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.
Em 2007, eu me tornei procuradora-geral do estado de Nova Jersey. Antes disso, fui promotora criminal, primeiro, no escritório da procuradoria de Manhattan, e depois no Departamento de Justiça dos EUA.
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.
Mas, quando me tornei procuradora-geral, duas coisas aconteceram e mudaram a forma como vejo a justiça criminal. Primeiro, perguntei o que, para mim, eram questões bastante simples. Eu queria entender quem estávamos prendendo quem estávamos acusando e quem estávamos colocando em nossas cadeias e presídios. Eu também queria entender se estávamos tomando decisões de modo que ficássemos mais seguros. E eu não conseguia obter essas respostas. Acontece que a maior parte das agências de justiça criminal, como a minha, não rastreavam as coisas importantes. Então, após quase um mês com uma frustração incrível, eu fui até uma sala de conferências que estava cheia de detetives e muitas pilhas de arquivos de casos, e os detetives estavam lá com blocos amarelos, fazendo anotações. Eles tentavam obter as respostas que eu estava buscando, investigando caso por caso dos últimos cinco anos. E como vocês podem imaginar, quando vimos os resultados, eles não eram bons. Acontece que estávamos fazendo muitos casos de drogas de baixo nível nas ruas ali perto do nosso prédio em Trenton.
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.
A segunda coisa que aconteceu foi que passei o dia no Departamento de Polícia de Camden, Nova Jersey. Naquela época, Camden, em Nova Jersey, era a cidade mais perigosa dos Estados Unidos. Eu chefiei o Departamento de Polícia de Camden por causa disso. Eu passei o dia naquele departamento de polícia, e fui levada a uma sala com oficiais superiores da polícia, todos trabalhando duro, e tentando reduzir a criminalidade em Camden. O que eu vi naquela sala, enquanto discutíamos a redução da criminalidade, foram oficiais com muitos blocos amarelos de notas adesivas. Eles pegavam uma nota adesiva e escreviam algo nela e a grudavam em um quadro. E um deles disse: “Tivemos um assalto duas semanas atrás. Não temos suspeitos.” E outro disse: “Houve um tiroteio neste bairro semana passada. Não há suspeitos.” Não estávamos fazendo policiamento com base em dados. Estávamos tentando combater o crime com <i>post-its</i> amarelos.
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.
Essas duas coisas me fizeram perceber fundamentalmente que estávamos falhando. Sequer sabíamos quem estava no nosso sistema de justiça criminal, não possuíamos qualquer dado sobre as coisas importantes, não compartilhávamos dados nem usávamos análises ou ferramentas para nos ajudar a tomar decisões melhores e reduzir a criminalidade. Pela primeira vez, eu comecei a refletir sobre como tomávamos decisões. Quando eu era assistente da promotoria, e quando era promotora pública federal, eu olhava os casos na minha frente e normalmente tomava decisões baseadas no meu instinto e minha experiência. Quando me tornei procuradora-geral, pude ver o sistema como um todo, e o que me surpreendeu foi que descobri que era exatamente assim que fazíamos por todo o sistema -- nos departamentos de polícia, nos escritórios de procuradoria, nos tribunais e nos presídios. E o que aprendi rapidamente foi que não estávamos fazendo um bom trabalho. Então, eu queria fazer diferente. Eu queria introduzir dados e análises e análises de estatísticas rigorosas para o nosso trabalho. Em resumo, eu queria fazer <i>moneyball</i> na justiça criminal.
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.
<i>Moneyball</i>, como muitos de vocês sabem, foi o que o Oakland A’s fez, utilizando dados inteligentes e estatísticas para escolher os jogadores que os ajudariam a vencer, e de um sistema baseado em olheiros de beisebol que iam assistir aos jogadores e usar seu instinto e experiência, o instinto e experiência dos olheiros, para escolher jogadores, para utilizar dados inteligentes e estatísticas de análises rigorosas para entender quais jogadores os ajudariam a vencer os jogos.
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.
Funcionou para os Oakland A’s, e funcionou no estado de Nova Jersey. Nós retiramos Camden do topo da lista das cidades mais perigosas dos EUA. Reduzimos os assassinatos em 41%, o que significa que 37 vidas foram salvas. E reduzimos toda a criminalidade na cidade em 26%. Também mudamos a maneira como conduzíamos as ações penais. Passamos de crimes baixo nível de drogas, que aconteciam do lado do nosso prédio, para casos de importância estadual, por exemplo, reduzir a violência dos criminosos mais violentos, processar gangues de rua, tráfico de armas e drogas, e corrupção política.
