¿Ayudan los algoritmos a reducir el crimen?

Todos tendemos a seguir hábitos en el trabajo y otros ámbitos de nuestras vidas. Por lo general, yo trabajo mejor en las mañanas y detesto hacerlo después de cenar. Nuestros hábitos suelen reflejar preferencias, aprendizajes o una combinación de ambos o, como observa Charles Duhigg en su libro The Power of Habit (El poder del hábito), la mera repetición de un acto genera una rutina.

Mi propia investigación reciente muestra que los delincuentes no difieren demasiado de los ciudadanos que obedecen la ley cuando se trata de apegarse a una rutina, posiblemente como resultado de su experiencia, su tendencia a especializarse y su creencia de que han dado con una estrategia ideal. Y los departamentos de policía están poniéndose al día con eso, con la ayuda de una herramienta cada vez más común: los algoritmos.

Puesto que los algoritmos utilizan patrones de datos para predecir comportamientos futuros, pueden pronosticar las películas que a alguien le podrían gustar en Netflix o los libros que podría comprar en Amazon. Y también ayudar a las policías a combatir el delito. Algunos algoritmos calculan la reincidencia futura de las personas que se encuentran en prisión. Otros son la base de herramientas policiales predictivas que generan pronósticos de delitos con el fin de optimizar las patrullas.

Las inversiones en herramientas de análisis predictivo llevan a una reasignación de recursos (lo que incluye cambiar de estrategias de vigilancia policial y dictar sentencias alternativas) y, en consecuencia, a alterar la posibilidad de arrestos o detenciones en distintos conjuntos demográficos. Por esta razón, es importante entender si estas herramientas algorítmicas reducen los delitos y si lo hacen sin generar sesgos contra determinados grupos.

En esencia, los programas informáticos de vigilancia policial más elaborados y conocidos evolucionaron a partir de mapas de calor. Funcionan bajo el principio de que es más probable que las áreas que más delitos han sufrido recientemente tengan altos índices delictuales en el corto plazo. Por ende, las policías deberían centrarse en esas áreas para disuadir la mayor cantidad de delincuentes.

Si bien los estudios han mostrado que estos algoritmos estadísticos tienen un mayor poder predictivo que los simples promedios, demostrar que realmente reducen la criminalidad es mucho más difícil. Los departamentos de policía tienden a adoptar una vigilancia predictiva si los niveles delictuales son altos, y es posible que las reducciones subsiguientes reflejen un declive natural que no tenga nada que ver con esa decisión. La vigilancia centrada en áreas puede sencillamente cambiar la criminalidad a otros lugares. Por tanto, una evaluación adecuada precisa una mejor hipótesis de contraste: ¿qué habría ocurrido con los delitos sin el uso de la vigilancia policial predictiva?

En cuanto al sesgo, no es inconcebible que la vigilancia predictiva pueda distorsionar los resultados de las fuerzas policiales. Una vez introducidas, estas herramientas pueden llevar a patrullar más intensamente aquellas zonas pobres con mayores índices delictuales. Si los recursos de las policías permanecen fijos, los delincuentes de las áreas pobres tendrán una mayor probabilidad de encontrar una patrulla policial que los de vecindarios más ricos. Pero, si bien este es un resultado justo para los delincuentes en serie que contribuyeron al aumento del crimen que llevó a realizar el patrullaje adicional, los primerizos de hoy no incidieron en ese aumento delictual. Puesto que la mayoría de los algoritmos de vigilancia predictiva juntan delitos sin separar entre delincuentes habituales y primerizos, pueden generar un sesgo contra estos últimos en las áreas pobres.

Para ayudar a responder las preguntas sobre eficacia y sesgo, evalué el software de vigilancia predictiva utilizado en Milán, Italia, lo que permitió establecer un contraste adecuado: por razones históricas, Milán tiene dos departamentos de policía que comparten los mismos objetivos, pero solo uno de ellos utiliza vigilancia predictiva.

KeyCrime, el software predictivo desarrollado por Mario Venturini utilizado en Milán, difiere de las herramientas predictivas comunes en que se centra en arrestar delincuentes, más que en disuadirlos (por lo que estos no pueden sencillamente irse a otro lugar) y distingue delincuentes primerizos de aquellos que son reincidentes. El software usa información reunida de denuncias de las víctimas y cámaras de CCTV para vincular delincuentes a robos comerciales, y entonces predice cuándo y dónde un particular o un grupo dará el siguiente golpe. KeyCrime genera predicciones individuales, lo que reduce sus probabilidades de sesgo.

Los resultados indican que analizar los hábitos de delincuentes reincidentes más que duplica la probabilidad de arrestarles, pues con el tiempo tienden a actuar de maneras similares, poniéndose como objetivos tipos de negocios y vecindarios específicos, y además tienden a seguir un horario determinado. De este modo, por ejemplo, es probable que alguien que haya robado una joyería a las nueve de la mañana vuelva a hacerlo en el mismo vecindario, más o menos a la misma hora y contra otro joyero. Puesto que existe una cantidad limitada de coincidencias que se ajusten a las predicciones, el software destaca posibles objetivos futuros y el departamento de policía organiza patrullas para atrapar al ladrón.

Las micropredicciones basadas en el comportamiento de grupos de delincuentes individuales han demostrado su eficacia en la prevención de robos, y hoy se están ampliando a otros tipos de delincuentes en serie, como agresores sexuales y terroristas. Está por verse si la vigilancia policial predictiva será igualmente exitosa en llevar a esos delincuentes ante la justicia, ya que la menor interacción con las víctimas y la menor disponibilidad de grabaciones de CCTV podría complicar la tarea de establecer vínculos entre infractores y delitos.

El uso más generalizado de vigilancia predictiva puede llevar a los delincuentes a cambiar sus hábitos y volverse menos predecibles. Pero el desarrollo de algoritmos y procesos de recolección de datos más potentes da razones para un cierto optimismo en los departamentos de policía.

“El crimen es tremendamente revelador”, escribió Agatha Christie. “Intenta cambiar tus métodos todo lo que desees, pero tus gustos, tus hábitos, tu disposición mental y tu alma se revelan en tus acciones”. Por ahora, el desarrollo de capacidad de predicción de delitos individuales a través de los hábitos de los delincuentes parece una buena inversión.

Giovanni Mastrobuoni, Carlo Alberto Chair at Collegio Carlo Alberto, is Professor of Economics at the University of Essex. Traducido del inglés por David Meléndez Tormen.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *