Incidentes Asociados
Introducción La expansión del mantenimiento de registros digitales por parte de los departamentos de policía de los EE. UU. en la década de 1990 marcó el comienzo de la era de la vigilancia basada en datos. Enormes metrópolis como la ciudad de Nueva York procesaron montones de datos sobre delitos y arrestos para encontrar y enfocarse en "puntos calientes" para vigilancia policial adicional. Los investigadores en ese momento descubrieron que esto reducía el crimen sin desplazarlo necesariamente a otras partes de la ciudad, aunque algunas de las tácticas utilizadas, como parar y registrar, finalmente fueron criticadas por un juez federal, entre otras, como abusos de los derechos civiles. . El próximo desarrollo en la vigilancia basada en datos fue arrancado de las páginas de la ciencia ficción: un software que prometía tomar un revoltijo de datos sobre delitos locales y arrojar pronósticos precisos de dónde es probable que los delincuentes ataquen a continuación, prometiendo detener el crimen en seco. Uno de los primeros, y al parecer más utilizado, es PredPol, cuyo nombre es una amalgama de las palabras “vigilancia predictiva”. El software se derivó de un algoritmo utilizado para predecir réplicas de terremotos que fue desarrollado por profesores de UCLA y lanzado en 2011. Al enviar oficiales a patrullar estos puntos críticos predichos algorítmicamente, estos programas prometen que disuadirán el comportamiento ilegal. Pero los críticos de la aplicación de la ley tenían su propia predicción: que los algoritmos enviarían policías a patrullar los mismos vecindarios que dicen que la policía siempre tiene, aquellos poblados por personas de color. Debido a que el software se basa en datos de delitos pasados, dijeron, reproduciría los patrones arraigados de los departamentos de policía y perpetuaría la injusticia racial, cubriéndola con una apariencia de ciencia objetiva basada en datos. PredPol ha dicho repetidamente que esas críticas están fuera de lugar. El algoritmo no incorpora datos de raza, lo que, según la compañía, "elimina la posibilidad de violaciones de la privacidad o los derechos civiles que se observan con otros modelos policiales predictivos o basados en inteligencia". Ha habido pocas revisiones empíricas independientes de software de vigilancia predictiva porque las empresas que fabrican estos programas no han publicado públicamente sus datos sin procesar. Un estudio seminal basado en datos sobre PredPol publicado en 2016 no involucró predicciones reales. Más bien, los investigadores, Kristian Lum y William Isaac, introdujeron datos de delitos de drogas de Oakland, California, en el algoritmo de código abierto de PredPol para ver qué predeciría. Descubrieron que se habría dirigido de manera desproporcionada a los vecindarios negros y latinos, a pesar de los datos de la encuesta que muestran que personas de todas las razas consumen drogas a tasas similares. Los fundadores de PredPol realizaron su propia investigación dos años después utilizando datos de Los Ángeles y dijeron que encontraron que la tasa general de arrestos de personas de color era casi la misma, ya sea que el software de PredPol o los analistas de policías humanos hicieran las predicciones de los puntos críticos de delincuencia. Su punto era que su software no era peor en términos de arrestos de personas de color que la vigilancia no algorítmica. Sin embargo, un estudio publicado en 2018 por un equipo de investigadores dirigido por uno de los fundadores de PredPol mostró que la población latina de Indianápolis habría soportado “del 200 % al 400 % de la cantidad de patrullaje que la población blanca” si se hubiera desplegado allí, y su población negra la población habría estado sujeta a "150% a 250% de la cantidad de patrullaje en comparación con las poblaciones blancas". Los investigadores dijeron que encontraron una manera de modificar el algoritmo para reducir esa desproporción, pero que daría como resultado predicciones menos precisas, aunque dijeron que aún sería "potencialmente más precisa" que las predicciones humanas. En respuestas escritas a nuestras preguntas, el director ejecutivo de la empresa dijo que la empresa no cambió su algoritmo en respuesta a esa investigación porque la versión alternativa “reduciría la protección brindada a los vecindarios vulnerables con las tasas de victimización más altas”. También dijo que la compañía no proporcionó el estudio a sus clientes encargados de hacer cumplir la ley porque “era un estudio académico realizado independientemente de PredPol”. Otros programas policiales predictivos también han sido objeto de escrutinio. En 2017, el Chicago Sun-Times obtuvo una base de datos de la Lista de temas estratégicos de la ciudad, que utilizó un algoritmo para identificar a las personas en riesgo de convertirse en víctimas o perpetradores de delitos violentos relacionados con armas. El periódico informó que el 85% de las personas que el algoritmo cargó con los puntajes de riesgo más altos eran hombres negros, algunos sin antecedentes penales violentos en absoluto. El año pasado, el Tampa Bay Times publicó una investigación que analizaba la lista de personas que las herramientas predictivas de la Oficina del Sheriff de Pasco pronosticaban que cometerían delitos en el futuro. Se enviaron diputados para verificar a las personas en la lista más de 12,500 veces. El periódico informó que al menos una de cada 10 personas en la lista eran menores de edad, y muchos de esos jóvenes tenían solo uno o dos arrestos previos y, sin embargo, estaban sujetos a miles de controles. Para nuestro análisis, obtuvimos un tesoro de datos de predicción de delitos de PredPol que PredPol nunca antes había publicado para análisis académicos o periodísticos no afiliados. Gizmodo lo encontró expuesto en la web abierta (el portal ahora está protegido) y descargó más de 7 millones de predicciones de delitos de PredPol para docenas de ciudades estadounidenses y algunas ubicaciones en el extranjero entre 2018 y 2021. Esto hace que nuestra investigación sea el primer esfuerzo independiente para examinar PredPol real predicciones de delitos en ciudades de todo el país, aportando hechos cuantitativos al debate sobre la vigilancia policial predictiva y si elimina o perpetúa los prejuicios raciales y étnicos. Examinamos las predicciones en 38 ciudades y condados de todo el país, desde Fresno, California, Niles, Illinois, Orange County, Florida, hasta Piscataway, Nueva Jersey. Complementamos nuestra consulta con datos del censo, incluidas las identidades raciales y étnicas y los ingresos familiares de las personas que viven en cada jurisdicción, tanto en las áreas en las que el algoritmo se centró en la aplicación como en las que no se centró. En general, descubrimos que el algoritmo de PredPol apuntó implacablemente a los grupos de bloques del Censo en cada jurisdicción que eran los más poblados por personas de color y pobres, particularmente aquellos que contenían viviendas públicas y subsidiadas. El algoritmo generó muchas menos predicciones para grupos de