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.
Tudo isso tem extrema importância, porque, para mim, a segurança pública é a função mais importante do governo. Se não estivermos seguros, não podemos receber educação, não podemos ter saúde, não podemos fazer nada mais que fazemos em nossas vidas. E, hoje moramos em um país onde enfrentamos problemas sérios na justiça criminal. Temos 12 milhões de detenções a cada ano. A grande maioria dessas detenções são por crimes leves, como contravenções, de 70% a 80%. Menos de 5% de todas as detenções são por crimes violentos. Mesmo assim, gastamos 75 bilhões, com um “b” de bilhões, de dólares por ano em correções locais e estatais. Neste momento, temos 2,3 milhões de pessoas nas nossas cadeias e presídios. E enfrentamos desafios de segurança pública inacreditáveis, porque temos uma situação na qual dois terços das pessoas nas prisões estão aguardando julgamento. Eles sequer ainda foram condenados. Estão apenas aguardando pelo julgamento. E 67% das pessoas retornam. Nossa taxa de reincidência é uma das maiores do mundo. Quase 7 a cada 10 pessoas que são soltas da prisão serão presas novamente, em um ciclo constante de crime e encarceramento.
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.
Quando comecei meu trabalho na Arnold Foundation, eu voltei a refletir sobre muitas dessas questões, e voltei a pensar em como havíamos utilizado dados e análises para transformar a maneira como conduzíamos a justiça criminal em Nova Jersey. Quando olho o sistema de justiça criminal hoje em dia nos Estados Unidos, eu me sinto exatamente como me senti a respeito do estado de Nova Jersey quando comecei lá: precisamos absolutamente fazer algo melhor, e eu sei que podemos fazer melhor.
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.
Então, decidir focar a utilização de dados e análises para ajudar a tomar as decisões mais críticas sobre segurança pública, e essa decisão é a determinação de que quando alguém for preso, se ele representa um risco à segurança pública e precisa ser detido, ou não representa um risco à segurança pública e deve ser solto. Tudo o que acontece nos casos criminais surge dessa única decisão. Ela influencia tudo. Influencia o julgamento, se vai receber tratamento contra as drogas. Influencia a criminalidade e violência. E quando converso com juízes pelos EUA, algo que faço o tempo todo agora, todos dizem a mesma coisa, que colocamos pessoas perigosas na prisão, e deixamos pessoas não violentas livres. Eles falam sério e acreditam nisso. Mas quando olhamos os dados, que, a propósito, os juízes não os têm, quando começamos a olhar os dados, o que sempre descobrimos é que não acontece assim. Encontramos criminosos de baixo risco, que compõem 50% da nossa população da justiça criminal, e descobrimos que estão presos. Por exemplo Leslie Chew, que era um homem do Texas que roubou quatro cobertores numa noite fria de inverno. Ele foi preso, e foi mantido na prisão, sob a fiança de 3.500 dólares, um valor que ele não tinha condições de pagar. E ele ficou na prisão por oito meses, até seu caso ir a julgamento, sob o custo de mais de 9 mil dólares aos contribuintes. E, por outro lado, estamos fazendo um trabalho igualmente terrível. As pessoas que achamos que são os criminosos de maior risco, as pessoas que achamos que têm a maior probabilidade de cometer um novo crime se forem soltos, vemos, nacionalmente, que 50% dessas pessoas estão sendo soltas.
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.
A razão para isso é a maneira como tomamos as decisões. Os juízes têm a melhor das intenções quando tomam essas decisões sobre riscos, mas eles estão fazendo isso de maneira subjetiva. São como os olheiros de beisebol há 20 anos, que utilizavam seu instinto e experiência para tentar decidir quais riscos um jogador apresenta. Eles estão sendo subjetivos, e sabemos o que acontece com decisões tomadas subjetivamente: geralmente estão erradas. O que precisamos nesta área são dados e análises sólidos.
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.
O que eu decidi buscar foi uma ferramenta de dados e análises para avaliação de risco, algo que permitiria aos juízes entenderem, com base científica e objetiva, qual é o risco apresentado pelo réu a sua frente. Eu olhei por todo o país e descobri que entre 5% e 10% de todas as jurisdições dos EUA utilizam algum tipo de ferramenta de avaliação de risco, e quando olhei para essas ferramentas, rapidamente entendi o motivo. Elas eram incrivelmente caras para administrar, consumiam muito tempo, e estavam limitadas às jurisdições locais onde foram criadas. Então, basicamente, não poderiam ser expandidas ou transferidas para outros lugares.
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.
Então, eu saí e montei uma equipe excepcional de cientistas de dados, pesquisadores e estatísticos para montar uma ferramenta de avaliação de risco universal, para que cada juiz nos EUA possa ter um parâmetro de risco objetivo e científico. Na ferramenta que construímos, o que fizemos foi coletar 1,5 milhões de casos em todo os Estados Unidos, das cidades, dos municípios, de cada estado do país, e dos distritos federais. E com esses 1,5 milhões de casos, que é o maior conjunto de dados em pré-processo nos Estados Unidos hoje, pudemos, basicamente, descobrir que havia mais de 900 fatores de risco que poderíamos avaliar para tentar entender o que era mais importante. E descobrimos que havia nove elementos específicos que eram importantes em todo o país e que eram os fatores que melhor previam o risco. Então, construímos uma ferramenta de avaliação de risco universal. E se parece com isso. Como podem ver, colocamos algumas informações, mas a maioria é muito simples, é fácil de usar, concentra-se em fatos como condenações anteriores do réu, se foram sentenciados à prisão, se já se envolveram com violência antes, até se já deixaram de comparecer ao tribunal. E com esta ferramenta, podemos prever três coisas: primeiro, se alguém vai ou não cometer um novo crime se for solto. Segundo, pela primeira vez, e eu acho isso extremamente importante, podemos prever se alguém vai cometer um ato de violência, se for solto. E esse é o fator mais importante que os juízes dizem. E terceiro, podemos prever se alguém vai voltar ao tribunal. E cada juiz nos EUA pode utilizar essa ferramenta, porque foi criada baseada em dados universais.
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.
O que os juízes veem quando abrem a ferramenta de avaliação de risco é isso, um painel. No topo, vemos o parâmetro de novas atividades criminais, obviamente o seis é o máximo, e, no meio, está “Risco elevado de violência”. Isso quer dizer que esta pessoa é alguém que possui um risco elevado de violência e que o juiz deve pensar duas vezes. Então, na parte de baixo, vemos o parâmetro de ausência, que é a probabilidade de que alguém volte aos tribunais.
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.
Agora, quero dizer algo muito importante. Eu não acho que devamos eliminar o instinto e a experiência dos juízes a partir deste processo. Não acho. Eu acredito que o problema que vemos e o motivo para termos tantos erros no sistema, no qual estamos detendo pessoas de baixo risco e não violentas e estamos libertando pessoas perigosas e de alto risco, é que não temos um parâmetro objetivo de medida de risco. Acredito que devia acontecer é que devíamos pegar essas avaliações de risco por dados e combinar com o instinto e experiência dos juízes, para nos guiar a tomar decisões melhores. A ferramenta saiu no estado de Kentucky, em 1º de Julho, e estamos prestes a expandir por outras jurisdições dos EUA. Nosso objetivo é simplesmente que cada juiz nos Estados Unidos use uma ferramenta de risco por dados dentro dos próximos cinco anos. Estamos trabalhando em ferramentas de risco para procuradores e também oficiais da polícia, para pegar o sistema que existe hoje nos Estados Unidos do mesmo jeito que há 50 anos, baseado em instinto e experiência, e transformá-lo em um sistema que se baseia em dados e análises.
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.
Agora, a boa notícia sobre isso tudo, e temos ainda muito trabalho, e temos muita cultura para mudar, mas a boa notícia sobre isso é que sabemos que funciona. É por isso que o Google é o Google, e por isso que os times de beisebol usam o <i>moneyball</i> para ganhar os jogos. A boa notícia para nós também é que assim podemos transformar o sistema de justiça criminal americano. É como vamos deixar as ruas mais seguras, reduzir os custos dos presídios, e deixar o nosso sistema mais razoável e mais justo. Alguns chamam isso de ciência de dados. Eu chamo de fazer um <i>moneyball</i> na justiça criminal.
Thank you.
Obrigada.
(Applause)
(Aplausos)