基于大数据背景下警务预测的伦理规制

技术一旦失去控制或被不正当利用,就有可能对社会的公平正义构成重大威胁。一种新生事物的产生往往伴随着技术和制度的双重挑战,基于大数据背景下的警务预测技术对于传统的隐私权形成了一种根本性挑战,在技术进步、认知升级的发展过程中,更不能忽视其中存在的伦理问题。当前,关于大数据背景下警务预测的研究大多侧重于对技术的关注,鲜有从理论建构层面回应技术存在的不足。基于理论建构层面展开,试图讨论大数据背景下警务预测的定性和运行过程中存在的伦理困境,并针对这些伦理困境提出了相应的伦理规则和规制方案,以期引导技术向“善”,使警务预测在合理的规范中运行。

基于大数据的警务预测:局限性及其顺应之道

梳理可预测论与不可预测论,可以发现,预测并非万能,事物具有不可预测性。大数据可以提高警务预测能力,然而并不能改变警务预测存在诸多局限这一基本事实。利用大数据开展警务预测,仍存在"测不准"现象,仍需要以"人"的智能来弥补警务预测的缺陷。基于大数据的警务预测具有局限性,这是一个客观的存在。据此,应准确把握警务预测的使用范围,坚持有所为有所不为;确保基于大数据的警务预测具有可制约性,避免滥用、误用;应充分考量其合理性,遵循法治、以人为本、理性和主体性等原则。

算法预测性警务的风险辨析及应对

随着算法时代的到来,在总结吸收问题导向警务和热点警务模式特性的基础上,通过对“不安全因素”的边际判断以及算法决策机制,算法预测性警务实现了对警情的预报预测预警。但算法预测性警务也存在风险,包括计算机学习的样本缺陷、技术上的利维坦化以及算法黑箱在内的技术风险,还包括算法在嵌入警察权的过程中可能带来的警察权扩张、“全景敞视主义”的自由困境、破坏警民关系等制度风险。为此,除了扩大数据池以及加强计算机学习模型的优化等技术升级保障外,更要做好个人信息保护与国家监管之间、算法预测的工具理性与伦理道德之间、算法技术垄断与公民参与之间三方面的平衡,以更好地应对算法预测性警务在未来可能面对的风险。

智慧警务视角下预测型警务之风险及其规制

随着人工智能技术的普及和大数据技术的落地,预测型警务算法的建设方兴未艾。算法对高效、精准地完成警务活动具有重大现实意义,但也给公众的数字化生存带来广泛而系统的风险,如私权侵蚀、警权弱化、“算法统治”等。公众数字化生存下算法规制体系缺失、算法规责制度缺位及算法技术性缺陷导致算法风险向实害结果转化。防范智慧警务风险,应以法治原则为指引,强化数据管理规范化、算法机制透明化、算法监督系统化。

美国预测警务的实践逻辑与风险规制论析

美国预测警务系统的采用与发展已经有二十多年的历史,形成了几种具有特定目标导向的预测警务,积极效能显著,但预测警务也存在着区别对待、认知偏见、以及无法避免肮脏数据问题等不足。以预测警务为研究对象,通过比较法研究,详述预测警务实践产生的风险,分析美国为规制预测警务风险所进行的实践探索。发现美国对于预测警务风险的规制还存在司法审查的作用有限、有关规制预测警务的立法较为分散、社会公众获取预测警务系统使用的渠道不通畅、矫正不当威慑的动态调整机制尚未广泛采用等风险。

算法时代预测性警务的兴起及其风险规制

算法时代预测性警务日渐勃兴,其在任务构造与权力结构上都有了新的变化。虽然受到各国警政机关青睐,但预测性警务也有潜在风险,包括算法自动化对警察个别化判断的侵蚀、算法操纵下的执法歧视风险、算法依赖下的过度执法风险以及算法训练时的数据安全风险。规制预测性警务的核心在于规制警务中的算法权力。为此,需要在警察法与行政监管的双重维度下完善规制框架。警察法框架下,需要搭建预测性算法与强制性措施启动的桥梁,明晰算法决策的边界;通过预测措施的分级分类,强化算法预测的程序门槛;通过针对执法终端的司法审查,及时发现和纠正算法歧视。行政监管框架下,需要建立数据安全监督专责机构,确保算法训练时的数据安全;通过算法清单的编制与备案,逐步建立预测性算法的准入门槛。

基于集成学习的毒品违法异常行为预测模型研究

通过机器学习和深度学习,可以在复杂和动态环境中提取毒品违法异常行为数据中的隐藏关系,在预测警务和打击犯罪领域具有广阔的应用前景。然而,传统的机器学习算法在“打击毒品犯罪、预防毒品犯罪”中不能达到很好的预测效果。为此,提出了一种基于k-fold bagging集成学习的融合模型,首先优化了机器学习和深度学习模型作为基学习器,其次选用k-fold bagging方法进行集成训练,最后采取硬投票策略,得到预测性能最佳的模型。测试结果表明:该集成学习模型在两组训练集上的准确率较单一基模型的平均准确率分别提高了9.82%和6.96%,同时将该模型成功应用于毒品违法异常行为预测,为集成学习在预测警务和打击犯罪中的深度应用指明了新方向。

