驴Son los algoritmos la soluci贸n? Vol. 2
La prisi贸n preventivaresulta costosa y, a menudo, se aplica de manera desproporcionada contra las minor铆as y las personas con menores recursos socioecon贸micos. Los tribunales de todo el pa铆s est谩n recurriendo a algoritmos para determinar si un acusado debe permanecer detenido en espera de juicio. El objetivo del uso de algoritmos es doble: reducir el n煤mero de personas en prisi贸n preventiva y ayudar a los jueces a tomar mejores decisiones sobre la necesidad de detener a un acusado.
En todo Estados Unidos, los responsables pol铆ticos, los profesionales y los defensores de la justicia penal han expresado su preocupaci贸n por el elevado n煤mero de personas que se encuentran recluidas en c谩rceles locales a la espera de que se resuelvan los cargos penales que se les imputan. Si bien algunos acusados permanecen detenidos porque se considera que podr铆an fugarse o cometer nuevos delitos en caso de ser puestos en libertad, muchos otros no representan un riesgo significativo y permanecen recluidos simplemente porque no pueden permitirse pagar la fianza fijada por un juez. El encarcelamiento de estos acusados de riesgo relativamente bajo resulta costoso para los contribuyentes y trastorna las vidas de los acusados y sus familias, muchos de los cuales tienen bajos ingresos y se enfrentan a otras dificultades. Para hacer frente a esta situaci贸n, algunas jurisdicciones est谩n probando nuevos enfoques para gestionar los casos penales en la fase previa al juicio, con el objetivo general de reducir el encarcelamiento innecesario sin dejar de garantizar la seguridad p煤blica.
En la actualidad, la mayor铆a de las jurisdicciones de los Estados Unidos funcionan con un sistema de fianza. Por lo general, el juez examina la informaci贸n que tiene ante s铆 en el expediente del acusado y debe decidir si este quedar谩 en libertad bajo palabra o si se le conceder谩 la posibilidad de pagar una fianza en espera del juicio. En muchos casos, se utiliza una tabla para determinar el importe de la fianza que se fijar谩 en funci贸n de la gravedad del delito y de los antecedentes penales del acusado. Otro factor que se tiene en cuenta es la edad del acusado y sus v铆nculos con la comunidad, es decir, la familia, el trabajo y la vivienda. Las investigaciones han demostrado que el sistema de fianzas tiende a ser discriminatorio hacia las personas sin recursos y, a menudo, hacia las minor铆as y las personas sin hogar. La intuici贸n tambi茅n suele ser discriminatoria hacia estos mismos colectivos. La introducci贸n de una alternativa basada en datos constituye un paso positivo hacia la reforma y un sistema m谩s justo.
En pocas palabras, las personas con recursos econ贸micos tienen m谩s posibilidades de pagar la fianza que se les imponga, evitar la c谩rcel y permitirse contratar a un abogado que les ayude a reducir los cargos. Las personas sin recursos no pueden permitirse pagar la fianza ni ausentarse del trabajo para defenderse de los cargos; por lo tanto, son m谩s propensas a aceptar un acuerdo con la fiscal铆a, sean culpables o no, lo que les deja con un historial penal m谩s extenso. Esto, por supuesto, las deja en una situaci贸n de inelegibilidad la pr贸xima vez que sean detenidas, ya sea por cargos v谩lidos o no. Es un c铆rculo vicioso.
En los 煤ltimos a帽os, la mayor concienciaci贸n sobre las consecuencias econ贸micas y humanas del encarcelamiento masivo en Estados Unidos ha dado lugar a un movimiento de reforma en materia de sentencias y sistema penitenciario. Seg煤n Arnold y Arnold [芦Fixing Justice in America禄, Politico Magazine], este movimiento, notablemente bipartidista, est谩 cambiando el discurso p煤blico sobre la justicia penal 芦alej谩ndolo de la cuesti贸n de cu谩l es la mejor forma de castigar, para centrarse en c贸mo lograr la seguridad p煤blica a largo plazo禄.
De las investigaciones realizadas se desprende que, para que el algoritmo funcione correctamente, la herramienta no solo debe ser v谩lida, sino que tambi茅n debe implementarse adecuadamente. Esto implica una formaci贸n exhaustiva sobre la herramienta, sus objetivos y sus limitaciones, as铆 como un uso sistem谩tico en todos los niveles: desde el agente que la utiliza e introduce los datos en el sistema hasta el juez que determina la medida previa al juicio adecuada.
