Aligning Algorithmic Risk Assessments with Criminal Justice Values
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Federal and state criminal justice systems use algorithmic risk assessment tools extensively. Much of the existing scholarship on this topic engages in normative and technical analyses of these tools, or seeks to identify best practices for tool design and use. Far less work has been done on how courts and other criminal justice actors perceive and utilize these tools on the ground. This is an important gap. Judges’ and other criminal justice actors’ attitudes toward, and implementation of, algorithmic risk assessment tools profoundly affect how these tools impact defendants, incarceration rates, and the broader criminal justice system. Those who would understand, and potentially seek to improve, the courts’ use of these tools would benefit from more information on how judges actually think about and employ them. This article begins to fill in this picture. The authors surveyed Ohio Courts of Common Pleas judges and staff, and interviewed judges and other key stakeholders, to learn how they view and use algorithmic risk assessment tools. The article describes how Ohio Common Pleas Courts implement algorithmic risk assessment tools and how judges view and utilize the tools and the risk scores they generate. It then compares Ohio practice in this area to the best practices identified in the literature and, on this basis, recommends how the Ohio Courts of Common Pleas—and, by implication, other state and federal court systems—can better align their use of algorithmic risk assessment tools with core criminal justice values.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle