Incidentes Asociados
Durante los últimos cuatro años, el Departamento de Policía de Chicago ha mantenido una lista de las personas que creen que probablemente estén involucradas en un tiroteo. La lista, conocida como "lista de calor" o lista de temas estratégicos, se desarrolló utilizando un algoritmo secreto y contiene los nombres de más de mil personas en un momento dado.
En un año récord para las tasas de violencia con armas de fuego, el superintendente Eddie Johnson elogió la lista y el uso de big data por parte del departamento para predecir delitos. En mayo, el CPD informó que tres de cada cuatro víctimas de disparos en 2016 estaban en la Lista de Sujetos Estratégicos. La cantidad de personas arrestadas en relación con los tiroteos fue aún más impresionante: el 80 por ciento estaba en el SSL, dicen.
Aunque el departamento se apresuró a promocionar la precisión de la lista, no hay forma de verificar de forma independiente sus afirmaciones. Los nombres en la lista son privados y el departamento ni siquiera explicará qué variables se utilizan para determinar la clasificación de una persona en la lista. En otras palabras, tuvimos que tomarle la palabra al departamento de que su programa de big data funciona.
Eso cambió esta semana con la publicación de un informe de RAND Corporation en el Journal of Experimental Criminology. En la primera auditoría independiente del SSL del departamento, los investigadores encontraron que una versión de 2013 de la lista no es tan valiosa como afirma el departamento.
"Las personas en el SSL no tienen más o menos probabilidades de convertirse en víctimas de un homicidio o tiroteo que el grupo [de control]", escriben los autores. El uso policial de la lista tampoco tuvo efecto en los niveles de violencia en toda la ciudad de Chicago.
Si bien los autores del estudio encontraron que las personas en el SSL tenían más probabilidades de ser arrestadas por un tiroteo, los investigadores supusieron que esto sucedía porque los oficiales estaban usando la lista como pistas para cerrar casos. Sin embargo, el superintendente Johnson dijo el mes pasado que la lista no se está utilizando para identificar personas para su arresto.
"Uno de los principales hallazgos [del estudio] fue que la policía en el terreno, la gente en el campo, no recibe mucha capacitación sobre cómo usar esta lista y lo que significa", dice la autora principal Jessica Saunders.
Cuando se le pidió un comentario ayer por la tarde, el portavoz de CPD, Anthony J. Guglielmi, dijo que no estaba al tanto del informe. En un comunicado publicado hoy, que incluye una respuesta punto por punto, la policía enfatiza que SSL ha cambiado significativamente desde la versión de 2013 que es objeto del análisis de RAND.
"La evaluación se realizó en un modelo inicial del algoritmo que ya no se usa en la actualidad... Actualmente estamos usando la versión 5 de SSL, que es más de 3 veces más precisa que la versión revisada por RAND", dice el comunicado.
Pero Saunders dice que sus hallazgos aún pueden aplicarse a la herramienta que CPD está usando hoy.
"Los hallazgos de este estudio probablemente no cambien al mejorar la lista", dice Saunders. "Lo que realmente encontramos fue que no sabían qué hacer con la lista y no había ninguna intervención vinculada a la lista. Entonces, en mi opinión, casi no importa qué tan buena sea la lista si no sabes qué hacer con ella".
Saunders dice que el CPD debe considerar cuidadosamente qué intervenciones usa en las personas de la lista para prevenir el crimen. Tácticas como llamadas telefónicas y visitas domiciliarias, que el CPD a veces usa junto con la lista, no pueden ser efectivas si no se realizan de forma generalizada.
En su declaración oficial, CPD dice que esta estrategia de intervención también ha evolucionado junto con SSL desde 2013: ahora se usan en todos los distritos policiales y las métricas de las intervenciones ahora están "totalmente integradas dentro de nuestro marco de responsabilidad CompStat y reuniones semanales de Compstat".
Aún así, aquellos que estudian la vigilancia policial de big data dicen que el informe de RAND de esta semana es preocupante.
"Creo que ahora hay una pregunta real después del [informe] RAND", dice Andrew Ferguson, profesor de derecho en la Universidad del Distrito de Columbia en Washington. "No sabemos qué tan efectivas son estas listas excepto por lo que nos dice la policía. Este es uno de los primeros análisis de los factores de riesgo".
Los departamentos de policía y las organizaciones de justicia penal de todo el país utilizan cada vez más algoritmos como el de Chicago para predecir las ubicaciones y los perpetradores de futuros delitos. Y en una era marcada por los tiroteos policiales contra jóvenes negros, los grandes datos se han presentado como una forma de evitar la discriminación racial y reducir la violencia.
Pero pocas ciudades ponen sus algoritmos a disposición del público o de organizaciones que trabajan con comunidades con mayor riesgo de violencia. El estudio RAND de esta semana es una de las dos únicas evaluaciones independientes de programas policiales predictivos que se han realizado en todo el país.
Dado el manto de secreto que cubre la vigilancia de big data, muchos han cuestionado la precisión y la imparcialidad de los algoritmos. Una investigación de ProPublica a principios de este año encontró que un algoritmo de evaluación de riesgos utilizado en Florida tenía disparidades raciales significativas y era solo un poco más preciso que lanzar una moneda al aire.
La Electronic Frontier Foundation y la American Civil Liberties Union of Illinois han expresado su preocupación sobre cómo la Lista de temas estratégicos de Chicago maneja el tema de la raza. El Departamento de Policía de Chicago ha dicho que la raza no es una de las 11 variables ponderadas que usa para determinar la clasificación de una persona en la lista, pero otras variables que están usando pueden codificar la raza de maneras menos explícitas. Por ejemplo, la dirección de una persona en un vecindario altamente segregado en Chicago podría indicar la riqueza y la raza de una persona.
"El análisis RAND debe ser el comienzo, no el final, para determinar si estos sistemas funcionan o no", dice Ferguson. "La idea subyacente de priorizar los recursos policiales sobre los que corren mayor riesgo tiene mucho sentido. La desventaja de hacer esa predicción incorrecta significa una gran cantidad de recursos desperdiciados. Así que creo que debemos averiguar si es posible priorizar el riesgo y luego decidir realmente si la policía es realmente el remedio correcto una vez que hayamos identificado los riesgos a través de la vigilancia de big data".