Vietnam Luncurkan Kartu Identitas Berbasis Chip Untuk Warga – OpenGov Asia

Komisi Hukuman Pidana Ohio adalah kerja dengan University of Cincinnati untuk membangun Ohio Sentencing Data Platform (OSDP). OSDP dikembangkan untuk mendukung para hakim dalam menerapkan metode masuk dan penghukuman yang seragam dan untuk memberikan informasi yang dapat diakses dan dapat diandalkan kepada pengadilan. OSDP akan mencapai tujuan berikut: penggunaan data untuk menginformasikan pengambilan keputusan; Meningkatkan transparansi; dan membuat data tersedia untuk publik, praktisi, dan penelitian.

Mengumpulkan data penilaian dalam database yang komprehensif dan dapat dicari akan membantu pengambilan keputusan dan menyediakan alat dan informasi yang dibutuhkan hakim untuk menjatuhkan hukuman sesuai dengan tujuan dan prinsip pemidanaan..

Pengadilan, kabupaten, dan pembuat kebijakan di seluruh negeri dapat menggunakan data ini untuk membuat keputusan yang masuk akal dan hemat biaya, mempromosikan penggunaan sumber daya yang cerdas dan efektif, dan memastikan tanggapan proporsional yang sesuai. Selain itu, ketergantungan pada data memberikan kesempatan untuk memantau dan mengevaluasi hasil dari perubahan ini untuk menentukan apakah dampak yang diinginkan tercapai dan untuk menilai konsekuensi yang tidak diinginkan.

OSDP akan menetapkan format data standar untuk kompilasi dan penuntutan hukuman pidana di 88 negara bagian Ohio. Basis data, yang didanai dengan $ 800.000 oleh pengadilan, memungkinkan pengguna untuk membandingkan penilaian di seluruh negara bagian dan melihat demografi umum dari mereka yang dihukum untuk mengidentifikasi, misalnya, inkonsistensi berdasarkan ras atau pendapatan.

Kita yang telah dipercaya untuk memimpin dan berpartisipasi dalam sistem peradilan pidana memiliki kewajiban untuk memastikan bahwa ada kepercayaan publik terhadap sistem ini dan bahwa sistem itu bekerja. Keadilan yang beragam untuk semua. Dan pengumpulan data akan memungkinkan.

– Maureen O’Connor, Ketua Mahkamah Agung Ohio

Sejauh ini, 34 dari 244 hakim tindakan umum negara bagian telah memilih program yang mengharuskan mereka untuk mengisi formulir rinci yang menyertai penilaian mereka. Lebih banyak hakim mendaftar setiap minggu. Platform ini merupakan langkah pertama dalam menyediakan informasi yang dapat diakses dan dicari oleh hakim yang membuat keputusan penilaian dan meningkatkan transparansi dan aksesibilitas bagi publik, jurnalis, dan peneliti.

Memberikan informasi terbaik yang tersedia untuk pengacara, termasuk hakim, pengacara dan staf pengadilan, tersedia selama proses penilaian tanpa beban administrasi atau pajak, memungkinkan mereka untuk melaksanakan tugas publik mereka seefektif mungkin.

Sampai saat ini, Ohio tidak memiliki indeks keyakinan pusat, sehingga sulit untuk menentukan jumlah orang yang dihukum karena kejahatan tertentu pada tahun tertentu, hukuman yang dijatuhkan pada setiap kriminal, berapa banyak sebagai hasil dari satu negosiasi Plea atau berapa banyak pelanggar ditempatkan di bawah pengawasan masyarakat.

Proyek OSDP berbasis data bertujuan untuk menceritakan “kisah” hukuman Ohio dengan memberikan pemahaman dan analisis sistem peradilan pidana dengan menyediakan informasi nasional, andal, dan dapat diakses tentang hasil hukuman.

Seperti yang dilaporkan OpenGov Asia, pengadilan, bank, dan perusahaan swasta menggunakan algoritme untuk membuat keputusan yang berdampak besar pada kehidupan masyarakat. Sayangnya, algoritme ini terkadang bias – mereka secara tidak proporsional memengaruhi orang kulit berwarna serta mereka yang berpenghasilan rendah saat mengajukan pinjaman atau pekerjaan, atau bahkan ketika pengadilan memutuskan jaminan apa yang harus ditetapkan sementara seseorang menunggu persidangan mereka.

Peneliti AS telah mengembangkan bahasa pemrograman baru untuk kecerdasan buatan (AI) yang dapat menilai keadilan algoritme lebih tepat dan lebih cepat daripada alternatif yang tersedia. Bahasa Probabilistik Sum-Produk Anda (SPPL) adalah sistem pemrograman probabilistik.

SPPL menunjukkan bahwa inferensi probabilistik yang tepat adalah praktis, dan tidak hanya secara teoritis, mungkin untuk kelas program probabilistik yang luas. Para peneliti menerapkan SPPL ke program probabilistik yang dipelajari dari database dunia nyata untuk mengukur kemungkinan kejadian langka, menghasilkan data proxy sintetis dalam kondisi tertentu, dan secara otomatis memeriksa data untuk kemungkinan anomali.