Building the case for restricted use of predictive policing tools in India
Notice bibliographique
Résumé
The use of predictive policing by law enforcement agencies has lately proliferated across several states in India. Predictive policing uses machine learning models to analyse substantial amounts of crime data to map and predict crimes, offenders, identities of the perpetrators and victims of crime. The aim is to enable the efficient allocation of limited resources at the disposal of law enforcement agencies for crime prevention. However, evidence suggests that predictive policing, in its current form, suffers from serious limitations. Inferior quality datasets are being used to train algorithms and citizens are unable to contest inaccurate algorithmic outcomes that could lead to their preventive detentions, often to the detriment of criminal justice norms and constitutional fundamental rights of citizens. More importantly, in the absence of oversight mechanisms restricting its use, the use of predictive policing has ended up reinforcing and amplifying police biases in law enforcement. This paper focuses, in particular, on the many ways in which predictive policing increases the risk of preventive detentions under section 151 of the Code of Criminal Procedure (CrPC), 1973 and proposes recommendations to preclude possibilities of unlawful preventive detentions using predictive policing tools. In part 1, the paper reviews the practice of preventive detention of potential offenders by the police in India—under section 151 of the CrPC. In part 2, I build the case for restricted use of predictive policing tools to only predict the location, type and time of the crime and not potential offenders or victims. In the last part, I recommend substantive measures and procedural safeguards to secure the reliable and accountable use of place-based predictive policing tools in India.
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 | 0,012 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».