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.
ในปี 2007 ฉันได้เป็นอัยการสูงสุด ของรัฐนิวเจอร์ซีย์ ก่อนหน้านั้น ฉันเป็นอัยการคดีอาญา ตอนแรกในสำนักงานอัยการเขต แมนฮัตตัน และจากนั้นก็ที่กระทรวงยุติธรรม
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.
เมื่อฉันได้เป็นอัยการสูงสุด มีสองสิ่งที่เกิดขึ้นซึ่งเปลี่ยนแนวคิดของฉัน เรื่องกระบวนการยุติธรรมทางอาญา สิ่งแรกคือ ฉันถามคำถามที่คิดว่า เป็นคำถามพื้นๆ ฉันต้องการเข้าใจคนที่เรากำลังจะจับกุม ผู้ที่ถูกกล่าวหา และผู้ที่เราจับเข้าไปขังในเรือนจำต่างๆ ทั่วประเทศ ฉันต้องการที่จะเข้าใจ ว่าเราตัดสินใจถูก เพื่อที่จะทำให้พวกเราปลอดภัยขึ้น แต่ฉันไม่สามารถหาคำตอบนั้นได้ ปรากฏว่า โดยส่วนใหญ่ หน่วยงานใหญ่ๆ ด้านคดีอาญา อย่างเช่นหน่วยงานของฉัน ไม่ได้เก็บข้อมูลที่สำคัญ หลังจากที่ฉันหัวเสียอยู่หนึ่งเดือน ฉันก็เดินไปยังห้องประชุม ที่เต็มไปด้วยนักสืบ และกองแฟ้มคดีเป็นตั้งๆ และพวกนักสืบก็นั่งอยู่ตรงนั้น ด้วยสมุดจดโน้ต พวกเขาพยายามจะหาข้อมูลเดียวกัน กับที่ฉันหาอยู่ โดยการค้นดูทีละคดี ย้อนหลังไปห้าปี และคุณคงนึกภาพออก ว่าเมื่อเราได้ผลลัพธ์ มันดูไม่ดีเอาเสียเลย ปรากฏว่าเราทำคดีมากมาย เกี่ยวกับพ่อค้ายาระดับหางแถว ตามท้องถนน ที่ไม่ห่าง จากออฟฟิศของเราในเทรนตัน
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.
สิ่งที่สองที่เกิดขึ้น คือฉันใช้เวลาวันหนึ่ง ในกรมตำรวจแคมเด็น นิวเจอร์ซีย์ ณ ตอนนั้น แคมเด็น นิวเจอร์ซีย์ คือเมืองที่อันตรายที่สุดในอเมริกา นี่คือเหตุผลที่ฉันเข้ามาคุมกรมตำรวจแคมเด็น ฉันใช้เวลาหนึ่งวันเต็มๆ ในกรม ฉันถูกพาเข้าไปในห้อง พร้อมด้วยเจ้าหน้าที่ตำรวจอาวุโส ซึ่งทุกคนต่างก็ทำงานหนัก และพยายามที่จะลดอาชญากรรมใน แคมเด็น ที่สิ่งที่ฉันเห็นในห้อง ในขณะที่เราคุยกันเรื่องการลดอาชญากรรม ก็คือเจ้าหน้าที่ตำรวจหลายคน ใช้กระดาษโน้ตเล็กๆ สีเหลือง และพวกเขาจะเอากระดาษโน้ตนั้น มาเขียนบางอย่าง และพวกเขาจะแปะมันไว้บนบอร์ด และหนึ่งในนั้นพูดขึ้นว่า "เรามีคดีลักทรัพย์เมื่อสองอาทิตย์ก่อน แต่ไม่มีผู้ต้องสงสัย" อีกคนก็พูดขึ้นว่า "เรามีคดียิงกันในย่านนี้ เมื่ออาทิตย์ที่แล้ว แต่ไม่มีผู้ต้องสงสัย" เราไม่ได้ใช้ข้อมูลในการทำงาน เราเพียงแค่พยายามจะสู้กับอาชญากรรม ด้วยกระดาษโน้ตสีเหลือง
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.
