予測警察におけるアルゴリズム的偏見の暴露: 複数都市を対象とした時系列分析を用いたGANベースのシミュレーションフレームワーク

要旨: アルゴリズムで生成された犯罪予測に基づいてパトロール資源を配分する予測警察システムは、米国の都市で広く展開されていますが、人種的不平等を組み込み拡大させる傾向は、量的な観点からは未だ十分には理解されていません。私たちは、Generative Adversarial Network（GAN）と Noisy OR パトロール検出モデルを結合し、犯罪発生から警察接触に至る執行パイプライン全体で人種バイアスがどのように伝播するかを測定する再現性のあるシミュレーションフレームワークを提示します。ボルチモア2017年から2019年のPart 1犯罪記録約145,000件、シカゴ2022年の約233,000件、米国 Census ACS の人口統計データを補助データとして組み合わせ、264の市年モード観測に対して4つの月次バイアス指標を算出します：Disparate Impact Ratio（DIR）、Demographic Parity Gap、Gini係数、そして複合的な Bias Amplification Score。
私たちの実験は、ボルチモアの検出モードにおける極端で年次変動するバイアスを明らかにしました。2019年には平均年 DIR が最大で15714 に達し、シカゴでは黒人居住者の検出が中程度に過小評価され、DIR は0.22 に等しい、そしてすべての条件を通じて0.43から0.62のジニ係数が一貫して観測されました。さらに、条件付きタブラー GAN CTGAN によるデバイアス除去アプローチは検出率を部分的に再配分しますが、伴う政策介入を伴わなければ構造的不均衡を排除することはできません。社会経済回帰分析は、近隣の人種構成と検出の可能性との間に強い相関があることを確認し、白人割合についてのピアソン相関係数は0.83、黒人割合については-0.81であることを示しました。パトロール半径、警官数、市民通報確率に関する感度分析は、結果が最も警官配置レベルに敏感であることを示しています。コードとデータはこのリポジトリで公開されています。