预测警务模式下合法控制潜在犯罪人之分析

预测警务是当下警务建设热门方向之一,但域内外对于预测警务系统结论落实转化为警务行动,具体表现为控制潜在犯罪人的研究都处于起步阶段。本文从域外实践、法理分析、理论转化三个方面入手,旨在提出基于当下我国国情所适用的基于预测警务系统结论控制潜在犯罪人的初查程序及保障误判为潜在犯罪人个体的救济手段,让公权力与私权利在预测警务模式下达至相对平衡。

基于风险地形建模的毒品犯罪风险评估和警务预测

犯罪具有明显的时空特征,研究犯罪问题离不开时间和空间维度分析,以及产生犯罪的社会、地理、生态、环境等因素。风险地形建模是美国学者研发的空间风险评估和警务预测技术,已在全球六大洲45个国家和美国35个州得到了独立测试和验证,被广泛应用于警务预测、国土安全、交通事故、公共医疗、儿童虐待、环境污染、城市发展等多个领域。在毒品、纵火、爆炸、强奸、抢劫、盗窃等犯罪研究领域更是取得了显著成果。本文运用犯罪热点分析和风险地形建模,以长三角地区N市毒品犯罪为研究对象,对该市2015年毒品犯罪的危险因子、空间盲区、风险地形进行分析,探索毒品犯罪的生成机理和演化规律,并对2016年毒品犯罪进行预测。研究结果表明,N市毒品犯罪呈现明显的犯罪热点和冷点;出租屋、酒店、车站、ATM机、停车场、娱乐场所、城市快速路、网吧是N市毒品犯罪的风险性因素。风险地形建模能较好地预测毒品犯罪。公安机关禁毒部门应据此进行严密管控,逐步限制、消除犯罪产生地、犯罪吸引地、犯罪促进地的生存土壤和条件。

美国预测警务中基于大数据的犯罪情报分析

美国预测警务中的犯罪情报分析是一种典型意义上的基于大数据的犯罪情报分析。它不仅改变了犯罪情报分析的理论基础,拓展了犯罪情报分析的外延,改变了犯罪情报分析的形态,也重新界定了犯罪情报的概念,助推了大数据时代情报主导警务的发展。借鉴美国犯罪情报分析的成功经验,我国既需要从"推进犯罪情报分析队伍专业化建设、促进大数据融合、提炼犯罪分析模型、研发犯罪情报分析系统、开展战略或战术情报分析业务、解决犯罪问题"的角度,不断推进犯罪情报分析的层次和水平,同时也要合理把握好犯罪分析与公民隐私权保障的平衡。

论大数据驱动下的预测警务创新

传统反应式警务在犯罪控制方面遭遇边际效能困境,基于大数据驱动和问题导向的预测警务是未来警务创新的重要方向。大数据拓展警务运行新思维,创新犯罪预测工具,促进多元警务融合。利用大数据技术可以提高犯罪预测的准确性,提高勤务规划的效能并拓展相关性分析,多角度控制犯罪。预测警务的运行包含了数据收集、分析、警方干预行动与犯罪人反应行为等四阶段周期性工作程序,更为突出警务工作中问题导向的聚焦性、警务资源配置的合理性、风险因素预测预防的主动性和警务运行决策的科学性。

人工智能嵌入预测警务的法律风险及其预防

将人工智能嵌入预测警务,通过预测形成预判,将违法犯罪行为扼杀在实施之前,对于实现“零违法犯罪率”似乎有着巨大的吸引力。然而透过理性分析可以发现,人工智能嵌入预测警务将导致警察权运行逻辑发生改变。首先,警察权运行不再侧重经验判断,而是依据数据计算的结果采取行动。其次,当前尚处于弱人工智能时代,数据计算的逻辑基于相关性形成,因此取代传统的“因果关系归责模式”,相关关系预判成为预测警务的运行逻辑。最后,警察权权力外显的特征消失,公共场所智能监控、人脸识别、GPS定位等智能技术正在取代警察的到场,警察不必到场但却能让人感觉到无所不在的权力“在场”。警察权运行逻辑的改变带来的法律风险是多方面的,主要表现在个人权利被侵害、传统法律制度失灵、出现新的权力滥用形式等方面。应针对这些潜在的法律风险,从完善与技术发展相适应的权利保障制度、强化程序控制克服传统法律制度的失灵、通过多元参与克服权力技术化中的权力滥用等方面积极探寻预防的措施和方法,将人工智能嵌入预测警务活动纳入法治的框架之内,以免使用人工智能技术进行警务预测突破法治底线。