ทั้งสองสิ่งนี้ทำให้ฉันตระหนักว่า โดยพื้นฐานแล้ว เรากำลังล้มเหลว เราไม่รู้ด้วยซ้ำว่าใครเคยอยู่ในสารบบอาชญากรของเรา เราไม่มีข้อมูลอะไรเลย สำหรับสิ่งที่จำเป็น และเราก็ไม่ได้แบ่งปันข้อมูล หรือใช้เครื่องมือ ในการวิเคราะห์ เพื่อช่วยให้เราตัดสินใจได้ดีขึ้น และเพื่อช่วยลดอาชญากรรม และนั่นเป็นครั้งแรก ที่ฉันเริ่มคิด เกี่ยวกับวิธีที่เราตัดสินใจ เมื่อฉันทำงานเป็นอัยการผู้ช่วย และเมื่อฉันเป็นอัยการรัฐบาลกลาง ฉันมองดูคดีที่อยู่ตรงหน้าฉัน และตัดสินใจโดยใช้สัญชาตญาณ และประสบการณ์ของฉัน เมื่อฉันเป็นอัยการสูงสุด ฉันสามารถมองระบบทั้งหมดในภาพรวม และมันก็ทำให้ฉันประหลาดใจ เมื่อพบว่า นั่นคือสิ่งที่เราทุกคนกำลังทำอยู่ ทั่วทั้งระบบ ในกรมตำรวจ ในสำนักงานอัยการ ในศาล และในเรือนจำ และฉันก็เรียนรู้อย่างรวดเร็วว่า เราทำงานไม่ดีเท่าไรนัก ฉันจึงอยากทำสิ่งที่แตกต่างออกไป ฉันต้องการที่จะนำเอาข้อมูล และการวิเคราะห์ และการวิเคราะห์เชิงสถิติอย่างถี่ถ้วน เข้ามาใช้ในงานของเรา สั้นๆ ก็คือ ฉันต้องการใช้ มันนีบอล (Moneyball) กับกระบวนการยุติธรรมทางอาญา
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.
บางคนอาจรู้จักว่า มันนีบอล คืออะไร มันคือกลยุทธที่ ทีมเบสบอล โอคแลนด์แอธเลติค ใช้ โดยใช้ข้อมูล และการวิเคราะห์ทางสถิติอันชาญฉลาด เพื่อหาวิธีเลือกนักกีฬา ที่จะทำให้ทีมชนะ พวกเขาเปลี่ยนจากระบบที่ต้องพึ่งแมวมอง ที่ตระเวนไป และเฝ้าติดตามเหล่าผู้เล่น และใช้สัญชาตญาณ และประสบการณ์ ประสบการณ์และสัญชาตญาณของแมวมอง เพื่อใช้เลือกผู้เล่น เปลี่ยนมาใช้ระบบ ที่พึ่งข้อมูล และการวิเคราะห์ทางสถิติอย่างถี่ถ้วน เพื่อช่วยเลือกผู้เล่น ที่จะทำให้พวกเขาชนะในเกม
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.
มันใช้ได้ผลสำหรับทีม โอคแลนด์ เอส์ และมันก็ใช้ได้ผลในรัฐนิวเจอร์ซีย์ เราทำให้แคมเด็นหลุดจากโผ ของเมืองที่อันตรายที่สุดในอเมริกา เราลดอัตราฆาตกรรมลง 41 เปอร์เซ็นต์ ซึ่งแปลว่า 37 ชีวิต ได้รับการช่วยเหลือ และเราลดอาชญากรรมโดยรวม ให้ลดลง 26 เปอร์เซ็นต์ ในเมืองนั้น เรายังได้เปลี่ยนวิธีการดำเนินคดีกับอาชญากร เราเปลี่ยนจากการจับพ่อค้ายาหางแถว ที่อยู่นอกออฟฟิศเรา เปลี่ยนมาเป็น ทำคดีที่สำคัญในระดับรัฐ อย่างเช่น ลดความรุนแรง ในกลุ่มผู้ทำผิด ที่มีพฤติกรรมรุนแรงสูง ดำเนินคดีกับแก็งค์อันธพาล การค้ายาและอาวุธ และการฉ้อฉลในกรมตำรวจ
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.