Kentucky, que lleva m谩s de una d茅cada trabajando en la reforma de la prisi贸n preventiva, se enfrent贸 a numerosas dificultades hasta 2013, cuando incorpor贸 la herramienta PSA y la formaci贸n para todas las partes implicadas. Desde entonces, ha obtenido un gran 茅xito. Es necesario lograr un equilibrio entre lo que sugiere la herramienta y la intuici贸n del juez. Pero, en cualquier caso, debe eliminarse un sistema de fianzas privado que encarcela de forma desproporcionada a las personas sin recursos. Poner a los miembros de la comunidad en situaci贸n de riesgo en contacto con los recursos adecuados para ayudarles a convertirse en miembros activos de la sociedad redunda en el bien com煤n. Las investigaciones respaldan que esto puede lograrse sin causar perjuicio a la sociedad y sin que los acusados dejen de comparecer ante los tribunales, tal y como se ha demostrado en Kentucky y Nueva Jersey.
Las investigaciones han demostrado que el sistema de fianzas tiende a discriminar a las personas sin recursos y, a menudo, a las minor铆as y a las personas sin hogar. La percepci贸n general tambi茅n suele ser discriminatoria hacia esos mismos colectivos. La introducci贸n de una alternativa basada en datos constituye un paso positivo hacia la reforma y hacia un sistema m谩s justo.
Seg煤n los datos facilitados por el estado de Nueva Jersey, entre el 1 de enero y el 31 de julio de 2017, el n煤mero de personas en prisi贸n preventiva en el estado de Nueva Jersey se ha reducido en un 15,8 %. Se trata de una disminuci贸n impresionante en menos de un a帽o. Esto se traduce en 2.167 personas menos en prisi贸n preventiva a 31 de julio de 2017 que en la misma fecha de 2016. Se trata de m谩s de 2.000 personas que no han sido condenadas por ning煤n delito y que pueden vivir en casa con sus familias y llevar una vida normal en lugar de estar recluidas en una celda. Estas mismas personas tambi茅n tienen m谩s posibilidades de conservar sus empleos y a sus hijos, y sus vidas no se ven alteradas innecesariamente mientras permanecen recluidas antes incluso de haber sido condenadas. Es importante se帽alar que, durante este mismo periodo, la tasa de criminalidad de Nueva Jersey descendi贸. Seg煤n la Polic铆a Estatal de Nueva Jersey, los delitos violentos entre enero y agosto de 2017 fueron un 16,7 % inferiores a los registrados durante el mismo periodo de 2016. Los homicidios se redujeron en un 28,6 %, las agresiones en un 13,3 % y los robos en un 22 %. Por el contrario, los delitos violentos solo se redujeron un 4,3 % en 2016, y no variaron en 2015.
Es demasiado pronto para afirmar si la reforma de la fianza ha contribuido a ese importante descenso interanual. Pero, como m铆nimo, la reforma de la fianza no ha venido acompa帽ada de un aumento dr谩stico del peligro ni de la delincuencia. Hay m谩s personas en libertad y m谩s personas a salvo.
Los tribunales de Kentucky han utilizado el PSA-Court para ayudar a identificar a los acusados de bajo riesgo que suponen una amenaza m铆nima para la seguridad p煤blica y que, por lo tanto, son aptos para la libertad provisional. Desde la puesta en marcha del PSA-Court, y en comparaci贸n con los cuatro a帽os anteriores al 1 de julio de 2013, la tasa de nuevos delitos ha descendido de forma significativa. Kentucky mantiene ahora en prisi贸n a m谩s acusados de alto riesgo y potencialmente violentos, mientras que se est谩 concediendo la libertad a un mayor n煤mero de acusados de bajo riesgo. Y la delincuencia ha disminuido.
Apenas estamos empezando a explorar c贸mo los algoritmos, la investigaci贸n y la toma de decisiones basada en datos pueden contribuir a reformar el proceso previo al juicio. Es aqu铆 donde las colaboraciones acad茅micas y las alianzas con organismos de nuestra comunidad pueden marcar la diferencia.
