In 2007, I became the attorney general of the state of New Jersey. Before that, I'd been a criminal prosecutor, first in the Manhattan district attorney's office, and then at the United States Department of Justice.
ב-2007, התמניתי לפרקליטת מדינת ניו ג'רזי. לפני כן הייתי תובעת פלילית, במשרד התובע המחוזי במנהטן, ובמשרד המשפטים של ארצות הברית.
But when I became the attorney general, two things happened that changed the way I see criminal justice. The first is that I asked what I thought were really basic questions. I wanted to understand who we were arresting, who we were charging, and who we were putting in our nation's jails and prisons. I also wanted to understand if we were making decisions in a way that made us safer. And I couldn't get this information out. It turned out that most big criminal justice agencies like my own didn't track the things that matter. So after about a month of being incredibly frustrated, I walked down into a conference room that was filled with detectives and stacks and stacks of case files, and the detectives were sitting there with yellow legal pads taking notes. They were trying to get the information I was looking for by going through case by case for the past five years. And as you can imagine, when we finally got the results, they weren't good. It turned out that we were doing a lot of low-level drug cases on the streets just around the corner from our office in Trenton.
אבל כשנהייתי פרקליטת המדינה, שני דברים שינו את נקודת מבטי על המשפט הפלילי. הראשון היה ששאלתי שאלות שנראו לי ממש בסיסיות. רציתי להבין את מי אנחנו עוצרים, את מי אנחנו מעמידים לדין, ואת מי אנחנו שולחים לכלא. רציתי גם להבין אם ההחלטות שאנחנו מקבלים מגבירות את הבטחון האישי שלנו. ולא יכולתי להשיג את המידע הזה. מסתבר שרוב מערכות החוק, כמו זו שלי, לא עוקבות אחרי הדברים החשובים. אז אחרי חודש של תסכול נוראי, נכנסתי לחדר ישיבות שהיה מלא בבלשים ובערימות של תיקים, והבלשים ישבו עם מחברות צהובות ורשמו לעצמם הערות. הם ניסו להשיג את המידע אותו חיפשתי על ידי בדיקה של כל תיק ותיק מחמש השנים האחרונות. וכפי שאפשר לדמיין, כשסוף סוף קיבלנו את הממצאים, הם לא היו טובים. הסתבר שהתעסקנו הרבה בעבירות סמים מדרגה נמוכה, שהתרחשו ברחובות מעבר לפינת המשרדים שלנו.
The second thing that happened is that I spent the day in the Camden, New Jersey police department. Now, at that time, Camden, New Jersey, was the most dangerous city in America. I ran the Camden Police Department because of that. I spent the day in the police department, and I was taken into a room with senior police officials, all of whom were working hard and trying very hard to reduce crime in Camden. And what I saw in that room, as we talked about how to reduce crime, were a series of officers with a lot of little yellow sticky notes. And they would take a yellow sticky and they would write something on it and they would put it up on a board. And one of them said, "We had a robbery two weeks ago. We have no suspects." And another said, "We had a shooting in this neighborhood last week. We have no suspects." We weren't using data-driven policing. We were essentially trying to fight crime with yellow Post-it notes.
הדבר השני שקרה הוא שביקרתי בתחנת המשטרה בקמדן בניו ג'רזי. עכשיו באותה תקופה קמדן, ניו ג'רזי הייתה העיר הכי מסוכנת באמריקה. בגלל זה אני ניהלתי את תחנת משטרת קמדן. ביליתי את היום בתחנת המשטרה, ולקחו אותי לחדר עם קציני משטרה בכירים, שעבדו קשה וניסו במאמץ רב להוריד את רמת הפשיעה בקמדן. ומה שראיתי באותו חדר, בזמן שדיברנו על הורדת רמת הפשיעה, זה הרבה שוטרים עם המון פתקיות צהובות דביקות. והם לקחו פתקית צהובה, רשמו משהו עליה, והדביקו אותה ללוח. ובפתק אחד היה כתוב: "היה לנו שוד לפני כשבועיים. אין לנו חשודים." ובאחר: "היה לנו ירי בשכונה בשבוע שעבר. אין לנו חשודים." לא השתמשנו בשיטור מבוסס-נתונים. ניסינו להילחם בפשע עם פתקיות דביקות וצהובות.
Now, both of these things made me realize fundamentally that we were failing. We didn't even know who was in our criminal justice system, we didn't have any data about the things that mattered, and we didn't share data or use analytics or tools to help us make better decisions and to reduce crime. And for the first time, I started to think about how we made decisions. When I was an assistant D.A., and when I was a federal prosecutor, I looked at the cases in front of me, and I generally made decisions based on my instinct and my experience. When I became attorney general, I could look at the system as a whole, and what surprised me is that I found that that was exactly how we were doing it across the entire system -- in police departments, in prosecutors's offices, in courts and in jails. And what I learned very quickly is that we weren't doing a good job. So I wanted to do things differently. I wanted to introduce data and analytics and rigorous statistical analysis into our work. In short, I wanted to moneyball criminal justice.
עכשיו, שני הדברים הללו גרמו לי להבין שבעצם, אנחנו נכשלים. לא ידענו אפילו מי נמצא במערכת הפלילית שלנו, לא היו לנו שום נתונים על הדברים החשובים, ולא שיתפנו נתונים או השתמשנו בניתוחים כדי לקבל החלטות טובות יותר, ולהפחית את רמת הפשיעה. ולראשונה התחלתי לחשוב על הדרך בה אנחנו מקבלים החלטות. כשהייתי עוזרת התובע המחוזי, וכשהייתי תובעת פדרלית, הייתי מסתכלת בתיקים שלפני ומקבלת החלטות בדרך-כלל לפי האינסטינקט והנסיון שלי. כשנהייתי פרקליטת המדינה, יכולתי להסתכל על המערכת בכללותה, ומה שהפתיע אותי זה שגיליתי שאנחנו עובדים כך במערכת כולה - בתחנות משטרה, במשרדי התביעה, בבתי המשפט ובבתי הסוהר. ומה שלמדתי מהר מאוד זה שאנחנו לא עושים עבודה טובה. אז רציתי לעשות דברים אחרת. רציתי להכניס נתונים וניתוחים סטטיסטיים לתוך העבודה שלנו. בקיצור, רציתי להכניס את גישת המאניבול למערכת המשפט הפלילי.
Now, moneyball, as many of you know, is what the Oakland A's did, where they used smart data and statistics to figure out how to pick players that would help them win games, and they went from a system that was based on baseball scouts who used to go out and watch players and use their instinct and experience, the scouts' instincts and experience, to pick players, from one to use smart data and rigorous statistical analysis to figure out how to pick players that would help them win games.
מאניבול, כפי שרבים מכם יודעים, זה מה שהאוקלנד איי'ז עשו, כשהם השתמשו בנתונים וסטטיסטיקות כדי להבין איך לבחור שחקנים מנצחים, והם עברו משיטה שהתבססה על ציידי כשרונות בבייסבול שהלכו וצפו בשחקנים, והשתמשו בניסיון ובאינסטיקנטים שלהם -- ניסיון ואינסטינקטים של ציידי כשרונות -- כדי לבחור שחקנים, לשיטה בה משתמשים בנתונים וניתוחים קפדניים כדי להבין איך לבחור שחקנים שיעזרו להם לנצח משחקים.
It worked for the Oakland A's, and it worked in the state of New Jersey. We took Camden off the top of the list as the most dangerous city in America. We reduced murders there by 41 percent, which actually means 37 lives were saved. And we reduced all crime in the city by 26 percent. We also changed the way we did criminal prosecutions. So we went from doing low-level drug crimes that were outside our building to doing cases of statewide importance, on things like reducing violence with the most violent offenders, prosecuting street gangs, gun and drug trafficking, and political corruption.
זה עבד לאוקלנד איי'ז, וזה עבד במדינת ניו ג'רזי. הסרנו את קמדן מראש רשימת הערים המסוכנות באמריקה. הפחתנו את מספר הרציחות שם ב-41 אחוזים, מה שאומר שחייהם של 37 בני אדם ניצלו. והפחתנו את כלל הפשע בעיר ב-26 אחוזים. שינינו גם את אופן ההעמדה לדין. אז עברנו מטיפול בעבירות סמים קלות, שהתרחשו ליד הבנין שלנו, לבניית תיקים בעלי חשיבות מדינית, כמו עצירת העבריינים הכי אלימים, העמדה לדין של כנופיות רחוב, סחר בנשק וסמים, ושחיתות פוליטית.
And all of this matters greatly, because public safety to me is the most important function of government. If we're not safe, we can't be educated, we can't be healthy, we can't do any of the other things we want to do in our lives. And we live in a country today where we face serious criminal justice problems. We have 12 million arrests every single year. The vast majority of those arrests are for low-level crimes, like misdemeanors, 70 to 80 percent. Less than five percent of all arrests are for violent crime. Yet we spend 75 billion, that's b for billion, dollars a year on state and local corrections costs. Right now, today, we have 2.3 million people in our jails and prisons. And we face unbelievable public safety challenges because we have a situation in which two thirds of the people in our jails are there waiting for trial. They haven't yet been convicted of a crime. They're just waiting for their day in court. And 67 percent of people come back. Our recidivism rate is amongst the highest in the world. Almost seven in 10 people who are released from prison will be rearrested in a constant cycle of crime and incarceration.
וכל זה חשוב מאוד, כי, עבורי, שמירה על ביטחון הציבור הוא התפקיד החשוב ביותר של הממשל. בלי בטחון - אין חינוך, אין בריאות, אי אפשר לעשות את מה שאנחנו רוצים. ובמדינה שלנו היום, אנחנו מתמודדים עם בעיות רציניות במשפט פלילי. 12 מיליון מעצרים מתבצעים מדי שנה. רובם המכריע הם של עבירות קלות, בין 70 ל-80 אחוזים. פחות מחמישה אחוזים של כלל המעצרים קשורים לפשעים אלימים. ובכל זאת אנחנו משקיעים 75 מיליארד, כן - מיליארד, דולר כל שנה על הוצאות מדיניות ומקומיות על שיקום אסירים. ברגע זה, היום, יש לנו כ-2.3 מיליון אנשים בבתי הכלא וסוהר שלנו. ואנו עומדים בפני אתגרים בלתי יאומנים לביטחון הציבור כיוון שיש לנו מצב בו שני שליש מהאנשים בבתי הכלא שלנו נמצאים שם בהמתנה למשפט שלהם. הם עדיין לא הורשעו בביצוע פשע. הם רק מחכים ליום שלהם בבית המשפט. ו-67 אחוזים מהאנשים חוזרים. שיעור החזרה לכלא שלנו הוא מהגבוהים בעולם. כמעט שבעה מכל עשרה משוחררים ייעצרו מחדש במחזור קבוע של פשע ומאסר. כך שכשהתחלתי את עבודתי בקרן ארנולד,
So when I started my job at the Arnold Foundation, I came back to looking at a lot of these questions, and I came back to thinking about how we had used data and analytics to transform the way we did criminal justice in New Jersey. And when I look at the criminal justice system in the United States today, I feel the exact same way that I did about the state of New Jersey when I started there, which is that we absolutely have to do better, and I know that we can do better.
התחלתי שוב להסתכל על רבות מהשאלות האלו והתחלתי שוב לחשוב על איך השתמשנו במידע ובניתוחים אנליטיים בכדי לשנות את הדרך בה אנו עושים צדק משפטי בניו-ג'רזי. וכשאני מסתכלת על מערכת המשפט הפלילי בארצות הברית כיום, עולה בי בדיוק אותה התחושה שהיתה לי לגבי מדינת ניו-ג'רזי כשהתחלתי שם, שהיא שאנחנו פשוט חייבים להשתפר, ואני יודעת שאנחנו יכולים להשתפר. אז החלטתי להתמקד
So I decided to focus on using data and analytics to help make the most critical decision in public safety, and that decision is the determination of whether, when someone has been arrested, whether they pose a risk to public safety and should be detained, or whether they don't pose a risk to public safety and should be released. Everything that happens in criminal cases comes out of this one decision. It impacts everything. It impacts sentencing. It impacts whether someone gets drug treatment. It impacts crime and violence. And when I talk to judges around the United States, which I do all the time now, they all say the same thing, which is that we put dangerous people in jail, and we let non-dangerous, nonviolent people out. They mean it and they believe it. But when you start to look at the data, which, by the way, the judges don't have, when we start to look at the data, what we find time and time again, is that this isn't the case. We find low-risk offenders, which makes up 50 percent of our entire criminal justice population, we find that they're in jail. Take Leslie Chew, who was a Texas man who stole four blankets on a cold winter night. He was arrested, and he was kept in jail on 3,500 dollars bail, an amount that he could not afford to pay. And he stayed in jail for eight months until his case came up for trial, at a cost to taxpayers of more than 9,000 dollars. And at the other end of the spectrum, we're doing an equally terrible job. The people who we find are the highest-risk offenders, the people who we think have the highest likelihood of committing a new crime if they're released, we see nationally that 50 percent of those people are being released.
בשימוש במידע וניתוחים אנליטיים בכדי לסייע לקבלת ההחלטה החשובה ביותר בביטחון ציבורי, וההחלטה הזו היא הקביעה האם, כאשר מישהו נעצר על ידי המשטרה, האם הם מהווים סכנה לביטחון הציבור ועליהם להיות מעוכבים, או שהם אינם מהווים סכנה לשלום הציבור ויש לשחרר אותם. כל מה שקורה במשפטים פליליים מקורו בהחלטה האחת הזו. היא משפיעה על הכל. היא משפיעה על גזר הדין. היא משפיעה על הסיכוי שמישהו יקבל טיפול לסמים. היא משפיעה על פשע ועל אלימות. וכשאני מדברת עם שופטים ברחבי ארה"ב, דבר שאני עושה כל הזמן עכשיו, הם כולם אומרים את אותו הדבר, והוא שאנו מכניסים אנשים מסוכנים לבית הסהר, ואנו משחררים את האנשים הלא-מסוכנים והלא-אלימים. הם מתכוונים לזה ומאמינים בזה. אבל כשמתחילים להסתכל על הנתונים, שאותם, דרך אגב, השופטים לא מכירים, וכשאנחנו מתחילים להסתכל על הנתונים, מה שאנו מוצאים שוב ושוב הוא שזה איננו כך. אנחנו מוצאים פושעים קטנים ולא מסוכנים, שמהווים 50 אחוז מכל אוכלוסיית מערכת המשפט שלנו, אנחנו מוצאים שהם בבית הסהר. קחו את לסלי צ'יו, אדם מטקסס שגנב ארבע שמיכות בלילה חורפי קר. הוא נעצר, והוא נשמר בבית הסהר על ערבות של 3,500 דולר, סכום שהוא לא יכול היה לשלם. והוא נשאר בכלא שמונה חודשים עד שהתיק שלו עלה לבית המשפט, בעלות של מעל 9,000 דולר למשלם המיסים. ובקצה השני של הספקטרום, אנחנו עושים עבודה רעה לא פחות. האנשים שאנו חושבים לפושעים המסוכנים ביותר, האנשים שאנו חושבים שלהם יש את הסבירות הגבוהה ביותר לבצע פשע נוסף, אם הם ישוחררו, אנו רואים ברמה הלאומית ש-50 אחוז מהאנשים האלו משוחררים. הסיבה לכך היא הדרך בה אנו מקבלים החלטות.
The reason for this is the way we make decisions. Judges have the best intentions when they make these decisions about risk, but they're making them subjectively. They're like the baseball scouts 20 years ago who were using their instinct and their experience to try to decide what risk someone poses. They're being subjective, and we know what happens with subjective decision making, which is that we are often wrong. What we need in this space are strong data and analytics.
לשופטים יש כוונות טובות כשהם מקבלים את ההחלטות האלו לגבי הסיכון, אבל הם מקבלים אותן באופן סובייקטיבי. הם כמו ציידי הכשרונות בבייסבול לפני 20 שנה שהשתמשו באינסטינקטים ובניסיון שלהם כדי לנסות ולהחליט כמה מסוכן מישהו. הם סובייקטיביים, ואנו יודעים מה קורה כשמקבלים החלטות באופן סובייקטיבי, והוא שהרבה פעמים אנחנו טועים. מה שאנחנו צריכים במרחב הזה הם נתונים קשים וניתוחים. מה שאני החלטתי לחפש
What I decided to look for was a strong data and analytic risk assessment tool, something that would let judges actually understand with a scientific and objective way what the risk was that was posed by someone in front of them. I looked all over the country, and I found that between five and 10 percent of all U.S. jurisdictions actually use any type of risk assessment tool, and when I looked at these tools, I quickly realized why. They were unbelievably expensive to administer, they were time-consuming, they were limited to the local jurisdiction in which they'd been created. So basically, they couldn't be scaled or transferred to other places.
הוא כלי לניתוח סיכונים ונתונים קשים, משהו שיאפשר לשופטים באמת להבין באופן מדעי ואובייקטיבי מה היה הסיכון שנבע ממישהו שעמד לפניהם. חיפשתי בכל המדינה, ומצאתי שבין חמישה לעשרה אחוזים מכל מחוזות השיפוט האמריקאיים בעצם משתמשים בכלי ניתוח סיכונים כלשהו וכשבחנתי את הכלים הללו לעומק, הבנתי מהר מאד למה. הם היו יקרים לתחזוק באופן בלתי נתפש, הם דרשו זמן רב, והם היו מוגבלים למחוז השיפוטי המקומי שיצר אותם. כך שבעצם לא ניתן היה להכליל אותם או להעביר אותם למקומות אחרים. אז הלכתי ובניתי צוות מדהים
So I went out and built a phenomenal team of data scientists and researchers and statisticians to build a universal risk assessment tool, so that every single judge in the United States of America can have an objective, scientific measure of risk. In the tool that we've built, what we did was we collected 1.5 million cases from all around the United States, from cities, from counties, from every single state in the country, the federal districts. And with those 1.5 million cases, which is the largest data set on pretrial in the United States today, we were able to basically find that there were 900-plus risk factors that we could look at to try to figure out what mattered most. And we found that there were nine specific things that mattered all across the country and that were the most highly predictive of risk. And so we built a universal risk assessment tool. And it looks like this. As you'll see, we put some information in, but most of it is incredibly simple, it's easy to use, it focuses on things like the defendant's prior convictions, whether they've been sentenced to incarceration, whether they've engaged in violence before, whether they've even failed to come back to court. And with this tool, we can predict three things. First, whether or not someone will commit a new crime if they're released. Second, for the first time, and I think this is incredibly important, we can predict whether someone will commit an act of violence if they're released. And that's the single most important thing that judges say when you talk to them. And third, we can predict whether someone will come back to court. And every single judge in the United States of America can use it, because it's been created on a universal data set.
של חוקרים ומדעני מידע ושל סטטיסטיקאים בכדי לבנות כלי אוניברסלי להערכת סיכונים, כך שכל שופט ושופט בארצות הברית יוכל לקבל הערכה אובייקטיבית ומדעית של רמת הסיכון. בכלי שבנינו, מה שעשינו היה שאספנו 1.5 מיליון תיקים מכל רחבי ארה"ב, מערים, ממחוזות, ומכל מדינה ומדינה בארץ, ומהמחוזות הפדרליים. ועם מיליון וחצי התיקים האלו, שהם מאגר המידע הגדול ביותר על טרום-משפט בארה"ב כיום, הצלחנו בעצם למצוא שהיו מעל ל-900 גורמי סיכון שיכולנו לבחון על מנת לנסות ולהבין מה היה הכי חשוב. ומצאנו שהיו תשעה גורמים יחודיים שהיו חשובים לכל רוחב הארץ ושהיו מנבאי הסיכון הגבוהים ביותר. כך שבנינו כלי אוניברסלי להערכת סיכון. והוא נראה כך. כפי שתוכלו לראות, אנחנו מכניסים מידע פנימה, אבל ברובו הוא ממש פשוט, הוא פשוט לשימוש, הוא מתמקד בדברים כגון ההרשעות הקודמות של הנאשם, האם הם נשפטו למאסר, האם הם היו מעורבים באירועים אלימים בעבר, אפילו אם הם לא חזרו לבית המשפט כשהיו צריכים. ועם הכלי הזה אנחנו יכולים לחזות שלושה דברים. דבר ראשון, האם מישהו יבצע או לא פשע נוסף אם הוא ישוחרר. דבר שני, בפעם הראשונה, ואני חושבת שזה חשוב מאד, אנחנו יכולים לנבא האם מישהו יבצע מעשה אלים אם הוא ישוחרר. וזה הדבר החשוב ביותר ששופטים אומרים כשמדברים אתם. ודבר שלישי, אנחנו יכולים לחזות אם מישהו יחזור לבית המשפט. וכל שופט ושופט בארצות הברית יכול להשתמש בזה, כיוון שיצרנו את זה במאגר מידע אוניברסלי. מה ששופטים רואים אם הם מריצים את כלי הערכת הסיכונים
What judges see if they run the risk assessment tool is this -- it's a dashboard. At the top, you see the New Criminal Activity Score, six of course being the highest, and then in the middle you see, "Elevated risk of violence." What that says is that this person is someone who has an elevated risk of violence that the judge should look twice at. And then, towards the bottom, you see the Failure to Appear Score, which again is the likelihood that someone will come back to court.
הוא זה - זה לוח מחוונים. בראש אתם רואים את מדד הפשיעה החדש, בו שש הוא המדד הגבוה ביותר, ואז במרכז אתם רואים "סיכון מוגבר לאלימות". מה שזה אומר הוא שהאדם הזה הוא אדם שלו סיכון מוגבר לאלימות שעל השופט לבדוק לעומק. ואז, לקראת התחתית, אתם רואים את מדד הכישלון להופיע, שהוא שוב הסיכוי שמישהו יחזור לבית המשפט. עכשיו אני רוצה לומר משהו מאד חשוב.
Now I want to say something really important. It's not that I think we should be eliminating the judge's instinct and experience from this process. I don't. I actually believe the problem that we see and the reason that we have these incredible system errors, where we're incarcerating low-level, nonviolent people and we're releasing high-risk, dangerous people, is that we don't have an objective measure of risk. But what I believe should happen is that we should take that data-driven risk assessment and combine that with the judge's instinct and experience to lead us to better decision making. The tool went statewide in Kentucky on July 1, and we're about to go up in a number of other U.S. jurisdictions. Our goal, quite simply, is that every single judge in the United States will use a data-driven risk tool within the next five years. We're now working on risk tools for prosecutors and for police officers as well, to try to take a system that runs today in America the same way it did 50 years ago, based on instinct and experience, and make it into one that runs on data and analytics.
זה לא שאני חושבת שעלינו להוציא את האינסטיקט והניסיון של השופט מהתהליך הזה. אני לא. למעשה אני מאמינה שהבעיה שאנחנו רואים והסיבה שיש לנו את טעויות המערכת הבלתי נתפסות הללו, כשאנחנו עוצרים את האנשים הלא-אלימים, בעלי הסיכון הנמוך, ואנו משחררים את האנשים המסוכנים וברמת הסיכון הגבוהה, היא שאין לנו מדד אובייקטיבי של סיכון. אבל מה שאני מאמינה שצריך לקרות זה שעלינו לקחת את כלי הערכת הסיכונים מבוסס הנתונים ולשלב אותו עם האינסטינקט והניסיון של השופט כדי להוביל אותנו לקבלת החלטות טובה יותר. הכלי הוכנס לשימוש בכל מדינת קנטאקי בראשון ביולי, ואנחנו עומדים להתחיל במספר מחוזות שיפוט אמריקאיים אחרים. מטרתנו, פשוט מאד, היא שכל שופט ושופט בארה"ב ישתמש בכלי הערכת סיכון מבוסס נתונים בתוך חמש השנים הקרובות. כעת אנחנו עובדים על כלים להערכת סיכונים גם עבור תובעים ושוטרים, בכדי לנסות לקחת מערכת שפועלת כיום באמריקה באותה הדרך בה פעלה לפני 50 שנים, תוך התבססות על אינסטינקט וניסיון, ולהפוך אותה לאחת שפועלת על נתונים וניתוחים. עכשיו, החדשות הטובות בכל העניין,
Now, the great news about all this, and we have a ton of work left to do, and we have a lot of culture to change, but the great news about all of it is that we know it works. It's why Google is Google, and it's why all these baseball teams use moneyball to win games. The great news for us as well is that it's the way that we can transform the American criminal justice system. It's how we can make our streets safer, we can reduce our prison costs, and we can make our system much fairer and more just. Some people call it data science. I call it moneyballing criminal justice.
ויש לנו עוד המון עבודה לפנינו, ויש לנו המון תרבות לשנות, אבל החדשות הממש טובות בכל העניין הן שאנחנו יודעים שזה עובד. זו הסיבה שגוגל היא גוגל, וזו הסיבה שכל אותן קבוצות הבייסבול משתמשות במאניבול בכדי לנצח משחקים. החדשות הטובות עבורנו גם הן שאחנו יכולים לשנות את מערכת המשפט הפלילית האמריקאית. זו הדרך בה אנחנו יכולים להפוך את הרחובות שלנו לבטוחים יותר, אנחנו יכולים לצמצם את הוצאות בתי הכלא שלנו, ואנחנו יכולים להפוך את המערכת שלנו להוגנת הרבה יותר ויותר צודקת. ישנם אנשים הקוראים לזה מדע נתונים. אני קוראת לזה לעשות מאניבולינג לשיפוט הפלילי. תודה רבה.
Thank you.
(תשואות)
(Applause)