สิ่งเหล่านี้มีความสำคัญอย่างมาก เพราะสำหรับฉันแล้ว ความปลอดภัยของประชาชน คือหน้าที่ที่สำคัญที่สุดของรัฐบาล ถ้าเราไม่ปลอดภัย เราก็ไม่สามารถได้รับการศึกษา เราจะไม่มีสุขภาพที่ดี เราจะไม่สามารถทำสิ่งอื่นๆ ที่เราอยากทำ ในชีวิตของเราได้เลย เราอาศัยอยู่ในประเทศ ที่ซึ่งเราต้องเผชิญกับปัญหาใหญ่หลวง ด้านกระบวนการยุติธรรมคดีอาญา เรามีการจับกุมถึง 12 ล้านครั้งทุกๆ ปี การจับกุมส่วนใหญ่ คืออาชญากรรมระดับล่าง ความผิดเล็กๆ น้อยๆ ประมาณ 70 ถึง 80 เปอร์เซ็นต์ น้อยกว่าห้าเปอร์เซ็นต์ ของการจับกุมทั้งหมด เป็นอาชญากรรมรุนแรง แต่เราต้องใช้ถึง 75,000 ล้านดอลลาร์ ระดับหมื่นล้านต่อปี เชียวนะคะ รวมถึงต้นทุนของเรือนจำของแต่ละรัฐ ณ วันนี้ เรามีนักโทษ 2.3 ล้านคน อยู่ในเรือนจำของเรา และเราต้องเผชิญกับปัญหาใหญ่ ด้านความปลอดภัยของประชาชน เพราะเรากำลังอยู่ในสภาวะที่ สองในสามของผู้ต้องขังในเรือนจำ กำลังอยู่ในระหว่างดำเนินคดี พวกเขาย้งไม่ถูกพิพากษาว่ามีความผิด พวกเขาเพียงแค่รอวันที่จะขึ้นศาล และ 67 เปอร์เซ็นต์ของคนเหล่านั้น ต้องกลับมาติดคุก อัตราการกระทำผิดซ้ำของเรานั้น อยู่ในอันดับต้นๆ ของโลกเลยทีเดียว เกือบ 7 ใน 10 คนที่ได้รับการปล่อยตัว จากเรือนจำ จะถูกจับกุมตัวอีก อยู่ในวงจรอุบาทว์ของอาชญากรรม และการถูกคุมขัง
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.
ดังนั้น เมื่อฉันเริ่มต้นทำงานในมูลนิธิ อาร์โนลด์ (Arnold foundation) ฉันมองย้อนกลับไปยังปัญหาเหล่านี้ และฉันย้อนกลับไปคิด วิธีที่เราใช้การวิเคราะห์ข้อมูล เพื่อเปลี่ยนโฉมการดำเนินคดีอาชญากรรมในนิวเจอร์ซีย์ และเมื่อฉันมองย้อนไปยัง กระบวนการยุติธรรมทางอาญา ในอเมริกาทุกวันนี้ ฉันรู้สึกเหมือนกับที่เคยรู้สึก เมื่อตอนที่ฉันเริ่มทำงานที่รัฐนิวเจอร์ซีย์ ซึ่งนั่นก็คือเราจำเป็นอย่างยิ่งที่จะต้องทำให้ดีกว่านี้ และฉันรู้ว่าเราทำได้ดีกว่านี้
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.
