This post is also available in: enEnglish (אנגלית)

הודות לאמצעים חדשים המבוססים על למידת מכונה, יוכלו חוקרים ומחלקות משטרה בארה"ב להשתמש בנתונים התנהגותיים כדי לאתר שוטרים שאינם פועלים בצורה תקינה או עלולים לירות באזרח לא חמוש.

כדי לבנות את האלגוריתמים שיהוו בסיס ל"מדד סיכון" עבור המשטרה, משתמשים חוקרים באמצעים מוכרים: הנתונים מתוך מצלמות הגוף של השוטרים ומכוניות הסיור, וכן דוחות פנימיים שבדרך כלל נשארים חסויים במשטרה, כגון מידע על השעיות שוטרים או תלונות מהציבור.

יצרנית מצלמות הגוף Axon חשפה לאחרונה את ה-Performance, אמצעי דשבורד שמכמת את מספר הפעמים שהשוטרים מפעילים את המצלמות שלהם במהלך קריאות והאם הם מקטלגים את תיעוד הווידאו בצורה נכונה.

השקת המוצר באה יום אחד בלבד לאחר שחבר מושבעים הרשיע שוטר במיניאפוליס, בשם מוחמד נור, בירי והריגה של אזרח לא חמוש. מדובר בתקרית משטרתית שזכתה לפרופיל תקשורתי גבוה והעלתה לסדר היום את הכשלים בהפעלה של מצלמות גוף.


בעוד שנור וסגנו היו מצוידים באותה תקרית במצלמות גוף, אף אחד מהם לא הפעיל אותן כדי לתעד את הירי.

לורן היינס, מהמרכז למדעי הנתונים ומדיניות ציבורית באוניברסיטת שיקאגו, סייעה בפיתוח מודל סטטיסטי לחיזוי המקרים בהם שוטרים עלוים להיות מעורבים ב"ארוע בעל השלכות שליליות", החל מתלונה שגרתית ועד מעורבות שוטר בירי. הפרויקט לא השתמש בנתונים מצלמת גוף כמו שמוצע בפיתוח החדש של  Axon, אבל לדברי הייס, "יש נתונים שניתן להכניס לתוך המודל".

הצוות גילה כי מספר גורמי מתח קשורים לארועים שליליים אלה, ביניהם – האם השוטרים מועסקים בעבודה נוספת, האם לקחו יותר מידי ימי מחלה, והאם הגיבו לאחרונה למקרה של אלימות במשפחה או התאבדות. שוטרים גם נטו יותר להיות מעורבים בתקריות שליליות במקרים בהם נשלחו לשכונות מרוחקות מהמסלול הקבוע שלהם, כך לפי defenseone.com.