Algorithmic risk governance: Big data analytics, race and information activism in criminal justice debates
Notice bibliographique
Résumé
Meanings of risk in criminal justice assessment continue to evolve, making it critical to understand how particular compositions of risk are mediated, resisted and re-configured by experts and practitioners. Criminal justice organizations are working with computer scientists, software engineers and private companies that are skilled in big data analytics to produce new ways of thinking about and managing risk. Little is known, however, about how criminal justice systems, social justice organizations and individuals are shaping, challenging and redefining conventional actuarial risk episteme(s) through the use of big data technologies. The use of such analytics is shifting organizational risk practices, challenging social science methods of assessing risk, producing new knowledge about risk and consequently new forms of algorithmic governance. This article explores how big data reconfigure risk by producing a new form of algorithmic risk—a form of risk which is posited as different from the social science (psychologically) informed risk techniques already in use in many justice sectors. It also shows that new experts are entering the risk game, including technologists who make data public and accessible to a range of stakeholders. Finally, it demonstrates that big data analytics can be used to produce forms of usable knowledge that constitute types of ‘information activism’. This form of activism produces alternative risk narratives, which are focused on ‘criminogenic structures’ or ‘criminogenic policy’.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,067 |
| Communication savante | 0,020 | 0,019 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».