Maschinelles Lernen könnte richterliche Prognosen von Fluchtversuchen und Rückfallkriminalität unterstützen

Dabei könnte sich maschinelles Lernen als zuverlässiger als richterliche Prognosen erweisen. Forscher der Universitäten Cornell, Stanford und Harvard sowie der Universität von Chicago haben in Zusammenarbeit mit dem US-amerikanischen National Bureau of Economic Research untersucht, „wie maschinelles Lernen eingesetzt werden kann, um menschliche Entscheidungsprozesse zu verbessern und nachzuvollziehen“. Dabei haben sie einen Algorithmus zur Erkennung von Fluchtrisiken bei Verdächtigen entwickelt.

Im Zuge der Analyse großer Datenmengen so zum Beispiel aus Polizeiprotokollen, Fallunterlagen und dem Strafregister von Angeklagten hat sich der Algorithmus als sehr treffsicher erwiesen und in den in New York durchgeführten Prognosetests hervorragend abgeschnitten.

Aufbauend auf einem System zur Mustererkennung kann die Software Richter dabei unterstützen, das Verhalten von Angeklagten (Fluchtversuche bzw. Wiederholungsgefahr) besser vorherzusagen. Darüber hinaus kann sie dazu beitragen, Untersuchungshaftkosten zu senken, falls keine Fluchtgefahr besteht, und zudem „Straftaten und Rassenunterschiede unter den Insassen vermindern“.

„Wir beobachten ausschließlich die Verbrechensentwicklung bei Angeklagten, die auf freien Fuß gesetzt wurden, nicht aber für solche, bei denen der Richter Haft angeordnet hat. Dadurch wir die Bewertung von kontrafaktischen Entscheidungsregeln auf Grundlage von algorithmischen Prognosen erschwert“, so die Autoren der Studie „Außerdem ist es möglich, dass Richter ein größeres Spektrum an Faktoren berücksichtigen, als die einzelne Variable, auf die sich der Algorithmus konzentriert; so könnte einem Richter beispielsweise besonders daran gelegen sein, Ungleichbehandlung aufgrund von Hautfarbe oder bestimmte Straftaten (wie Gewaltverbrechen) zu verhindern, und nicht allein das allgemeine Kriminalitätsrisiko berücksichtigen.“

Das Projekt steckt noch in den Kinderschuhen und wird weitere intensive Forschungsarbeit erforderlich machen, um sicherzustellen, dass am Ende eine faire Entscheidung und kein Softwarefehler steht.

rn