Robert Klatt
Eine KI kann anhand von zeitlichen Mustern und geografischen Standorten zukünftige Verbrechen eine Woche im Voraus mit einer Genauigkeit von 90 Prozent prognostizieren.
Chicago (U.S.A.). In vielen Ländern wird seit Langem an einer Kriminalitätsvorhersage, gearbeitet, um kriminelle Aktivitäten zu prognostizieren und Polizeiressourcen entsprechend zu verteilen. Es gibt für das sogenannte Predictive Policing unterschiedliche Ansätze, die entweder auf geographische oder individuelle Faktoren ausgerichtet sind und auf verschiedenen statistischen Methoden und Sozialforschungstechniken basieren. In der Forschung war die Kriminalitätsvorhersage bisher jedoch umstritten, da sie systematische Vorurteile in der Polizeiarbeit und deren komplexe Verbindung mit Kriminalität und Gesellschaft nicht berücksichtigte.
Wissenschaftler der University of Chicago um Ishanu Chattopadhyay haben nun eine neue Künstliche Intelligenz (KI) entwickelt, die Kriminalität vorhersagt, indem sie zeitliche Muster und geografischen Standorten aus öffentlichen Daten über Gewalt- und Eigentumsdelikte analysiert. Laut der Publikation im Fachmagazin Nature Human Behaviour kann die KI zukünftige Verbrechen eine Woche im Voraus mit einer Genauigkeit von 90 Prozent prognostizieren.
Die neuentwickelte KI wurde mit historischen Kriminalitätsdaten aus der Stadt Chicago überprüft. Es wurden zwei weit gefasste Kategorien von gemeldeten Vorfällen betrachtet, nämlich Gewaltverbrechen und Eigentumsdelikte. Diese Daten wurden herangezogen, da es am wahrscheinlichsten ist, dass sie in städtischen Gebieten, in denen traditionell Misstrauen und mangelnde Zusammenarbeit mit der Polizei herrschen, gemeldet werden.
Laut James Evans haben frühere Ansätze zur Kriminalitätsprognose epidemische oder seismische Modelle verwendet, bei denen sich Kriminalität von einem Hotspot auf umliegende Gebiete ausbreitet. Diese Methoden vernachlässigen jedoch die komplexe soziale Landschaft von Städten und berücksichtigen nicht die Beziehung zwischen Kriminalität und den Auswirkungen polizeilicher Durchsetzung.
„Räumliche Modelle ignorieren die natürliche Topologie der Stadt. Verkehrsnetzwerke berücksichtigen Straßen, Gehwege, Bahn- und Buslinien. Kommunikationsnetzwerke berücksichtigen Gebiete mit ähnlichem sozioökonomischem Hintergrund. Unser Modell ermöglicht die Entdeckung dieser Verbindungen.“
Der neue Algorithmus untersucht Kriminalität hingegen, indem er den Zeitpunkt und die räumlichen Koordinaten einzelner Ereignisse betrachtet und Muster erkennt, um zukünftige Vorfälle vorauszusagen. Es teilt die Stadt in räumliche Einheiten von etwa 300 Metern Durchmesser und prognostiziert Kriminalität innerhalb dieser Bereiche, anstatt sich auf traditionelle Stadtviertel- oder politische Grenzen zu verlassen, die ebenfalls Voreingenommenheit unterliegen können.
„Wir zeigen die Bedeutung der Entdeckung stadt-spezifischer Muster für die Vorhersage von gemeldeten Straftaten auf. Dies eröffnet eine neue Sichtweise auf Stadtviertel, ermöglicht es uns, innovative Fragen zu stellen und lässt uns polizeiliches Handeln auf neue Weisen bewerten.“
Überdies haben die Forscher in einem separaten Modell die Polizeireaktion auf Kriminalität analysiert, indem sie die Anzahl der Verhaftungen nach Zwischenfällen untersuchten und diese Raten in Stadtvierteln mit unterschiedlichem sozioökonomischem Status verglichen. Sie stellten fest, dass Verbrechen in wohlhabenderen Gebieten zu mehr Verhaftungen führten, während die Verhaftungen in benachteiligten Stadtvierteln zurückgingen. Kriminalität in ärmeren Vierteln führte allerdings nicht zu mehr Verhaftungen, was auf eine Voreingenommenheit in der polizeilichen Reaktion und Durchsetzung hindeutet.
„Was wir sehen, ist, dass wenn das System unter Druck gesetzt wird, mehr Ressourcen benötigt werden, um auf Kriminalität in einem wohlhabenden Gebiet mit mehr Verhaftungen zu reagieren, und dass dadurch Polizeiressourcen von Gebieten mit niedrigerem sozioökonomischen Status abgezogen werden.“
Laut Chattopadhyay sollte die KI trotz ihrer hohen Genauigkeit nicht zur Steuerung der Polizei verwendet werden, etwa indem Polizeiabteilungen Stadtviertel proaktiv überwachen. Stattdessen sollte es in eine Sammlung von städtischen Richtlinien und Polizeistrategien zur Bekämpfung von Kriminalität integriert werden.
„Wir haben ein digitales Abbild städtischer Umgebungen erstellt. Wenn Sie es mit Daten aus der Vergangenheit füttern, wird es Ihnen sagen, was in der Zukunft passieren wird. Es ist nicht magisch, es gibt Einschränkungen, aber wir haben es validiert und es funktioniert wirklich gut. Jetzt können Sie es als Simulationswerkzeug verwenden, um zu sehen, was passiert, wenn die Kriminalität in einem Bereich der Stadt steigt, oder wenn in einem anderen Bereich die Durchsetzung erhöht wird. Wenn Sie all diese verschiedenen Variablen anwenden, können Sie sehen, wie das System sich daraufhin entwickelt.“
Nature Human Behaviour, doi: 10.1038/s41562-022-01372-0