ดังนั้น ฉันจึงมุ่งมั่น ที่จะใช้การวิเคราะห์ข้อมูล เพื่อช่วยในการตัดสินใจสำคัญๆ ในด้านความปลอดภัยของประชาชน และการตัดสินใจนั้นคือ การตัดสินว่า เมื่อใครสักคนถูกจับกุม เขาจะเป็นภัยคุกคามต่อส่วนรวม และควรถูกควบคุมตัว หรือเขาไม่เป็นภัยต่อส่วนรวม และควรได้รับการปล่อยตัว ทุกอย่างที่เกิดขึ้นในคดีอาญา เกิดมาจากการตัดสินใจนี้ มันส่งผลกระทบต่อทุกสิ่ง มันส่งผลต่อโทษที่จะได้รับ มันส่งผลว่าใครควรจะได้รับการบำบัดการติดยาเสพติด มันกระทบต่ออาชญากรรมและความรุนแรง และเมื่อฉันได้คุยกับผู้พิพากษาทั่วอเมริกา ซึ่งเป็นสิ่งที่ฉันทำอยู่ตลอด พวกเขาพูดเหมือนกัน คือ เราเอาคนที่เป็นอันตรายเข้าคุก และเราปล่อยให้คนที่ไม่อันตราย คนที่ไม่มีพฤติกรรมรุนแรงออกมา พวกเขาหมายความ และเชื่อเช่นนั้นจริงๆ แต่เมื่อคุณดูข้อมูล ซึ่งเหล่าผู้พิพากษาไม่เคยรู้ถึงข้อมูลเหล่านั้น เมื่อเราเริ่มดูข้อมูล เราพบว่า ซ้ำแล้วซ้ำเล่า ที่มันไม่เป็นไปตามนั้น เราพบว่า ผู้ทำผิดกฏหมายที่ไม่มีอันตราย ซึ่งคิดเป็นสัดส่วนถึง 50 เปอร์เซ็นต์ ของผู้ที่อยู่ในกระบวนการยุติธรรมทางอาญา เราพบว่าเขาเหล่านั้นอยู่ในคุก ลองดูตัวอย่างของ เลสลีย์ ชิว (Leslie Chew) ชายจากเท็กซัส ผู้ขโมยผ้าห่มสี่ผืนในคืนอันหนาวเหน็บในฤดูหนาว เขาถูกจับกุม และถูกคุมขังในคุก เพราะไม่มีเงินพอ จะจ่ายค่าประกันตัว 3,500 เหรียญ เขาต้องอยู่ในคุกถึง 8 เดือน จนกระทั่งคดีของเขาถึงวันขึ้นศาล ซึ่งนั่นต้องใช้เงินของผู้เสียภาษีถึง 9,000 เหรียญ และในอีกแง่หนึ่ง เราทำงานแย่มาก ผู้คนซึ่งเราพบว่า เป็นผู้กระทำผิดที่มีความเสี่ยงสูง ผู้ที่เราคิดว่ามีความเป็นไปได้สูง ที่จะประกอบอาชญากรรมอีก ถ้าถูกปล่อยตัวไป เราพบว่า ทั่วประเทศ 50 เปอร์เซ็นต์ ของผู้คนกลุ่มนี้ ถูกปล่อยตัว
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.
สาเหตุของเรื่องนี้ เป็นเพราะวิธีที่เราตัดสินใจ ผู้พิพากษามีเจตนาดี เมื่อพวกเขาต้องตัดสินใจเรื่องความเสี่ยงนี้ แต่พวกเขา ตัดสินใจโดยใช้อารมณ์ พวกเขาเหมือนกับแมวมองนักเบสบอลเมื่อ 20 ปีก่อน ที่ใช้สัญชาตญาณ และประสบการณ์ เพื่อช่วยตัดสินใจว่าใครที่มีความเสี่ยง พวกเขาใช้อารมณ์ เรารู้ว่าจะเกิดอะไรขึ้นเมื่อเราตัดสินใจโดยใช้อารมณ์ ซึ่งนั่นก็คือ เรามักตัดสินใจพลาด สิ่งที่เราต้องการในงานด้านนี้ คือการวิเคราะห์ข้อมูลที่หนักแน่น
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.
สิ่งที่ฉันตั้งใจมองหา คือเครื่องมือประเมินความเสี่ยง ด้วยการวิเคราะห์ข้อมูล บางสิ่งที่จะช่วยให้ผู้พิพากษาได้เข้าใจ ในแบบที่เป็นวิทยาศาสตร์ และเป็นรูปธรรม ว่าความเสี่ยงที่จะเกิดขึ้น จากบางคนที่ยืนอยู่ตรงหน้าพวกเขา ฉันมองดูไปทั่วทั้งประเทศ ฉันพบว่ามีระหว่าง 5 ถึง 10 เปอร์เซ็นต์ ในระบบศาลของสหรัฐอเมริกา ที่ใช้เครื่องมือประเมินความเสี่ยงอย่างจริงจัง และเมื่อฉันศึกษาเครื่องมือเหล่านี้ ฉันตระหนักในเวลาอันสั้นว่าทำไม การดูแลระบบ นั้นแพงอย่างไม่น่าเชื่อ พวกมันต้องใช้เวลา พวกมันจำกัดอยู่แค่ท้องถิ่น ที่ซึ่งพวกมันถูกสร้างขึ้นมา ง่ายๆ ก็คือ พวกมันไม่สามารถขยาย หรือโอนย้ายไปยังที่อื่นๆ
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.
