Um novo modelo de computador usa dados disponíveis publicamente para prever crimes com precisão em oito cidades nos EUA, ao mesmo tempo em que revela uma maior resposta policial em bairros ricos em detrimento de áreas menos favorecidas.
Avanços em inteligência artificial e aprendizado de máquina despertaram o interesse de governos que gostariam de usar essas ferramentas para policiamento preditivo para deter o crime. No entanto, os primeiros esforços na previsão do crime têm sido controversos, porque não levam em conta os vieses sistêmicos na aplicação da polícia e sua complexa relação com o crime e a sociedade.
Os dados e cientistas sociais da Universidade de Chicago desenvolveram um novo algoritmo que prevê crimes aprendendo padrões de tempo e localizações geográficas a partir de dados públicos sobre crimes violentos e contra a propriedade. Ele demonstrou sucesso em prever crimes futuros com uma semana de antecedência com aproximadamente 90% de precisão.
Em um modelo separado, a equipe de pesquisadores também estudou a resposta da polícia ao crime analisando o número de prisões após incidentes e comparando essas taxas entre bairros com diferentes níveis socioeconômicos. Eles viram que o crime em áreas mais ricas resultou em mais prisões, enquanto as prisões em bairros desfavorecidos caíram. O crime em bairros pobres não levou a mais prisões, no entanto, sugerindo viés na resposta e aplicação da polícia.
“O que estamos vendo é que quando você estressa o sistema, ele requer mais recursos para prender mais pessoas em resposta ao crime em uma área rica e afasta os recursos policiais de áreas de status socioeconômico mais baixo”, disse Ishanu Chattopadhyay, PhD, Professor Assistente of Medicine na UChicago e autor sênior do novo estudo, que foi publicado em 30 de junho de 2022, na revista Nature Human Behaviour.
A nova ferramenta foi testada e validada usando dados históricos da cidade de Chicago em torno de duas grandes categorias de eventos relatados: crimes violentos (homicídios, assaltos e baterias) e crimes contra a propriedade (roubos, furtos e roubos de veículos motorizados). Esses dados foram usados porque eram mais propensos a serem relatados à polícia em áreas urbanas onde há desconfiança histórica e falta de cooperação com a aplicação da lei. Esses crimes também são menos propensos ao viés de execução, como é o caso de crimes de drogas, batidas de trânsito e outras infrações de contravenção.
“Quando você estressa o sistema, ele requer mais recursos para prender mais pessoas em resposta ao crime em uma área rica e afasta os recursos policiais de áreas de status socioeconômico mais baixo.”
– Ishanu Chattopadhyay, PhD
Esforços anteriores na previsão do crime geralmente usam uma abordagem epidêmica ou sísmica, onde o crime é descrito como emergente em “pontos quentes” que se espalham para áreas vizinhas. Essas ferramentas perdem o complexo ambiente social das cidades, no entanto, e não consideram a relação entre o crime e os efeitos da aplicação da polícia.
“Os modelos espaciais ignoram a topologia natural da cidade”, disse o sociólogo e coautor James Evans, PhD, professor Max Palevsky na UChicago e no Santa Fe Institute. “As redes de transporte respeitam ruas, passarelas, linhas de trem e ônibus. As redes de comunicação respeitam áreas de contexto socioeconómico semelhante. Nosso modelo permite a descoberta dessas conexões.”
O novo modelo isola o crime observando as coordenadas espaciais e temporais de eventos discretos e detectando padrões para prever eventos futuros. Ele divide a cidade em blocos espaciais de aproximadamente 1.000 pés de largura e prevê o crime dentro dessas áreas, em vez de depender de bairros tradicionais ou limites políticos, que também estão sujeitos a preconceitos. O modelo teve o mesmo desempenho com dados de outras sete cidades dos EUA: Atlanta, Austin, Detroit, Los Angeles, Filadélfia, Portland e São Francisco.
“Demonstramos a importância de descobrir padrões específicos da cidade para a previsão de crimes relatados, o que gera uma nova visão dos bairros da cidade, nos permite fazer novas perguntas e nos permite avaliar a ação policial de novas maneiras”, disse Evans.
Chattopadhyay tem o cuidado de observar que a precisão da ferramenta não significa que ela deva ser usada para direcionar a aplicação da lei, com os departamentos de polícia usando-a para invadir bairros de forma proativa para prevenir o crime. Em vez disso, deve ser adicionado a uma caixa de ferramentas de políticas urbanas e estratégias de policiamento para combater o crime.
“Criamos um gêmeo digital de ambientes urbanos. Se você alimentá-lo com dados do passado, ele lhe dirá o que vai acontecer no futuro. Não é mágico, há limitações, mas validamos e funciona muito bem”, disse Chattopadhyay. “Agora você pode usar isso como uma ferramenta de simulação para ver o que acontece se o crime aumentar em uma área da cidade ou se houver um aumento da fiscalização em outra área. Se você aplicar todas essas variáveis diferentes, poderá ver como os sistemas evoluem em resposta.”
Publicado em 12/07/2022 05h32
Artigo original:
Estudo original: