基于大数据挖掘的服刑人员再犯罪预测

　　《基于大数据挖掘的服刑人员再犯罪预测》：　　（1）经验阶段。美国南北战争结束后，一些州开始用服刑人员危险性评估工具进行刑事审判，例如纽约和曼彻斯特分别在1876和1878年通过的假释条例和缓刑条例中，都要求对服刑人员进行危险性评估。可以说，美国缓刑制度的产生和发展推动着危险性评估技术的发展，这一阶段的危险性评估主要内容是服刑人员的犯罪情况和服刑人员自身个体特征，主要依据积累的经验做出直接判断，从当时来看，这是一种司法和评估技术的进步，但缺乏科学的评估根据和学科理论支撑，也没有规范的评估工具。　　（2）基于危险性因子与量表的学科理论阶段。为了提高服刑人员危险性评估的效率、准确性和广度，降低服刑人员危险性评估实际操作的难度，使更多的监狱干警也能对服刑人员进行危险性评估，研究者基于心理学、社会学、犯罪学等学科理论，从不同的角度研究影响服刑人员实施危险行为的因素，并通过测量得出评估因子，然后按照评估因子设置评估内容，制作危险性评估量表，对服刑人员进行危险性评估。美国1984年研究做出的审前释放危险性评估，就是先列出11项审前释放危险性评估因素，然后测量出9项评估因子，并制作成量表对释放对象进行危险性评估，此举具有高效的评估作用和显著的预测作用，成果显著。基于危险性因子与量表对服刑人员进行危险性评估不再是基于经验积累，增加了危险性评估的科学性，基于量表的危险性评估是国外危险性评估技术的重大突破，这标志着对服刑人员进行危险性评估已经开始采用量化标准，比较而言，评估的准确性得到提高，但这个阶段的服刑人员危险性评估量表中的危险性因子多是从静态的角度和历史的角度来评估，忽视了服刑人员自身在矫正过程中的多个动态维度的变化情况。　　（3）基于统计学的专业理论阶段。基于危险性因子的量表的研究与开发提高了监狱对服刑人员进行危险性评估的效率和科学性，然而，危险性因子是基于静态的、专家的经验所得，当监狱管理人员对服刑人员的过去行为史不甚了解，也不曾对服刑人员进行过动态的评估时，基于服刑人员静态的、历史的信息使用评估系统对服刑人员进行危险性评估就有可能出现错误，并且由于没有对服刑人员危险性评估量表的信度和效度进行检验，服刑人员危险性评估的准确性也受到一些人质疑。为此，研究者和专家们运用统计学知识利用随机抽样和分层抽样选择大量样本进行危险性因子分析，通过对危险性因子进行信度和效度检验选取评估价值高的危险性因子来构建服刑人员危险性评估量表，区分不同层级的危险性类别，由于该阶段的评估采用了相关理论作基础，从而提高了服刑人员危险性评估的专业化程度、系统性和准确性。　　（4）基于大数据的学科理论阶段。基于统计学的抽样调查对样本的要求非常高，服刑人员危险性评估量表的建立依赖于样本的绝对随机性和绝对典型性，对样本的精确度要求较高。多年来，研究者们已经意识到基于统计学的抽样调查本身固有的抽样误差和登记性误差。基于大数据的服刑人员危险性评估不再依赖于少量典型样本，而是所有服刑人员的所有数据；关注的数据不再只是结构化数据，也包括半结构化和非结构化数据；关注的不再只是服刑人员危险性因子与服刑人员危险性行为的因果关系，也包括与服刑人员危险性行为相关的危险性因子。当数据达到一定的规模，那么个别对象的错误信息对整体的影响便越来越小，将大数据理论应用于服刑人员危险性评估可以提高评估的准确性；基于大数据的服刑人员危险性评估不再大量分析、假设因果关系，而是直接分析海量数据间的相关性，获得数据背后的联系和规律，减少了人为因素，保证了危险性评估的客观性；服刑人员危险性评估本身具有复杂性和动态性，基于统计学的危险性评估量表只是建立在服刑人员部分数据的基础上，不能完整体现服刑人员危险性变化性规律，基于大数据的服刑人员危险性评估不再需要建文理论假设.更好地展现了服刑人员危险性的动态性。　　……