A la luz de los estudios realizados, y teniendo en cuenta que las personas cometen errores y que ning煤n sistema es perfecto, parece que este enfoque constituye un buen punto de partida para eliminar parte de los sesgos y hacer que el sistema sea un poco m谩s justo, especialmente para los infractores sin antecedentes de violencia y de bajos recursos. Adem谩s, puede suponer un gran avance para ayudar a nuestras comunidades; si ponemos a las personas en contacto con los recursos que necesitan, en lugar de encerrarlas, es m谩s probable que contribuyan de forma productiva a la sociedad.
POR EL LABERINTO DE LOS ALGORITMOS
En oto帽o de 2017, Gretchen Schmidt ley贸 un art铆culo sobre la adopci贸n por parte de Nueva Jersey de algoritmos para determinar las penas previas al juicio. El concepto de la reforma de la fianza le pareci贸 interesante a Schmidt, quien, antes de dedicarse a la ense帽anza superior, hab铆a trabajado en el 谩mbito jur铆dico. De hecho, durante sus estudios de Derecho, trabaj贸 en la oficina del sheriff, donde una de sus responsabilidades consist铆a en realizar investigaciones jur铆dicas con los reclusos dos o tres veces por semana. 芦Aunque el uso de datos para fundamentar las decisiones sobre sentencias no es algo nuevo, me atrajo la idea de utilizar herramientas basadas en datos para ayudar a eliminar parte del sesgo aparentemente intr铆nseco del actual sistema de fianzas禄, afirma Schmidt.
En febrero de 2018, present贸 una ponencia sobre el uso de algoritmos en el proceso de imposici贸n de penas previo al juicio en la 55.陋 Reuni贸n Anual de la Academia de Ciencias de la Justicia Penal. La Academia de Ciencias de la Justicia Penal es una asociaci贸n internacional fundada en 1963 para fomentar las actividades profesionales y acad茅micas en el 谩mbito de la justicia penal. Promueve la formaci贸n, la investigaci贸n y el an谩lisis de pol铆ticas en materia de justicia penal dentro de esta disciplina, tanto para educadores como para profesionales. La Sra. Schmidt form贸 parte de un panel que present贸 ponencias relacionadas con cuestiones relativas a la prisi贸n preventiva.
Existen numerosos estudios sobre el uso de algoritmos en diferentes 谩mbitos y fases del proceso de justicia penal. 芦Al iniciar mi investigaci贸n, hice precisamente aquello de lo que advierto a mis alumnos: no paraba de perderme en laberintos禄, recuerda Schmidt.
Una de las cuestiones que se encontr贸 explorando tiene que ver con la correlaci贸n entre la prisi贸n preventiva y la probabilidad de ser detenido. En relaci贸n con esto, existen estudios sobre la probabilidad de que una persona en prisi贸n preventiva sea enviada a la c谩rcel. 芦La teor铆a es que, si usted en prisi贸n preventiva, usted m谩s probable que acepte un acuerdo con la fiscal铆a y obtenga una condena m谩s corta o, en el mejor de los casos, que se le cuente el tiempo ya cumplido. Esto, por supuesto, nos lleva al 煤ltimo laberinto: la probabilidad de declararse culpable de algo usted cometido porque usted del tiempo ni usted dinero para defenderse禄, explica. Se trata de cuestiones graves que deben tenerse en cuenta al analizar la prisi贸n preventiva y el sistema de fianzas, y Schmidt estaba decidida a averiguar si los algoritmos pod铆an ser una soluci贸n.
Schmidt lleg贸 a la conclusi贸n de que 芦para que el algoritmo tenga 茅xito, es necesario que se [aplique] correctamente, lo que incluye una formaci贸n intensiva sobre la herramienta, sus objetivos y limitaciones, as铆 como un uso coherente en todos los niveles, desde el agente que la utiliza e introduce los datos en el sistema hasta el juez que determina la medida previa al juicio adecuada禄. Su investigaci贸n respalda que esto es posible. Schmidt informa de que Kentucky incorpor贸 en 2013 una herramienta de evaluaci贸n de la seguridad p煤blica y formaci贸n para todas las partes implicadas y, desde entonces, ha logrado una gran mejora en la prisi贸n preventiva. 芦En cualquier caso, es necesario eliminar un sistema de fianzas privado que encarcela de forma desproporcionada a las personas sin recursos禄, afirma. 鈥� por Jenna Kerwin