bloques con más residentes blancos. Al analizar jurisdicciones completas, observamos que la proporción de residentes afroamericanos y latinos era mayor en los grupos de bloques más específicos y menor en los grupos de bloques menos específicos (alrededor del 10 % de los cuales tenían cero predicciones) en comparación con la jurisdicción general. También observamos la tendencia opuesta para la población blanca: los grupos de bloques menos seleccionados contenían una proporción más alta de residentes blancos que la jurisdicción en general, y los grupos de bloques más seleccionados contenían una proporción más baja. Para más de la mitad (20) de las jurisdicciones en nuestros datos, la mayoría de los residentes blancos vivían en grupos de bloques que estaban menos enfocados que la mediana o que no estaban en absoluto. Lo mismo solo podría decirse de la población negra en cuatro jurisdicciones y de la población latina en siete. Cuando realizamos un análisis estadístico, mostró que a medida que aumentaba la cantidad de predicciones de delitos para los grupos de bloques, también aumentaba la proporción de poblaciones negras y latinas y disminuía la población blanca. También descubrimos que las predicciones de PredPol a menudo caían de manera desproporcionada en los lugares donde viven los residentes más pobres. Para la mayoría de las jurisdicciones (27) en nuestro conjunto de datos, una mayor proporción de los hogares de bajos ingresos de la jurisdicción vive en los grupos de bloques que fueron más atacados. En algunas jurisdicciones, todas sus viviendas subsidiadas y públicas están ubicadas en grupos de bloques que PredPol apuntó más que la mediana. Nos enfocamos en grupos de bloques censales, grupos de bloques que generalmente tienen una población de entre 600 y 3000 personas porque estas eran las unidades geográficas más pequeñas para las cuales había datos recientes de raza e ingresos disponibles en el momento de nuestro análisis (Encuesta de la Comunidad Estadounidense de 2018). Los grupos de bloques son más grandes que los cuadrados de predicción de 500 por 500 pies cuadrados que produce el algoritmo de PredPol. Como resultado, las poblaciones en los grupos de bloques más grandes podrían ser diferentes de los cuadrados de predicción. Para medir el impacto potencial, realizamos un análisis secundario a nivel de bloque utilizando datos del Censo de 2010 para bloques cuyas poblaciones se mantuvieron relativamente estables. (Consulte Limitaciones sobre cómo definimos estable). Descubrimos que en casi el 66 % de los 131 grupos de bloques estables, las predicciones se agruparon en los bloques con la mayoría de los residentes negros o latinos dentro de esos grupos de bloques. Acercarse a los bloques mostró que las predicciones que parecían apuntar a grupos de bloques mayoritariamente blancos, de hecho se habían dirigido a los bloques anidados dentro de ellos donde vivían más personas negras y latinas. Esto fue cierto para el 78% de los 46 grupos estables de bloques mayoritariamente blancos en nuestra muestra. Para tratar de determinar los efectos de las predicciones de PredPol sobre el crimen y la vigilancia, presentamos más de 100 solicitudes de registros públicos y compilamos una base de datos de más de 600 000 arrestos, paradas policiales e incidentes de uso de la fuerza. Pero la mayoría de las agencias se negaron a darnos ningún dato. Solo 11 proporcionaron al menos algunos de los datos necesarios. Para los 11 departamentos que proporcionaron datos de arrestos, encontramos que las tasas de arrestos en las áreas pronosticadas permanecieron iguales ya sea que PredPol predijera un crimen ese día o no. En otras palabras, no encontramos una fuerte correlación entre los arrestos y las predicciones. (Consulte la sección Limitaciones para obtener más información sobre este análisis). No sabemos definitivamente cómo actuó la policía en cualquier predicción individual de delitos porque casi todos los departamentos de policía nos negaron esos datos. Solo un departamento proporcionó más de unos pocos días de datos simultáneos extraídos de PredPol que informan cuándo la policía respondió a las predicciones, y esos datos eran tan escasos que planteaban dudas sobre su precisión. Para determinar si la orientación del algoritmo reflejaba los patrones de arresto existentes para cada departamento, analizamos las estadísticas de arresto por raza para 29 de las agencias en nuestros datos utilizando datos del proyecto Uniform Crime Reporting (UCR) del FBI. Descubrimos que las características socioeconómicas de los vecindarios a los que apuntaba el algoritmo reflejaban patrones existentes de arrestos desproporcionados de personas de color. En el 90% de las jurisdicciones, los arrestos per cápita fueron más altos para los negros que para los blancos, o cualquier otro grupo racial incluido en el conjunto de datos. Esto está en línea con las tendencias nacionales. (Consulte Limitaciones para obtener más información sobre los datos de la UCR). En general, nuestro análisis sugiere que el algoritmo, en el mejor de los casos, reprodujo cómo los oficiales han estado vigilando y, en el peor de los casos, reforzaría esos patrones si se siguieran sus recomendaciones policiales. Recopilación y preparación de datos Descubrimos el acceso a los datos de predicción de PredPol a través de una página en el sitio web público del Departamento de Policía de Los Ángeles que contenía una lista de áreas de informes de PredPol con enlaces. Esos enlaces conducían a un espacio de almacenamiento en la nube no seguro en Amazon Web Services perteneciente a PredPol que contenía decenas de miles de documentos, incluidos archivos PDF, datos geoespaciales y archivos HTML para docenas de departamentos, no solo el Departamento de Policía de Los Ángeles. Los datos quedaron abiertos y disponibles, sin pedir contraseña para acceder a ellos. (Desde entonces, el acceso se bloqueó). Primero descargamos todos los datos disponibles a nuestra propia base de datos el 8 de junio de 2020, utilizando una herramienta de administración de almacenamiento en la nube desarrollada por Amazon. Descargamos los datos nuevamente y actualizamos nuestro análisis el 31 de enero de 2021. Esto capturó un total de 7.8 millones de predicciones individuales para 70 jurisdicciones diferentes. Estos tomaron la forma de mapas de una sola página que indicaban direcciones, cada uno marcando el centro de cajas de 500 por 500 pies que el software recomendó a los oficiales patrullar durante turnos específicos para disuadir el crimen. El código HTML de cada informe se formateó con la fecha, la hora y la ubicación de la predicción. Eso nos permitió investigar patrones en las predicciones de PredPol a lo largo del tiempo. De las 70 agencias en nuestro conjunto de datos, teníamos menos de seis meses de predicciones para 10 de ellas y otras seis eran carpetas vacías. No todas las agencias tenían su sede en los EE. UU. o incluso agencias policiales; algunas eran empresas de seguridad privada. Uno estaba usando PredPol para predecir el robo de petróleo y otros delitos en el campo petrolero Boscán de Venezuela, mientras que otro estaba usando PredPol para predecir protestas en Bahrein. Si bien estos usos plantean preguntas interesantes, quedaron fuera del alcance de nuestra investigación actual. Limitamos nuestro análisis a las agencias de aplicación de la ley de ciudades y condados de EE. UU. para las cuales teníamos al menos seis meses de datos. Confirmamos con la agencia de cumplimiento de la ley, otros informes de los medios y/o firmamos contratos que habían usado PredPol en el período de tiempo para el cual teníamos informes y las fechas de inicio y finalización para cada ciudad. Esto redujo la lista a 38 agencias. Para 20 de estos 38 departamentos, algunas predicciones en nuestros datos quedaron fuera de las fechas de finalización/inicio proporcionadas por la policía, por lo que eliminamos estas predicciones de los datos finales utilizados para nuestro análisis, como medida de precaución. El conjunto de datos final que usamos para el análisis contenía más de 5,9 millones de predicciones. Para determinar qué comunidades fueron seleccionadas para patrullaje adicional por el software, recopilamos información demográfica de la Oficina del Censo para toda la jurisdicción de cada departamento, no solo las ubicaciones de predicción. Para los departamentos de policía, asumimos que sus jurisdicciones incluían todos los grupos de cuadras de la ciudad, un límite oficial que el Censo llama un "lugar designado por el censo". (Vea más en la sección Limitaciones). Los departamentos del alguacil eran más complicados porque en algunos casos su condado de origen incluye ciudades que no patrullan. Para esos, obtuvimos los mapas de patrulla de los departamentos del alguacil y usamos una herramienta en línea llamada Census Reporter para compilar una lista de cada grupo de bloques dentro de la jurisdicción revelada. Buscamos las secciones del censo y los grupos de bloques para las coordenadas de cada predicción en nuestra base de datos utilizando la API de geocodificación del Censo. Los distritos censales y los grupos de bloques utilizados en nuestro análisis se extrajeron durante el censo de 2010. Recopilamos datos demográficos para estas áreas de las estimaciones de población de cinco años en la Encuesta sobre la comunidad estadounidense (ACS) de 2018, la encuesta más reciente disponible cuando comenzamos nuestra investigación. La ACS solo proporciona información demográfica hasta el nivel de grupo de bloques: subdivisiones de un sector censal que generalmente incluyen entre 600 y 3000 personas y ocupan un promedio de 39 bloques. Estos son significativamente más grandes que los cuadros de predicción, que son apenas menos de seis acres o aproximadamente del tamaño de una manzana cuadrada de la ciudad, pero no teníamos una buena alternativa. Los datos demográficos más pequeños a nivel de bloque de la Oficina del Censo para 2020 no están programados para publicarse hasta 2022. Los datos a nivel de bloque disponibles durante nuestra investigación tienen más de 10 años y descubrimos que los cambios demográficos desde entonces en la mayoría de los grupos de bloques en nuestros datos fueron significativos (30% o más para las poblaciones negras, latinas o blancas de los grupos de bloques). (Consulte más en la sección Limitaciones). La superposición de los datos del Censo ACS de 2018 nos permitió realizar un análisis de impacto dispar sobre las personas que vivían en áreas a las que apuntaba el software PredPol en ese momento, y las que vivían en áreas que no estaban apuntado Análisis de predicción y métodos de resultados Dada la cantidad y los diversos tipos de datos que recopilamos, utilizamos varios métodos de análisis para esta investigación, cada uno de los cuales se describirá en detalle en las secciones siguientes. Llevamos a cabo varios análisis de impacto dispares buscando discernir si las predicciones afectaron más a las comunidades de color, las comunidades de bajos ingresos y los bloques que contienen viviendas públicas. Para los análisis de raza/etnicidad e ingresos, fusionamos los datos de la Encuesta sobre la Comunidad Estadounidense de 2018 y los datos de predicción y observamos la composición de los grupos de bloques que se orientaron por encima y por debajo de la mediana; los más atacados; y los menos atacados. (También analizamos los datos de manera continua para confirmar que nuestros hallazgos se debieron a una tendencia subyacente, no a observaciones espurias). También realizamos un análisis de impacto dispar limitado en la escala más pequeña a nivel de bloque utilizando datos del censo de 2010. Para el análisis de impacto dispar de la vivienda pública, recopilamos datos publicados por el Departamento de Vivienda y Desarrollo Urbano federal sobre la ubicación de viviendas públicas y subsidiadas en todas las jurisdicciones en nuestros datos, las mapeamos y observamos la frecuencia de las predicciones de PredPol para esos lugares. Para examinar las posibles relaciones entre las predicciones y las acciones de aplicación de la ley, analizamos más de 270 000 registros de arrestos de 11 agencias, 333 000 paradas de peatones o de tránsito de ocho agencias y 300 registros de uso de la fuerza de cinco agencias, todos los cuales se publicaron bajo reserva de dominio público. leyes de registros. (La mayoría de las agencias no proporcionaron registros). También examinamos las tasas de arresto por raza/origen étnico para 29 de las 38 jurisdicciones en nuestro conjunto de datos final utilizando datos del programa Uniform Crime Reporting del FBI. Por último, seis agencias proporcionaron datos de arrestos desglosados que incluían la raza, y examinamos estos datos para discernir las tasas de arrestos entre grupos raciales para algunos tipos de delitos, como la posesión de cannabis. Análisis de impacto dispar El contacto frecuente con la policía, como la exposición frecuente a un contaminante, puede tener un efecto adverso en las personas y tener consecuencias que se extiendan a comunidades enteras. Un estudio de 2019 publicado en American Sociological Review encontró que el aumento de la vigilancia policial en puntos críticos específicos en la ciudad de Nueva York bajo la Operación Impacto redujo el rendimiento educativo de los niños negros de esos vecindarios. Otro estudio de 2019 encontró que cuantas más veces la policía detiene a los niños pequeños, es más probable que denuncien su conducta delictiva seis, 12 y 18 meses después. Llevamos a cabo un análisis de impacto desigual para evaluar qué grupos demográficos, si los hubiera, estarían desproporcionadamente expuestos a posibles interacciones policiales si las agencias hubieran seguido las recomendaciones proporcionadas por el software de PredPol. Analizamos la distribución de las predicciones de PredPol para cada jurisdicción a nivel geográfico de un grupo de bloques censales, que es un grupo de bloques con una población de entre 600 y 3000 personas, en general. Los grupos de bloques en nuestros datos estaban compuestos por 28 bloques, en promedio, y contenían un promedio de 1600 residentes. Como se indicó anteriormente, estos eran mucho más grandes que los cuadrados de predicción de PredPol de 500 por 500 pies, pero son la unidad geográfica más pequeña para la cual la información gubernamental reciente sobre la raza, el origen étnico y los ingresos familiares de sus habitantes estaba disponible en el momento de nuestra investigación. . Hubo una variación significativa en el tiempo que cada una de las 38 jurisdicciones de nuestro análisis usó el software durante nuestra ventana de acceso, y qué delitos lo usaron para predecir. También hubo una gran diferencia en el número promedio de predicciones sobre grupos de bloques entre jurisdicciones, que varió de ocho a 7967. Las 38 jurisdicciones eran de diferentes tamaños; Jacksonville, Texas, fue el más pequeño, con 13 grupos de bloques, y Los Ángeles el más grande, con 2515 grupos de bloques. Calculamos el número total de predicciones por grupo de bloques en cada jurisdicción. Luego clasificamos los grupos de bloques en cada jurisdicción por sus recuentos de predicción y creamos tres categorías para el análisis. Definimos los "grupos de bloques más específicos" como aquellos en cada jurisdicción que abarcaban el 5 % más alto de las predicciones, que correspondían a entre uno y 125 grupos de bloques. Definimos los "grupos de bloques con objetivos medianos" como el 5 % de los grupos de bloques de cada jurisdicción que se extienden a ambos lados del grupo de bloques mediano para las predicciones. Y definimos los "grupos de bloques menos orientados" como los grupos de bloques de cada jurisdicción con el 5% inferior de las predicciones. También calculamos si la mayoría (más del 50 %) del grupo demográfico de una jurisdicción vivía en los grupos de bloques objetivo más o menos que la mediana. Elegimos definir los grupos más y menos específicos utilizando la métrica del 5 % en lugar de utilizar métodos alternativos, como el rango intercuartílico (IQR). Con el método IQR, consideraríamos los grupos de bloques por debajo del percentil 25 como los menos orientados y los grupos de bloques por encima del percentil 75 como los más orientados, pero esto no se ajustaba a nuestros requisitos debido al gran volumen de grupos de bloques de predicción cero. (10%). Usando el método IQR, el porcentaje promedio de los grupos de bloques de una jurisdicción en el grupo más objetivo habría sido el 7 % de los grupos de bloques de la jurisdicción, mientras que el promedio en el grupo menos objetivo habría constituido el 71 % de los grupos de bloques de la jurisdicción. . Esta diferencia es demasiado grande para hacer una comparación significativa de la composición demográfica de los grupos de bloque menos y más objetivo. Es por eso que elegimos usar el 5% para los grupos menos y más específicos. En algunas de las jurisdicciones más grandes, más del 5% de los grupos de bloques recibieron cero predicciones. En esos casos, elegimos los grupos de bloques más poblados sin predicciones para el 5%. También realizamos un análisis en el que contamos cada grupo de bloques con cero predicciones como los grupos de bloques menos dirigidos, y los hallazgos no cambiaron significativamente. (Consulte Limitaciones para obtener más información). El análisis constaba de los siguientes pasos: 1. Ordenar la lista de grupos de bloques de los más orientados a los menos orientados y etiquetar los más orientados, medianamente orientados o menos orientados como se definió anteriormente. 2. Obtenga datos de población de ACS a nivel de grupo de bloque para las siguientes poblaciones demográficas: a) Raza: afroamericano, asiático, latino y blanco. b) Ingresos familiares: menos de $45 000, $75 000–$100 000, $125 000–$150 000, más de $200 000 3. Calcular la proporción de cada grupo demográfico d en los grupos de bloque más objetivo, mediano y menos objetivo de una jurisdicción. Por lo tanto calculamos 3×38 valores de dt: 4. Calcular la proporción para cada grupo demográfico d, en todos los grupos de manzana en la jurisdicción j. Esto nos da 38 valores para dj: 5. Para determinar si la proporción de un grupo demográfico en los bloques más, en la mediana o en los menos seleccionados es mayor que en la jurisdicción en general, simplemente comparamos los valores. Para cada jurisdicción, comparamos los tres valores de dt con dj. Presentamos los resultados agregados en todas las jurisdicciones: 6. También calculamos qué proporción del grupo demográfico de una jurisdicción vivía en los grupos de bloques que apuntaban más y menos que la mediana: 7. Usando estos valores, podemos calcular el número de jurisdicciones donde el grupo demográfico la mayoría vive en los bloques más y menos focalizados. Luego de realizar las comparaciones individualmente para cada jurisdicción, presentamos los resultados agregados. Adquirimos datos demográficos de grupos de bloques de la Encuesta sobre la comunidad estadounidense de 2018 de la Oficina del Censo. Realizamos nuestro análisis de raza/etnicidad e ingresos familiares. No todas las jurisdicciones tenían estimaciones confiables a nivel de grupo de bloques para cada grupo racial o de ingresos porque algunas poblaciones eran demasiado pequeñas. Para nuestro análisis principal, nos enfocamos en la composición demográfica de los bloques más y menos orientados, así como en aquellos que se orientaron más que la mediana y menos que la mediana. Hacerlo nos permitió medir el impacto dispar de una manera clara pero simple de entender. Para asegurarnos de que no estábamos eligiendo estadísticas, también llevamos a cabo un análisis que preservaba la naturaleza continua de los datos. Para cada una de nuestras 38 jurisdicciones, observamos la relación entre los siguientes pares de variables a nivel del grupo de bloques censales: Recuento de predicción y población de Raza (asiática, afroamericana, latina y blanca) Recuento de predicción y número de hogares en diferentes rangos de ingresos (Mayor a $200,000, Entre $125,000 y $150,000, Entre $75,000 y $100,000, y Menos de $45,000). Calculamos el coeficiente de correlación de Spearman y usamos un diagrama de caja para visualizar la distribución de los coeficientes de correlación para cada par de variables y calculamos los valores de la mediana de los coeficientes en las 38 jurisdicciones. Este análisis nos permitió medir si, para una determinada jurisdicción, el conteo de predicción que recibió un grupo de cuadra está correlacionado con la raza/etnicidad o el ingreso de las personas que viven en ella. Elegimos calcular coeficientes individuales para cada jurisdicción, en lugar de fusionar todos los grupos de bloques de todas las jurisdicciones en un solo análisis, ya que son distribuciones independientes. Podría haber diferencias significativas entre las prácticas policiales de las jurisdicciones, y definitivamente hay variaciones significativas en la cantidad de grupos de bloques y la composición racial y de ingresos familiares de las personas que viven en cada uno de ellos, así como la cantidad total de predicciones que recibieron. Por esta razón, analizamos cada jurisdicción individualmente y examinamos la distribución de esos coeficientes de correlación para ver si surgía un patrón. Para nuestro análisis final, observamos la composición demográfica de las 38 jurisdicciones individualmente al agrupar los grupos de bloques en cubos discretos según la cantidad de predicciones que recibieron. Hicimos 10 contenedores de igual tamaño en función del puntaje percentil de un grupo de bloques en una jurisdicción determinada. El primer contenedor tenía grupos de bloques que tenían entre 0 predicciones y el percentil 10, y el último contenedor tenía grupos de bloques que estaban entre el percentil 90 y el 100. Luego calculamos la composición demográfica de la colección de grupos de bloques en cada uno de estos contenedores. Hacer esto nos permitió observar si había alguna relación entre la composición de los grupos raciales/étnicos o de ingresos en cada uno de estos contenedores y las predicciones que recibió. A diferencia de nuestro análisis anterior, este método incluye todos los grupos de bloques en cada jurisdicción. Presentamos los resultados promedio de todas las jurisdicciones en las siguientes dos secciones y proporcionamos los resultados para jurisdicciones individuales en nuestro GitHub. Para medir la precisión de nuestros hallazgos, utilizamos el margen de error de las estimaciones de población presentes en los datos de la ACS de 2018 para ejecutar nuestro análisis en los límites inferior y superior de las estimaciones de población de cada grupo de bloques. Esto nos permitió medir cuánto variaban nuestros hallazgos debido a las imprecisiones de los datos de ACS. No hubo un cambio significativo en nuestros hallazgos para las poblaciones afroamericana, asiática, latina o blanca, o para diferentes rangos de ingresos familiares medios, sin importar qué estimación de población usamos. Para pecar de precavidos a lo largo de esta metodología, declaramos nuestros hallazgos con el más bajo de los tres valores que calculamos (por ejemplo, "al menos el 63 % de las jurisdicciones"). El único grupo demográfico para el que los hallazgos variaron significativamente fue el de los nativos americanos, por lo que no usamos esos hallazgos en nuestro análisis. Para determinar si centrarse en una geografía más pequeña afectaría nuestros hallazgos, completamos un análisis secundario a nivel de bloque utilizando datos de 2010 y encontramos disparidades aún mayores (más en la siguiente sección y Limitaciones). Análisis de raza y etnicidad Grupos de bloques más y menos seleccionados Para la mayoría de las jurisdicciones que analizamos, los grupos de bloques más seleccionados tenían una población negra o latina más alta, mientras que los grupos de bloques que nunca o con poca frecuencia eran objetivo tendían a tener una población blanca más alta cuando en comparación con la jurisdicción en su conjunto. En la mayoría de 38 jurisdicciones, más negros y latinos vivían en grupos de bloques que eran los más atacados, mientras que más blancos vivían en los que eran menos atacados. En al menos el 84 % de los departamentos (32), una mayor proporción de residentes negros o latinos vivía en los grupos de bloques más seleccionados en comparación con la jurisdicción en general. Mirando solo a los residentes afroamericanos, una mayor proporción vivía en los grupos de bloques más atacados en el 66 % de las jurisdicciones (25), y solo para los latinos, es el 55 % de las jurisdicciones (21). Este mismo fenómeno fue menos común para los residentes asiáticos. En al menos el 34 % de las jurisdicciones (13), las poblaciones asiáticas en los grupos de bloques más atacados superan la mediana de la población asiática de la jurisdicción. Era el menos común para los blancos. En al menos el 21 % de las jurisdicciones (8), una mayor proporción de residentes blancos vive en los grupos de bloques más afectados por el software de PredPol que en la jurisdicción en general. Por el contrario, cuando observamos los grupos de bloques menos seleccionados por el software de PredPol, sus datos demográficos se invirtieron. Para al menos el 74% de las agencias policiales en nuestros datos (28 jurisdicciones), la proporción de residentes blancos en los grupos de bloques menos seleccionados fue más alta que la jurisdicción en general. Esto fue cierto para los negros y los latinos con mucha menos frecuencia, en al menos el 16 % (6) y el 18 % (7) de las jurisdicciones, respectivamente. Al analizar los bloques más específicos de las 38 jurisdicciones, encontramos que la proporción de afroamericanos y latinos aumentó un 28 % y un 16 % en promedio, y que la población blanca promedio disminuyó un 17 %. La tendencia opuesta fue cierta para los bloques menos focalizados. A medida que aumentaron las predicciones, aumentó la proporción de negros y latinos en los grupos de bloques. Lo contrario fue cierto para los blancos. En Salisbury, Maryland, al menos el 26% de los residentes en el grupo de bloque mediano de la jurisdicción son negros, según la Oficina del Censo. Sin embargo, la población negra saltó a por lo menos un 5 %, en promedio, para los grupos de bloques que fueron los más atacados por PredPol. En Portage, Michigan, los grupos de manzanas más atacados contenían al menos nueve veces más residentes negros que los grupos de manzanas objetivo medianos de la ciudad y al menos siete veces más residentes negros que la ciudad en general. Y la cantidad de predicciones en estas áreas más específicas a menudo fue abrumadora. En un grupo de cuadras en Jacksonville, Texas (grupo de cuadras 1 del tramo censal 950500), PredPol predijo que ocurriría un asalto o un robo de vehículos en una de varias ubicaciones en ese grupo de cuadras 12,187 veces durante casi dos años. Son 19 predicciones cada día en un área con una población de 1810 personas. La población de este grupo de bloque es al menos 62% negra y latina y entre 15% y 21% blanca. De hecho, al menos el 83% de la población negra de Jacksonville vivía en grupos de bloques que fueron atacados más de 7500 veces en dos años. Esto fue muchas veces más que el porcentaje de la población blanca de la ciudad que vivía en esos grupos de bloques (al menos el 23%). Cuando le preguntamos a PredPol al respecto, la compañía dijo que Jacksonville estaba haciendo un mal uso del software durante parte del tiempo, usando demasiados turnos diarios, lo que resultó en predicciones adicionales por día. (Vea más en la sección Respuesta de la compañía). La policía de Jacksonville no respondió a las solicitudes de comentarios. Grupos de bloques por encima y por debajo de la mediana También descubrimos que en al menos el 76 % de las jurisdicciones en nuestros datos (29), la mayoría de la población negra o latina de una jurisdicción vivía en los grupos de bloques a los que PredPol apuntaba más que la mediana. La mayoría de los residentes asiáticos vivían en estos grupos de bloques en al menos el 55 % de las jurisdicciones de nuestros datos. El algoritmo ahorró en gran medida a los residentes blancos del mismo nivel de escrutinio que recomendaba para los residentes negros y latinos. Para más de la mitad (20) de las jurisdicciones en nuestros datos, la mayoría de los residentes blancos vivían en grupos de bloques que estaban menos enfocados que la mediana o que no estaban en absoluto. Lo mismo solo podría decirse de la población negra en cuatro jurisdicciones y de la población latina en siete. Análisis de carrera a nivel de bloque Los defensores de la vigilancia de los puntos conflictivos destacan que el tamaño pequeño del área de predicción es crucial. Para determinar si centrarnos en una geografía más pequeña afectaría nuestros hallazgos, completamos un análisis secundario a nivel de bloque utilizando datos del censo de 2010. Para reducir los efectos de los cambios de población durante la década siguiente, limitamos este análisis a grupos de bloques con al menos una predicción en nuestro conjunto de datos donde las poblaciones negras, latinas y blancas no cambiaron más del 20 % entre el censo de 2010 y la ACS de 2018. . Las poblaciones asiáticas y nativas americanas eran demasiado pequeñas para este análisis secundario. Para nuestro conjunto de datos, el 20 % resultó ser un buen umbral para seleccionar grupos de bloques donde los cambios de población demográfica eran pequeños. En los 135 grupos de bloques razonablemente estables resultantes (2% de los grupos de bloques en nuestros datos), encontramos que 89 de los bloques seleccionados dentro de ellos tenían concentraciones aún más altas de residentes negros y latinos que el grupo de bloques en general. (Ver más en la sección de Limitaciones.) En algunos casos, hacer zoom en los bloques mostró que las predicciones que parecían apuntar a grupos de bloques mayoritarios de blancos, de hecho, se habían dirigido a los bloques dentro de ellos donde vivían personas de color. Por ejemplo, cada predicción individual en un grupo de bloques mayoritariamente blanco en el vecindario Northridge de Los Ángeles (grupo de bloques 2 del tramo censal 115401) ocurrió en un bloque cuyos residentes eran casi todos latinos. El bloque más objetivo en un grupo de bloque mayoritario de blancos en Elgin, Illinois. (grupo de bloques 1 del tramo censal 851000), tenía siete veces más residentes negros que el resto del grupo de bloques. Para 36 (78%) de los 46 grupos estables de bloques mayoritariamente blancos, las predicciones se dirigieron con mayor frecuencia a los bloques dentro de ellos que tenían porcentajes más altos de residentes negros o latinos. En solo 18 (36%) de los 50 grupos de bloques estables, mayoritariamente negros e hispanos, los bloques más específicos tenían porcentajes más altos de personas blancas que el grupo de bloques en general. Correlación entre predicciones y raza Analizamos la relación entre el volumen de predicciones que recibió un grupo de bloque y su composición racial y étnica utilizando el coeficiente de correlación de Spearman. Calculamos el coeficiente de correlación para las 38 jurisdicciones individualmente. Para cada jurisdicción, calculamos cuatro coeficientes, uno para cada raza/etnicidad en nuestro análisis. Por lo tanto, teníamos coeficientes de 38 × 4. Visualizamos la distribución para mostrar la tendencia subyacente. Los datos sugieren que a medida que aumenta el número de predicciones en un grupo de bloque, aumenta la proporción de población negra y latina y disminuye la proporción de población blanca y asiática. Si bien la correlación mediana es baja, hay mucha variación. Esto puede ser el resultado de que el algoritmo se haga eco de las prácticas policiales existentes o porque algunas jurisdicciones en los datos están mucho más segregadas que otras. Como se mencionó anteriormente, los cuadros de predicción de PredPol son mucho más pequeños que un grupo de bloques. Dado que los coeficientes de correlación se calculan a nivel del grupo de bloques, no captarían el tipo de focalización que describimos en la sección anterior, donde incluso dentro de algunos grupos de bloques de mayoría blanca, los bloques más focalizados fueron aquellos en los que vivía la gente de color. Por tanto, estos coeficientes de correlación son más conservadores que el realizado a nivel de manzana censal. No pudimos llevar a cabo este análisis a ese nivel más granular debido a las limitaciones de los datos demográficos del Censo a nivel de bloque disponibles para nosotros. A medida que aumentaba el número de predicciones en un grupo de bloques, aumentaba la proporción de negros y latinos de la población. Composición racial/etnia de los deciles Para observar cómo cambiaba la composición de diferentes grupos raciales/etnicos en los grupos de bloques como una propiedad de las predicciones, agrupamos la grupos de bloques en cubos discretos en función del número de predicciones que recibieron y calcularon la proporción de raza/etnicidad y grupos de ingresos en nuestro análisis que vivían en la colección de grupos de bloques en cada cubo. Después de calcular estos valores para cada una de nuestras 38 jurisdicciones de forma individual, calculamos el valor medio de cada segmento en todas las jurisdicciones. Esto se muestra en el gráfico a continuación. La figura muestra que, en promedio, a medida que aumenta el número de predicciones que recibe un grupo de bloque, aumenta la proporción de poblaciones negras y latinas y disminuye la población blanca. Los vecindarios con la mayor cantidad de predicciones tenían la proporción más baja de residentes blancos. Nuestro análisis mostró que los grupos de bloques más atacados tenían una población negra o latina más alta que la jurisdicción en su conjunto, mientras que los grupos de bloques que nunca o con poca frecuencia eran atacados tendían a tener un porcentaje más alto de residentes blancos que la jurisdicción en su conjunto. Para ver cómo cambió la composición demográfica para cualquier jurisdicción individual, consulte nuestro GitHub aquí. Análisis de riqueza y pobreza La unión de los datos de predicción con los datos de la Encuesta de la Comunidad Estadounidense de 2018 de la Oficina del Censo también nos dio una idea de los estratos financieros de quienes viven en áreas objetivo de PredPol. La línea de pobreza federal, con un ingreso anual de $26,200 para una familia de cuatro, es ampliamente criticada como una medida demasiado baja para brindar una imagen precisa de todas las personas que experimentan inseguridad financiera y alimentaria en Estados Unidos. Para captar una franja más amplia de familias de bajos ingresos que la que permite la línea de pobreza, elegimos una métrica federal diferente: el umbral de ingresos para que los estudiantes de escuelas públicas califiquen para el programa federal de almuerzo gratis o a precio reducido, que es de $48,000 anuales para una familia de cuatro . Redondeamos hacia abajo a $45,000 porque eso fue lo más cerca que nos pudieron dar los datos del censo. En nuestras 38 jurisdicciones, observamos una variación significativa en el rango superior de ingresos. Algunos casi no tenían hogares que ganaran más de $200,000, mientras que para otros constituían el 15% de la jurisdicción. Para dar cuenta de la variación, usamos