پیشبینی جرم مبتنی بر هوش مصنوعی و مخاطرات مسئولیت کیفری آن در کنترل جرم شهری
کلمات کلیدی:
پلیسگری پیشبین, هوش مصنوعی, کنترل جرایم شهری, سوگیری الگوریتمی, مسئولیت کیفریچکیده
پلیسگری پیشبین مبتنی بر هوش مصنوعی به عنوان یک ابزار تحولآفرین در کنترل جرایم شهری مطرح شده است و امکان پیشبینی فعالیتهای مجرمانه و بهینهسازی تخصیص منابع نیروی انتظامی را فراهم میکند. با استفاده از دادههای تاریخی جرایم و الگوریتمهای پیشرفته یادگیری ماشین، این سیستمها میتوانند مکانهای پرخطر را شناسایی کرده و الگوهای جرایم در حال ظهور را پیشبینی کنند. با وجود مزایای آشکار در کاهش جرم و افزایش کارایی عملیاتی، پلیسگری پیشبین نگرانیهای مهمی در زمینه مسئولیت، شفافیت و مخاطرات کیفری ایجاد میکند. وابستگی به الگوریتمهای دادهمحور ممکن است سوگیریهایی ایجاد کرده و نابرابریهای اجتماعی موجود را تشدید کند و جوامع حاشیهای را به طور نامتناسب هدف قرار دهد. علاوه بر این، واگذاری تصمیمگیری به سیستمهای هوش مصنوعی اصول سنتی عدالت کیفری، به ویژه فرآیند قانونی و پیشبینیپذیری اقدامات، و انتساب مسئولیت به نتایج اجرای قانون را به چالش میکشد. این مقاله نقش دوگانه پلیسگری پیشبین را بررسی میکند: اثربخشی آن در پیشگیری از جرم شهری و خطرات ذاتی آن برای مسئولیت کیفری در بخشهای عمومی و خصوصی. از طریق ترکیب انتقادی مطالعات تجربی اخیر، تحلیلهای حقوقی و چارچوبهای اخلاقی، مقاله تنشهای بین نوآوری تکنولوژیک و مسئولیت قانونی را برجسته میکند. نتایج نشان میدهد که اگرچه پلیسگری پیشبین میتواند برخی جرایم شهری را کاهش دهد، فقدان نظارت قانونی و مکانیزمهای پاسخگویی، خطرات حقوقی و اخلاقی را تشدید میکند. تصمیمگیرندگان و نهادهای انتظامی باید چارچوبهای حاکمیتی دقیق، شفافیت الگوریتمی و نظارت انسانی را پیادهسازی کنند تا مسئولیتها کاهش یافته و حقوق بنیادین حفظ شود. این مطالعه نتیجه میگیرد که استفاده پایدار و عادلانه از هوش مصنوعی در پلیسگری نیازمند توازن دقیق بین کارایی عملیاتی و رعایت استانداردهای حقوقی و اخلاقی است.
مراجع
Mohler G, Short MB, Brantingham P, Schoenberg FP, Tita GE. Self-exciting point process modeling of crime.
J Am Stat Assoc. 2011;106(493):100–108.
Ferguson A. The rise of big data policing: Surveillance, race, and the future of law enforcement. New York
University Law Rev. 2017;92(1):85–124.
Brayne S. Predict and surveil: Data, discretion, and the future of policing. Oxford University Press; 2020.
Perry WL, McInnis B, Price CC, Smith S, Hollywood J. Predictive policing: The role of crime forecasting in
law enforcement operations. RAND Corporation; 2013.
European Commission. Proposal for a regulation of the European Parliament and of the Council laying
down harmonized rules on artificial intelligence (Artificial Intelligence Act). Brussels: European
Commission; 2021.
Lum K, Isaac W. To predict and serve? Significance of bias in predictive policing. Significance.
;13(5):14–19.
Richardson R, Schultz J, Crawford K. Dirty data, bad predictions: How civil rights violations impact police
data, predictive policing systems, and justice. NYU Law Rev. 2019;94:192–233.
Brantingham P, Valasik M, Mohler G. Does predictive policing lead to biased arrests? Results from a
randomized controlled trial. Criminology. 2018;56(3):1–29.
Joh E. Artificial intelligence and policing: First questions. Ohio St J Crim Law. 2016;13(1):345–362.
Wang T, Rudin C, Wagner D, Sevieri R. Learning to detect patterns of crime. Proc 23rd ACM SIGKDD Int
Conf Knowl Discov Data Min. 2017:515–524.
Angwin J, Larson J, Mattu S, Kirchner L. Machine bias: There’s software used across the country to predict
future criminals. And it’s biased against blacks. ProPublica; 2016.
Mantelero A. AI and big data: A blueprint for a human rights, social and ethical impact assessment.
Computer Law & Security Rev. 2018;34(4):754–772.
دانلود
چاپ شده
شماره
نوع مقاله
مجوز
حق نشر 2026 مجله علمی مطالعات پژوهشی در حقوق آینده
این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.