ฉันจึงตั้งทีมอันเหลือเชื่อขึ้นทีมหนึ่ง ซึ่งมีทั้งนักวิทยาศาสตร์ด้านข้อมูล นักวิจัย และนักสถิติ เพื่อสร้างเครื่องมือประเมินความเสี่ยง ที่เป็นสากล เพื่อที่ผู้พิพากษาทุกคนในอเมริกา จะได้มีวิธีวัดความเสี่ยงอย่างเป็นรูปธรรม และเป็นวิทยาศาสตร์ เครื่องมือที่เราสร้างขึ้นนั้น สิ่งที่เราทำคือเรารวบรวมคดีกว่า 1.5 ล้านคดี จากทั่วทั้งประเทศ หลายเมือง หลายมณฑล จากทุกรัฐในประเทศ เขตปกครองของรัฐต่างๆ และด้วย 1.5 ล้านคดีนี้ ซึ่งคือชุดข้อมูลที่ใหญ่ที่สุด ในขั้นก่อนพิจารณาคดี ในสหรัฐฯ จนถึงวันนี้ เราสามารถค้นพบว่ามีปัจจัยเสี่ยง กว่า 900 ปัจจัย ที่เราต้องศึกษา เพื่อหาว่าปัจจัยไหนสำคัญที่สุด เราพบว่ามีปัจจัย 9 อย่าง ที่สำคัญ จากทั่วทั้งประเทศ และนั่นคือตัวทำนายความเสี่ยงที่แม่นยำ และเราจึงสร้างเครื่องมือประเมินความเสี่ยงขึ้น และมันก็หน้าตาแบบนี้ ตามที่คุณเห็น เราใส่ข้อมูลบางอย่างเข้าไป แต่ส่วนใหญ่แล้ว มันง่ายมากทีเดียว มันใช้งานง่าย มันสนใจในเรื่องเช่น ประวัติการกระทำผิดของจำเลย ว่าพวกเขาเคยถูกตัดสินจำคุกหรือไม่ ว่าพวกเขาเคยข้องเกี่ยวกับความรุนแรงมาก่อนหรือเปล่า ว่าพวกเขาเคยผิดนัดศาล และด้วยเครื่องมือเหล่านี้ เราสามารถทำนายได้สามอย่าง สิ่งแรกคือ ทำนายว่าเขาจะออกไปก่อคดีใหม่ อีกหรือไม่ ถ้าได้รับการปล่อยตัว สิ่งที่สอง นี่เป็นครั้งแรก ซึ่งฉันคิดว่ามันสำคัญมาก ที่เราสามารถทำนายได้ว่าเขาจะก่อคดี ที่เกี่ยวข้องกับ ความรุนแรงหรือไม่ หากได้รับการปล่อยตัว และนั่นถือว่าเป็นสิ่งสำคัญที่สุด ที่ผู้พิพากษาจะคำนึงถึง ถ้าคุณถามพวกเขา สิ่งที่สาม เราสามารถทำนายได้ว่า เขาจะกลับมาขึ้นศาลอีกหรือไม่ ผู้พิพากษาทุกคนในสหรัฐฯ สามารถใช้มัน เพราะมันถูกสร้างขึ้นจากชุดข้อมูลที่เป็นสากล
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.