tres rangos diferentes de ingresos más altos para tratar de capturar los barrios más ricos en diferentes municipios. Estos rangos se eligieron utilizando lo que estaba disponible en la tabla del Censo para los ingresos de los hogares en los últimos 12 meses. Contamos la cantidad de hogares en cada grupo de bloques del censo con un ingreso anual de $45,000 o menos, así como los siguientes grupos: $75,000 a $100,00, $125,000 a $150,000 y más de $200,000. Luego calculamos qué porcentaje de la porción de cada jurisdicción de estos grupos de ingresos estaba ubicado en grupos de bloques en las áreas más, medianas y menos específicas para las predicciones de PredPol, como lo hicimos para el análisis racial y étnico. Grupos de bloque más y menos objetivo Nuestro análisis encontró que, en comparación con la jurisdicción en su conjunto, una mayor proporción de hogares de bajos ingresos de una jurisdicción vivía en los grupos de bloque que el software de PredPol apuntó más, y una mayor proporción de hogares de clase media. y los hogares ricos vivían en los grupos de bloques a los que menos apuntaba. En al menos el 71 % de las jurisdicciones (27) de nuestro conjunto de datos, una mayor proporción de hogares de bajos ingresos (ingresos anuales de $45 000 o menos) vivía en los grupos de bloques más objetivo del software de PredPol en comparación con la jurisdicción en general. Esto fue cierto para los hogares que ganaron más de $200 000 en al menos el 21 % de las jurisdicciones (8). En 30 jurisdicciones, los grupos de bloques más atacados tenían hogares más pobres. Al observar los bloques más específicos en las 38 jurisdicciones de nuestro conjunto de datos, la proporción de hogares que ganaron menos de $45 000 en promedio aumentó un 18 %, y la proporción promedio de hogares que ganaron más de $200 000 disminuyó un 26 %. La tendencia opuesta fue cierta para los bloques menos focalizados. A medida que aumentaban las predicciones, aumentaban los hogares más pobres y disminuían los ricos. En algunos lugares, la disparidad fue aún más dramática. En Haverhill, Massachusetts, por ejemplo, al menos el 21% de los 4503 hogares de bajos ingresos de la jurisdicción estaban ubicados en los grupos de bloques más atacados. En Decatur, Georgia, al menos uno de cada tres (34 %) de los hogares de bajos ingresos de la jurisdicción vivía en dos grupos de bloques a los que PredPol apuntaba constantemente: más de 11 000 predicciones cada uno durante casi tres años. También observamos la distribución de los hogares más ricos en las jurisdicciones y los comparamos con las predicciones de PredPol. Descubrimos que los grupos de bloques que nunca fueron atacados tendían a ser más ricos. Para la mayoría de las jurisdicciones en nuestros datos, los grupos de bloques del Censo a los que PredPol se dirigió menos estaban compuestos por más hogares que ganaban al menos $200,000 al año que en la jurisdicción en general. En Merced, California, por ejemplo, los grupos de bloques menos seleccionados tenían al menos 10 hogares ricos en promedio. Los grupos de bloque de objetivos medianos no tenían ninguno. Y en Birmingham, Alabama, el grupo de bloque mediano no tenía un solo hogar rico. Pero los grupos de bloques donde PredPol nunca hizo predicciones tenían al menos 34 hogares más ricos en promedio. Para ver cómo cambió la composición demográfica de los vecindarios en una jurisdicción individual según la orientación del software, consulte nuestro GitHub aquí. Grupos de bloques por encima y por debajo de la mediana También encontramos que para 33 jurisdicciones (87 %), la mayoría de los hogares de bajos ingresos de la jurisdicción estaban ubicados en los grupos de bloques seleccionados más que la mediana. En solo 13 jurisdicciones (34 %) la mayoría de los hogares que ganan $200 000 o más vivían en grupos de bloques dirigidos a más de la mediana. Correlación entre predicciones e ingresos Analizamos la relación entre el volumen de predicciones que recibió un grupo de bloques y el rango de ingresos de las personas que viven allí. Para cada jurisdicción, calculamos cuatro coeficientes, uno para cada rango de ingresos en nuestro análisis. Por lo tanto, teníamos coeficientes de 38 × 4. Visualizamos la distribución para mostrar la tendencia subyacente. Encontramos una correlación positiva débil entre la proporción de hogares que ganan menos de $45,000 al año y la cantidad de predicciones que recibe un grupo de bloque y una correlación negativa débil para el resto de los niveles de ingresos. Esto significa que los datos sugieren que a medida que aumenta el recuento de predicción, aumenta la proporción de hogares que ganan menos de $45,000 al año. La proporción de hogares que ganan menos de $45,000 al año se correlacionó positivamente con las predicciones. Composición de ingresos de los deciles Para observar cómo cambió la composición de los rangos de ingresos de los hogares entre los grupos de bloques en función de las predicciones, agrupamos los grupos de bloques en cubos discretos en función del número de predicciones que recibieron y calcularon la proporción de personas de cada rango de ingresos en nuestro análisis que vivían allí. Después de calcular la distribución de cada una de nuestras 38 jurisdicciones de forma individual, calculamos el valor medio de cada segmento en todos los grupos de bloques. Esto se muestra en la siguiente figura. La figura muestra la misma tendencia que observamos en nuestro análisis anterior: al observar los datos de las 38 jurisdicciones juntas, en promedio, a medida que aumenta la cantidad de predicciones que recibió un grupo de bloque, aumenta la proporción de hogares que ganan menos de $45,000 al año. A medida que aumentaron las predicciones, el ingreso familiar promedio disminuyó. Nuestro análisis encontró que, en comparación con la jurisdicción en su conjunto, una mayor proporción de hogares de bajos ingresos de una jurisdicción vivía en los grupos de bloques a los que se dirigía más el software de PredPol, y una mayor proporción de hogares ricos vivía en los grupos de bloques apuntó menos. También encontramos que en toda la distribución a medida que aumentaban las predicciones que recibía un grupo de bloques, también aumentaba la proporción de hogares que ganaban $45,000 al año o menos. Para ver cómo cambió la composición para jurisdicciones individuales, consulte nuestro Github aquí. Análisis de vivienda pública A medida que continuamos explorando estas áreas más pronosticadas, notamos que un gran número se encontraba dentro y alrededor de complejos de vivienda pública, hogar de algunos de los residentes más pobres del país. Con la herramienta de búsqueda de viviendas en línea de HUD, reunimos las ubicaciones de 4001 comunidades de viviendas subsidiadas públicas o privadas, refugios para personas sin hogar y viviendas para personas mayores y con necesidades especiales en las jurisdicciones de nuestros datos. Luego observamos la frecuencia con la que PredPol predijo que ocurriría un crimen allí. Para 22 jurisdicciones en nuestros datos (57%), más de las tres cuartas partes de sus instalaciones de vivienda pública estaban ubicadas en grupos de bloques a los que PredPol apuntó más que la mediana. En algunas jurisdicciones, la mayoría de las viviendas públicas estaban ubicadas en los grupos de bloques más seleccionados: en Jacksonville, el 63 % de las viviendas públicas estaban ubicadas en los grupos de bloques más enfocados por PredPol. En Elgin, el 58% de la vivienda pública estaba ubicada en los grupos de bloques a los que PredPol apuntaba más. en Portage; Livermore, California; Cacao, Florida; Jordán del Sur, Utah; Gloucester, Nueva Jersey; y Piscataway, cada instalación de vivienda pública estaba ubicada en grupos de bloques que eran los más atacados. En 10 jurisdicciones, PredPol predijo delitos en bloques con comunidades de viviendas públicas casi todos los días que el programa estuvo en uso allí. (Dado que este análisis no requería datos demográficos del Censo, contamos la cantidad de predicciones para sus ubicaciones). Pudimos obtener datos de arrestos para algunos de estos departamentos, pero cuando los comparamos con la tasa y el tipo de predicciones hechas, podrían estar a millas de distancia. Por ejemplo, PredPol predijo que el asalto ocurriría un promedio de cinco veces al día en Sweet Union Apartments, una comunidad de vivienda pública en Jacksonville: 3276 predicciones durante los 614 días que el Departamento de Policía de Jacksonville usó el software durante el período que analizamos. PredPol dijo que Jacksonville en algún momento había creado demasiados cambios, por lo que estaba recibiendo predicciones repetidas. El departamento de policía no respondió a las solicitudes de comentarios. Se desconoce si la policía aumentó las patrullas en esas áreas como resultado (ver más en Limitaciones). Los datos de arrestos proporcionados por la policía de Jacksonville mostraron que los oficiales realizaron 31 arrestos allí durante ese tiempo. Solo cuatro fueron por violencia doméstica o agresión. La mayoría de las otras 27 infracciones fueron órdenes de arresto pendientes o posesión de drogas. Detenciones, Arrestos y Uso de la Fuerza Buscamos determinar el efecto de las predicciones de PredPol en los datos comúnmente recopilados por las fuerzas del orden: detenciones, arrestos y uso de la fuerza. Para hacer eso, hicimos más de 100 solicitudes de registros públicos a 43 agencias en nuestros datos para sus datos de uso de la fuerza, crimen, detención y arresto desde 2018 hasta 2020. Nos enfocamos en jurisdicciones donde las predicciones de PredPol se dirigieron desproporcionadamente a negros, latinos , o barrios de bajos ingresos y donde el software predijo tipos de delitos no relacionados con la propiedad. También solicitamos datos de "dosificación", que es el término de PredPol para los datos que el software proporciona a las agencias que rastrean cuándo los oficiales visitan cada casilla de predicción y cuánto tiempo pasan allí, pero casi todas las agencias negaron rotundamente las solicitudes, muchas de ellas con el argumento de que la agencia dejó de usar PredPol y ya no pudo acceder a la información. Algunas agencias se negaron a darnos ningún dato; otros nos dieron algunos datos. Solo dos, Plainfield, New Jersey y Portage, nos dieron todos los tipos de datos que solicitamos. Obtuvimos datos de paradas de peatones o tráfico de ocho agencias, datos de arrestos de 11 agencias e incidentes de uso de la fuerza por parte de oficiales de cinco agencias. Algunos de los registros de uso de la fuerza se proporcionaron como informes escritos en lugar de datos, por lo que extrajimos los metadatos para crear hojas de cálculo. Luego, otro periodista del proyecto cotejó cada conjunto de datos nuevos con los registros originales. Geolocalizamos cada incidente de arresto, parada o uso de la fuerza en una coordenada de latitud/longitud. Esto nos permitió verificar si el incidente ocurrió el mismo día que una predicción de PredPol y dentro de los 250 pies del centro del cuadro de 500 por 500 pies sugerido para patrullar (llamado "dentro del cuadro" por PredPol). Cuando una agencia no nos proporcionó ningún dato, recopilamos estadísticas de arresto a nivel de jurisdicción del programa Uniform Crime Reporting del FBI. Análisis de detención, arresto y uso de la fuerza PredPol afirma que es probable que el uso de su software conduzca a menos arrestos porque enviar oficiales a las cajas de predicción de la compañía crea un efecto disuasorio. Sin embargo, no observamos que PredPol tuviera un impacto medible en las tasas de arresto, en ninguna dirección. (Consulte Limitaciones para obtener más información sobre este análisis). Si bien estos hallazgos son limitados, un examen más detallado de los grupos de bloques a los que PredPol se dirigió con mayor frecuencia sugiere que el software recomendó que la policía regrese a los mismos bloques de mayoría negra y latina donde ya habían estado haciendo arrestos Cuando comparamos los arrestos per cápita en los grupos de bloques a los que PredPol apuntó con mayor frecuencia (aquellos en el 5% superior para las predicciones) con el resto de la jurisdicción, descubrimos que tenían arrestos per cápita más altos que los grupos de bloques menos atacados y los jurisdicción en general. Estas áreas de altos arrestos también tienen concentraciones más altas de residentes negros y latinos que la jurisdicción general, según datos del censo. Por ejemplo, los datos proporcionados por Salisbury, Georgia, de 2018 a 2020 muestran que los arrestos per cápita en los grupos de bloques más atacados, aquellos en el 5% superior para las predicciones, fueron casi siete veces la tasa de arrestos de la jurisdicción en su conjunto. La proporción de residentes afroamericanos y latinos que viven en estos grupos de bloques más atacados es el doble de la jurisdicción en su conjunto, según cifras del censo. Los vecindarios con la mayor cantidad de predicciones de delitos tuvieron tasas de arresto más altas. Este mismo patrón se repitió para los 11 departamentos que nos proporcionaron datos de arrestos desglosados: los grupos de bloques más atacados por PredPol tenían porcentajes más altos de residentes negros o latinos y arrestos per cápita más altos que la jurisdicción en general. Encontramos un patrón similar para las agencias que nos proporcionaron datos sobre incidentes de uso de la fuerza. Para tres de los cinco, las tasas de uso de la fuerza per cápita fueron más altas en los grupos de bloques más atacados que en la jurisdicción general. En Plainfield, las tasas de uso de la fuerza per cápita en los grupos de bloques más atacados de la jurisdicción fueron casi el doble de la tasa de toda la jurisdicción. En Niles, Illinois, el uso de la fuerza per cápita en los grupos de bloques más atacados fue más del doble de la tasa de la jurisdicción. En Piscataway, fue más de 10 veces la tasa de la jurisdicción. Los arrestos y los incidentes de uso de la fuerza están influenciados por demasiadas variables para atribuir cambios estadísticos o cualquier contacto particular directamente a las predicciones de PredPol sin más evidencia.