les taux de criminalité augmentent dans les zones riches, davantage de personnes sont arrêtées. Mais cela ne se produit pas dans les communautés défavorisées, ce qui montre que la réponse et l’application de la police sont inégales. Ainsi, en rendant publics les données et les algorithmes pour accroître la surveillance, Chattopadhyay espère que les résultats seront utilisés à des fins politiques de haut niveau plutôt que comme un outil de réponse policière.
Malgré cela, de nombreux doutes subsistent quant à de telles recherches. 
En 2016, la police de Chicago a expérimenté un modèle pour prédire les personnes les plus susceptibles d'être impliquées dans des fusillades, mais la liste mystérieuse a finalement révélé que 56 % des hommes noirs vivant à Chicago figuraient sur la liste, suscitant des accusations. du racisme.
Bien que certains modèles tentent d'éradiquer ces préjugés, ils ont souvent l'effet inverse, certains accusant les préjugés raciaux dans les données sous-jacentes d'alimenter de futurs comportements biaisés.
Lawrence Sherman, du Cambridge Center for Evidence-Based Policing, a déclaré au New Scientist qu'il craignait que l'étude incorpore des données policières dans des études qui s'appuient sur des rapports de citoyens ou sur la présence policière à la recherche de crimes.
Chattopadhyay convient qu'il s'agit d'un problème et son équipe tente de résoudre ce problème en excluant les crimes signalés par les citoyens et les interventions de la police (impliquant souvent des infractions mineures en matière de drogue et des contrôles routiers), ainsi que les crimes violents et contre les biens plus graves. (en tout cas, ils sont plus susceptibles d'être signalés) pour expliquer ce problème.
Chattopadhyay a déclaré : "Idéalement, si vous pouvez prédire ou prévenir le crime, la seule réponse ne devrait pas être d'envoyer davantage de policiers ou de forces de l'ordre contre les inondations dans un quartier particulier
"Si vous peut prévenir le crime, il y a beaucoup d'autres choses que nous pouvons faire pour empêcher que ce genre de chose ne se produise afin que personne ne aille en prison et aide la société dans son ensemble .
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