สิ่งที่ผู้พิพากษาจะได้รับเมื่อพวกเขา ใช้เครื่องมือประเมินความเสี่ยงนี้ คือ -- มันคือแป้นควบคุม ทางด้านบน คุณจะเห็นคะแนนกิจกรรมอาชญากรใหม่ คะแนนสูงสุดคือหก และที่ตรงกลาง คุณจะเห็น "ความเสี่ยงสูงที่จะใช้ความรุนแรง" มันหมายถึงว่าคนคนนี้ เป็นคนที่มีความเสี่ยงสูง ที่จะใช้ความรุนแรง และผู้พิพากษาควรดูให้ถี่ถ้วน และทางด้านล่าง คุณจะเห็นคะแนนการผิดนัดศาล ซึ่งก็คือความน่าจะเป็น ที่คนคนนั้นจะกลับมาขึ้นศาล
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.
ทีนี้ ฉันอยากจะบอกบางสิ่งที่สำคัญมาก มันไม่ได้หมายความว่าเราควรเลิกเชื่อ สัญชาตญาณ และประสบการณ์ของผู้พิพากษา ในกระบวนการนี้ ฉันไม่ได้หมายความแบบนั้น ฉันเชื่อว่า ปัญหาที่เราเผชิญอยู่ทุกวันนี้ และสาเหตุที่เราเกิดความผิดพลาด อย่างรุนแรงในระบบยุติธรรมนี้ ซึ่งทำให้เราจำคุกอาชญากรระดับล่าง และผู้ไม่ก่อความรุนแรง และปล่อยตัวอาชญากรอันตรายที่มีความเสี่ยงสูง นั่นเป็นเพราะเราไม่มีเครื่องมือ วัดความเสี่ยงที่เป็นรูปธรรม แต่สิ่งที่ฉันเชื่อว่าควรจะเกิดขึ้น ก็คือ เราควรใช้การประเมินความเสี่ยงด้วยข้อมูล เพื่อใช้ร่วมกันกับสัญชาตญาณ และประสบการณ์ของผู้พิพากษา และช่วยให้เราได้ผลการตัดสินใจที่ดีขึ้น เครื่องมือนี้ ถูกนำไปใช้ทั่วรัฐเคนตักกี้ เมื่อวันที่ 1 กรกฎาคม เรากำลังจะนำไปใช้อีกหลายเขต ทั่วทั้งประเทศ เป้าหมายของเรานั้นง่ายมาก นั่นก็คือ ผู้พิพากษาทุกคน ในสหรัฐฯ จะต้องใช้เครื่องมือประเมินความเสี่ยงทางสถิติ ภายในอีกห้าปีข้างหน้า เรากำลังสร้างเครื่องมือประเมินความเสี่ยง สำหรับอัยการ และเจ้าหน้าที่ตำรวจเช่นกัน เพื่อพยายามปรับปรุงระบบที่ถูกใช้อยู่ทุกวันนี้ ซึ่งเหมือนกับที่เราใช้เมื่อ 50 ปีที่แล้ว โดยใช้สัญชาตญาณและประสบการณ์ และเปลี่ยนให้เป็นระบบที่ทำงาน ด้วยการวิเคราะห์ข้อมูล
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.
ทีนี้ ข่าวดีสำหรับเรื่องนี้ก็คือ เรายังมีงานต้องทำอีกมาก มีวัฒนธรรมการทำงานอีกมากมายที่ต้องเปลี่ยน แต่ข่าวที่มากสำหรับเรื่องนี้ ก็คือเรารู้ว่ามันได้ผล นั่นเป็นเหตุผลที่ทำไม กูเกิล ถึงเป็น กูเกิล และนั่นคือเหตุผลที่ทำไมทุกทีมเบสบอลจึงใช้มันนีบอล เพื่อชนะในเกมส์ ข่าวดีที่สุดสำหรับเราเช่นกัน ที่มันเป็นวิธีที่เราจะเปลี่ยนโฉม ระบบยุติธรรมของอเมริกา มันคือวิธีที่เราจะทำให้ท้องถนนปลอดภัยขึ้น เราจะสามารถลดค่าใช้จ่ายด้านเรือนจำ และเราจะสามารถทำให้ระบบนี้ ยุติธรรมมากขึ้น และเที่ยงตรงมากขึ้น บางคนเรียกมันว่า วิทยาศาสตร์ด้านการวิเคราะห์ข้อมูล (Data science) แต่ฉันเรียกมันว่า ระบบยุติธรรมแบบมันนีบอล
Thank you.
ขอบคุณค่ะ
(Applause)
(เสียงปรบมือ)