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.
In 2007 werd ik hoofdaanklager in de staat New Jersey. Daarvoor was ik openbare aanklager, eerst in Manhattan en later bij het Ministerie van Justitie.
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.
Toen ik begon als hoofdaanklager, gebeurden er twee dingen die mijn beeld van het strafrecht hebben veranderd. Ten eerste stelde ik, in mijn ogen, heel simpele vragen. Ik wilde begrijpen wie we arresteerden, wie we aanklaagden en wie we opsloten in onze huizen van bewaring en gevangenissen. Ik wilde ook begrijpen of we beslissingen namen die onze veiligheid vergrootten. Maar ik kon niet aan deze informatie komen. Het bleek dat de meeste grote instanties binnen het strafrechtapparaat, zoals de mijne, belangrijke zaken niet bijhielden. Na ongeveer een maand van grote frustratie liep ik een vergaderzaal in vol met rechercheurs en eindeloze stapels dossiers. De rechercheurs zaten notities te maken in gele schrijfblokken. Ze probeerden de informatie te verzamelen waar ik naar zocht door alle zaken van de afgelopen vijf jaar stuk voor stuk door te nemen. Zoals je je kunt indenken, waren de uitkomsten die we uiteindelijk vonden niet best. Het bleek dat we ons vooral bezighielden met een boel kleine drugszaken op de straten in de buurt van ons kantoor in Trenton. De tweede belangrijke gebeurtenis
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.
is dat ik een dag heb meegelopen bij het politiebureau van Camden. Op dat moment was Camden in New Jersey de meest gevaarlijke stad van Amerika. Dat was de reden dat ik leiding gaf aan het politiebureau van Camden. Ik liep een dag mee op het bureau en werd meegenomen naar een kamer met hoge politieambtenaren die allemaal ontzettend hard werkten om de misdaad in Camden terug te dringen. Wat ik zag in die kamer, terwijl we spraken over criminaliteitbestrijding, was een groep politieambtenaren met een heleboel kleine geeltjes. Ze namen een geeltje, schreven er wat op en plakten het dan op een bord. Een van hen zei: "Er was twee weken terug een overval. Er zijn geen verdachten." Een ander zei: "We hadden een schietpartij in de buurt vorige week. We hebben geen verdachten." Ons politiewerk was niet datagestuurd. We probeerden in wezen misdaad te bestrijden met geeltjes.
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.
Deze twee dingen deden me beseffen dat we fundamenteel tekortschoten. We wisten niet eens wie er in ons strafrechtsysteem zaten, we hadden geen gegevens van de dingen die ertoe deden en we deelden gegevens niet en gebruikten geen analyses of tools om ons betere beslissingen te helpen maken en de misdaad terug te dringen. Voor het eerst begon ik na te denken over hoe we besluiten namen. Toen ik assistent aanklager en later federaal aanklager was, keek ik naar de dossiers voor mij en maakte ik meestal beslissingen op basis van mijn intuïtie en ervaring. Toen ik openbare aanklager werd, kon ik het systeem als geheel bezien. Het verraste me dat dat precies was hoe we het deden in het hele systeem -- bij de politie, bij justitie, bij de rechtbanken en in gevangenissen. Wat mij heel snel duidelijk werd, is dat we geen goed werk leverden. Dus ik wilde het anders doen. Ik wilde data, analytics en nauwgezette statistische analyse invoeren in ons werk. Kortom, ik wilde 'Moneyball' toepassen op ons strafrecht.
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.
Moneyball, zoals velen van jullie weten, is wat de Oakland A's deden toen ze slimme data en statistieken inzetten om spelers te kiezen die ze wedstrijden zouden helpen winnen. Ze gingen van een systeem dat was gebaseerd op honkbalscouts die spelers gingen bekijken en hun intuïtie en ervaring gebruikten, die van de scouts, dus, om spelers te kiezen, naar een systeem van slimme data en grondige statistische analyse om uit te vinden welke spelers hen wedstrijden zouden helpen winnen. Het werkte voor de Oakland A's
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.
en het werkte in de staat New Jersey. We haalden Camden uit de top van de lijst als meest gevaarlijke stad in Amerika. We verminderden het aantal moorden met 41 procent, wat betekent dat 37 levens werden gered. En we verminderden de criminaliteit in de hele stad met 26 procent. Wij veranderden ook onze aanpak van strafrechtelijke vervolging. In plaats van op kleine drugsvergrijpen in de omgeving van ons kantoor, richten we ons op zaken van belang voor de hele staat, zoals het aanpakken van de meest gewelddadige overtreders, vervolging van straatbendes, wapen- en drugshandel en politieke corruptie. Dit doet er allemaal zeer toe,
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.