预测警务的理论基础与技术路径研究

理性选择理论、日常活动理论、犯罪模式理论及环境犯罪学、犯罪地理学等犯罪学相关理论的发展奠定了犯罪预测的理论基础,统计科学、数据科学、计算科学和地理信息系统等技术进步提升了犯罪预测的可靠性和准确性,基于情报导向,警务部门以预测引领警务资源配置和勤务规划,强调更为积极主动的先发式干预以预防控制犯罪,逐步形成了"预测警务"策略,其有效性在多国警务实践中得到验证。我国警用地理信息系统和公安大情报系统包含了部分犯罪预测预警功能,一些地方公安机关近年来开展了以犯罪预测引领先发式警务工作的实践,取得了良好效果。预测警务契合我国公安工作实际需求,是推动情报导向警务战略深化发展的可行选择,其发展路径和经验为我国犯罪预防和警务创新提供了可资借鉴的参考。

基于大数据的预测警务在打击跨境电信诈骗中的应用研究

近年来,各国通力合作,接连侦破多起跨境电信诈骗的重案、大案,成绩斐然,却未能有效遏制跨境电信诈骗发案数连年递增的趋势。在传统警务模式打击跨境电信诈骗遭遇边际效能的困境之时,基于大数据的预测警务以全面、准确、客观的分析结果指导警察机构对犯罪进行事前准确干预和事后迅速处置,切断其资金链,从根本上对其进行打击。

大数据背景下预测型警务的构建

当前犯罪出现了多元化、虚拟化、组织化的趋势,基于因果思维的传统侦查模式在应对犯罪异化问题时陷入了困境。数据时代的来临在带来数据分析技术的同时,也带来了大数据思维和大数据分析方法,这为摆脱侦查工作的现实困境提供了一个有利的契机。

预测警务模式下的企业犯罪治理路径探索

预测警务在信息技术的推动下已成为各国警务研究的热点。国外警方为解决街面犯罪问题而将犯罪时空、群体预测作为预测警务的主要研究方向,但因涉嫌侵犯隐私、污名化少数族裔、治理成效性价比不高而受到质疑。国内司法机关受优化营商环境的政策影响,开始重新审视预测警务在企业犯罪治理上的潜力。随着合法性、必要性、可行性等条件的具备,部分地区公安机关开始了以预测警务技术治理企业犯罪的实践。经过初步尝试,以企业犯罪风险评估为核心的企业犯罪治理机制取得了明显成效,但也存在一些瓶颈有待突破。对此,需进一步立足警务工作实际,加强警校企之间的研究合作,不断融入社会治理体系,以此促进国内预测警务在企业犯罪治理领域的应用发展。

大数据背景下预测性警务的实践样态与风险规制

在大数据技术赋能下,预测性警务已经成为人工智能在刑事司法领域最流行的应用之一,在过去的十年中获得迅速发展。预测性警务在实践中的广泛应用具有实用性和利益最大化两方面的正当性基础。但是,在享受预测性警务带给侦查工作科技红利的同时,也要正视预测性警务自身存在的权利性风险和技术性风险。人本主义理念下进行技术赋权、程序正义理念下建构技术正义、多元参与理念下保障监督救济是对预测性警务存在风险进行规制的有效路径。

域外警务模式比较研究——以热点警务、情报主导警务及预测警务为例

随着2009年"预测警务"在美国被提出和之后迅速在西方国家大范围推广,以美、英为代表的域外主流警务模式正式上升为十二种,即标准警务、问题导向警务、第三方警务、社区警务、破窗警务、零容忍警务、计算统计警务、情报主导警务、热点警务、杠杆警务、循证警务和预测警务。每一种警务主流模式都有其特定的发展历程和具体的内容与功能。

基于大数据的预测性警务方案研究

随着大数据技术的不断发展和应用,预测性警务在预防犯罪方面极大的改变了传统反应式警务,不仅扩展了警务的运行新思维,促进了多元警务融合,也显著提高了效率和效益。文章通过对热点地区数据进行分析和挖掘来预测热点地区的犯罪活动、潜在嫌疑犯或犯罪系列模式,主要总结现有预测性警务的研究状况,提出一种基于大数据技术的预测性警务方案,通过理论分析得出该方案能有效的提高犯罪预测的准确性,为警务运行决策提供科学指导作用。

大数据警务风险及其规制

大数据警务实现了对复合型治安问题的有效防控,但同时也带来感知失度失范、预防失误失据、处置失察失责等全域风险。为此,应从“法律+制度+技术”三个层面对全域风险进行立体化规制:初端应以形式扩权规范实践中出现的无差别数据采集,通过构建多向立体对抗型采集模式,实现对警务主体强大数据采集权力的实质限制;中端应对警务算法进行开放性监测,对预测警务开展风险性评估,优化预防性控制的主体结构和行为结构,以多元化举措实现对高危分子的精细化控制;末端应切实完善当事人程序性抗辩权力,推动检察监督模式向智能数据审查、类案办理式监督和主动监督转变,从研发生产与使用管理两个层次来科学划分警务执法过错责任。