want openbare veiligheid is voor mij de belangrijkste taak van de regering. Als we niet veilig zijn, kunnen we niet leren, kunnen we niet gezond zijn, kunnen we geen van de dingen doen die we willen in ons leven. We leven vandaag de dag in een land met ernstige strafrechtelijke problemen. We doen elk jaar 12 miljoen arrestaties. De grote meerderheid van die arrestaties is voor kleine vergrijpen, zoals overtredingen, 70 tot 80 procent. Minder dan 5 procent van alle arrestaties is voor geweldsmisdrijven. En toch we besteden 75 miljard, dat is miljard, niet miljoen, dollar per jaar aan staats- en lokale gevangeniskosten. Op dit moment zitten er 2,3 miljoen mensen in huizen van bewaring en gevangenissen. We staan voor enorme uitdagingen op het gebied van veiligheid, want we zitten met de situatie dat twee derde van de mensen in de gevangenis in afwachting is van hun rechtszaak. Ze zijn nog niet veroordeeld voor een misdaad. Ze wachten alleen tot ze voor de rechter komen. En 67 procent van die mensen komt terug. Onze recidivecijfers behoren tot de hoogste van de wereld. Bijna 7 op de 10 mensen die worden vrijgelaten, worden weer gearresteerd, in een voortdurende cyclus van misdaad en opsluiting.
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.
Dus toen ik bij de Arnold Foundation ging werken, keek ik opnieuw naar veel van deze vragen en dacht ik terug aan hoe we gegevens en analytics hadden gebruikt om onze aanpak van het strafrecht in New Jersey te hervormen. Als ik naar het huidige strafrechtsysteem in de VS kijk, denk ik er exact zo over als ik deed over de staat New Jersey toen ik daar begon, namelijk dat het absoluut beter moet en ik weet dat we beter kunnen.
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.
Dus ik besloot mij te richten op het gebruik van gegevens en analytics om het meest kritieke besluit op veiligheidsgebied te helpen maken. Dat besluit is de bepaling of een arrestant een gevaar vormt voor de openbare veiligheid en moet worden vastgehouden, of geen gevaar vormt voor de openbare veiligheid en moet worden vrijgelaten. Alles wat er in een strafzaak gebeurt, komt voort uit dit ene besluit. Het beïnvloedt alles. Het beïnvloedt de strafoplegging, of iemand verslavingszorg krijgt, het beïnvloedt misdaad en geweld. Wanneer ik spreek met rechters uit de hele VS, wat ik nu de hele tijd doe, zeggen ze allemaal hetzelfde, namelijk dat we gevaarlijke mensen in de cel stoppen en dat we ongevaarlijke, niet-gewelddadige mensen laten gaan. Ze menen het en en ze geloven het. Maar als je naar de data gaat kijken, die de rechters trouwens niet hebben, als we naar de data gaan kijken, zien we keer op keer dat dit niet het geval is. Overtreders met gering risico, die 50 procent van de totale gevangenispopulatie vormen, zitten in de cel. Neem Leslie Chew, een Texaanse man die vier dekens stal op een koude winteravond. Hij werd gearresteerd en vastgezet met een borgsom van 3.500 dollar, een bedrag dat hij niet kon betalen. Hij zat acht maanden in de gevangenis tot zijn zaak voor de rechter kwam, ten koste van meer dan 9.000 dollar aan belastinggeld. Aan de andere kant van het spectrum leveren we even slecht werk. De overtreders met het hoogste risico, degenen van wie wij denken dat de kans het grootst is dat ze opnieuw een misdaad begaan, van die mensen zien we landelijk dat 50 procent wordt vrijgelaten. Dat komt door de wijze waarop we beslissingen nemen.
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.
Rechters hebben de beste bedoelingen als ze deze besluiten over risico nemen, maar ze maken ze op subjectieve wijze. Ze lijken op de honkbalscouts 20 jaar geleden, die hun intuïtie en ervaring gebruikten om te bepalen welk risico iemand vormt. Ze zijn subjectief en we weten wat er gebeurt met subjectieve besluitvorming, namelijk dat we het vaak verkeerd hebben. Wat we hier nodig hebben, zijn krachtige data en analytics.
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.
Ik besloot op zoek te gaan naar een krachtig programma voor risicobeoordeling van data- en analytics. Iets dat rechters zou helpen begrijpen, op een wetenschappelijke en objectieve manier, welk risico werd gevormd door de voorgeleide. Ik zocht in het hele land en ontdekte dat tussen de 5 en 10 procent van alle rechtsgebieden daadwerkelijk een programma voor risicobeoordeling gebruikten. Toen ik deze programma's bekeek, begreep ik al snel waarom. Ze waren ongelooflijk duur in beheer, ze waren tijdrovend, ze beperkten zich tot het rechtsgebied waar ze waren gemaakt. Ze konden dus niet worden aangepast of overgedragen naar andere plekken. Dus ik bouwde een fenomenaal team
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.
van datawetenschappers, onderzoekers en statistici om een universeel risicobeoordelingsprogramma te bouwen, zodat elke rechter in de Verenigde Staten van Amerika kan beschikken over een objectieve, wetenschappelijke risicomaatstaf. In het programma dat we hebben gebouwd, verzamelden we 1,5 miljoen zaken uit heel de Verenigde Staten, van steden, van county's, van elke staat in het land, de federale districten. Met die 1,5 miljoen zaken, thans de grootste set met gegevens over voorarresten in de Verenigde Staten, ontdekten we dat er meer dan 900 risicofactoren waren die we konden bekijken om uit te vinden welke het belangrijkst waren. We ontdekten dat er 9 specifieke dingen waren die er overal in het land toe deden en die het risico het beste voorspelden. Dus bouwden we een algemeen toepasbaar programma voor risicobeoordeling. Zo ziet het eruit. Je ziet dat er vrij veel informatie wordt weergegeven, maar verder is het ongelooflijk simpel. Het is makkelijk in gebruik. Het richt zich op zaken als eerdere veroordelingen, of ze zijn veroordeeld tot een celstraf, of ze ooit geweld hebben gepleegd, of ze verstek hebben laten gaan bij hoorzittingen. Met dit programma kunnen we drie dingen voorspellen. Ten eerste of iemand opnieuw een misdaad zal plegen. Ten tweede, voor het eerst, en ik vind dit heel erg belangrijk, kunnen we voorspellen of iemand een geweldsdaad zal plegen na vrijlating. Dat is het allerbelangrijkste volgens de rechters. Ten derde kunnen we voorspellen of iemand ter hoorzitting zal verschijnen. Elke rechter in de VS kan het gebruiken, omdat het is gemaakt aan de hand van een universele gegevensset.
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.
Wat rechters zien als ze het programma uitvoeren, is dit -- het dashboard. Bovenaan zie je de kans op recidive-score, met zes als hoogste score. In het midden zie je 'verhoogd risico op geweld'. Dat betekent dat deze persoon een verhoogd risico van geweld heeft en dat de rechter goed moet opletten. Onderaan zie je de verstek-score. Dat is de waarschijnlijkheid dat iemand niet bij de hoorzitting zal verschijnen. Nu wil ik iets heel belangrijks zeggen.
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.
Ik vind niet dat we de intuïtie en ervaring van de rechter moeten uitsluiten bij dit proces. Echt niet. Ik denk dat het probleem dat we zien en de reden dat wij deze ongelooflijke systeemfouten hebben, waar we niet-gewelddadige mensen met een laag risico vastzetten en gevaarlijke mensen met een hoog risico vrijlaten, is dat we geen objectieve risicomaatstaf hebben. Wat er moet gebeuren, is dat we die datagestuurde risicobeoordeling combineren met de intuïtie en ervaring van de rechter om betere besluiten te nemen. Het programma werd op 1 juli in heel Kentucky gelanceerd. We gaan ook live in een aantal andere rechtsgebieden. Ons doel is simpelweg dat elke rechter in de Verenigde Staten binnen vijf jaar een datagestuurd risicoprogramma gebruikt. We werken nu ook aan risicoprogramma's voor aanklagers en politieagenten, om een systeem dat vandaag de dag net zo werkt als vijftig jaar geleden, op basis van intuïtie en ervaring, te veranderen in een systeem dat werkt op gegevens en analytics. Het goede nieuws van dit alles,
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.
en we hebben nog veel werk te doen en cultuur te veranderen, maar het goede nieuws is dat we weten dat het werkt. Het is de reden dat Google Google is en alle honkbalteams 'Moneyball' gebruiken om wedstrijden te winnen. Het goede nieuws voor ons is dat het de manier is om het Amerikaanse strafrechtsysteem te hervormen. Het is hoe we onze straten veiliger kunnen maken, onze gevangeniskosten kunnen verminderen en ons systeem veel eerlijker en rechtvaardiger kunnen maken. Sommige mensen noemen het datawetenschap. Ik noem het 'Moneyball' in het strafrecht. Bedankt.
Thank you.
(Applaus)
(Applause)