Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
pai30. Juli 2021 · Q003722

abd4c48

partnershiponai.org · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der Auszug argumentiert, dass Festnahmen, Verurteilungen und versäumte Gerichtstermine verzerrte oder mehrdeutige Messgrößen für das tatsächliche Kriminalitäts- und Sicherheitsrisiko sein können. Er fordert unabhängige Vergleichsdaten, überprüfbare Korrekturverfahren, klare Definitionen und eine möglichst lokale Datenerhebung, stellt aber kein nachweislich funktionierendes Verfahren vor.

Mittel

Der bereitgestellte Text ist ein Auszug zu einer Anforderung an Datensätze für Risikobewertungen: Sie müssen tatsächlich das messen, was ein Instrument vorhersagen soll. Der Auszug behauptet, dass Strafjustizdaten durch Mess- und Auswahlverzerrungen oft nur eingeschränkt geeignet seien. Festnahmen und Verurteilungen seien unvollkommene Ersatzgrößen für tatsächlich begangene Straftaten und spiegelten auch unterschiedliche staatliche Reaktionen wider. Für die Einschätzung einer Gefahr vor dem Prozess müsse das Ziel zudem klar definiert sein; der Begriff „Rückfall“ sei wegen unterschiedlich langer Zeiträume bis zum Prozess schwer vergleichbar.

Als mögliche Abhilfe nennt der Text eine Korrektur und Neugewichtung von Daten anhand unabhängiger Quellen, etwa Opferbefragungen oder Selbstauskünften. Er betont jedoch, dass diese statistische Arbeit fehleranfällig sei und anerkannte Verfahren fehlten, mit denen sich ihre Gültigkeit prüfen ließe. Auch versäumte Gerichtstermine müssten nach ihren Ursachen unterschieden werden: Ein Notfall oder fehlende Verkehrsmittel belegten nicht zwangsläufig Fluchtabsicht oder eine Gefahr für die Öffentlichkeit. Dafür brauche es konsistente Definitionen und möglichst lokal erhobene Daten. Der Auszug formuliert Anforderungen und führt Beispiele an; er belegt nicht, dass ein konkretes Korrekturverfahren erfolgreich ist.

Ausführlich lesen

Der bereitgestellte Text ist ein Auszug zu „Anforderung 1: Trainingsdatensätze müssen die vorgesehenen Variablen messen“, kein vollständiger Bericht. Er behandelt Probleme bei der Verwendung statistischer Risikobewertungen im US-Strafjustizsystem, besonders bei Einschätzungen von Rückfall- und Sicherheitsrisiken vor einem Prozess.

Der Auszug behauptet, dass verfügbare Strafjustizdaten meist nicht zuverlässig das messen, wofür sie verwendet werden sollen. Messfehler und Verzerrungen bei der Stichprobenauswahl schränkten ihre Aussagekraft ein. Für gültige Instrumente wären demnach Verfahren nötig, die Trainingsdaten anhand unabhängiger Quellen korrigieren und gewichten, sowie allgemein anerkannte Methoden, um zu prüfen, ob diese Korrekturen tatsächlich zutreffende Ergebnisse liefern. Nach Darstellung des Textes seien solche Verfahren den Verfassenden nicht bekannt; einige Fachleute der Partnership on AI bezweifelten zudem, dass die benötigten Daten praktisch erhoben werden könnten.

Ein Grundproblem sei, dass sich meist nicht zuverlässig feststellen lasse, ob eine Person tatsächlich eine Straftat begangen hat. Deshalb dienten Festnahmen oder Verurteilungen häufig als unvollkommene Ersatzgrößen. Der Auszug warnt davor, damit unbemerkt das Vorhersageziel zu verändern: Soll ein Instrument eine Gefahr für die öffentliche Sicherheit einschätzen, müsse es auf Straftaten zielen, die eine Untersuchungshaft rechtfertigen könnten, und nicht bloß auf spätere Festnahmen oder Verurteilungen. Auch „Rückfall“ sei im Kontext vor einem Prozess schwer einheitlich zu definieren, da die Zeitspanne bis zum Prozess von Fall zu Fall variiere.

Der Text verweist auf Unterschiede zwischen Bevölkerungsgruppen bei Kontrollen, Durchsuchungen, Festnahmen, Anklagen und Fehlverurteilungen. Außerdem würden Straftaten nicht gleich häufig gemeldet oder erfasst. Als Beispiele stellt er Banküberfälle, die demnach fast immer gemeldet würden, und Cannabisbesitz, bei dem der Auszug trotz ähnlicher Konsumraten unverhältnismäßig häufige Festnahmen Schwarzer Menschen anführt, gegenüber. Festnahme-, Verurteilungs- und Inhaftierungsdaten seien daher eher als Aufzeichnungen staatlicher Reaktionen auf mutmaßliches Verhalten zu verstehen denn als neutrales Maß tatsächlicher Kriminalität. Der Text räumt zugleich ein, dass Untersuchungen für bestimmte Delikte und Orte vergleichbare Kriminalitätsraten zwischen Gruppen nahelegen könnten.

Als möglichen Korrekturansatz nennt der Auszug den Abgleich mit unabhängig erhobenen Quellen, etwa Opferbefragungen oder Selbstauskünften, und eine anschließende Neugewichtung von Festnahme- oder Verurteilungsdaten. Das sei statistisch anspruchsvoll und könne selbst fehlerhaft sein; zudem fehle ein etabliertes Prüfverfahren für die Gültigkeit der Korrektur.

Schließlich unterscheidet der Auszug bei versäumten Gerichtsterminen zwischen absichtlichem Entziehen und unbeabsichtigten oder nicht sicherheitsrelevanten Gründen wie Notfällen oder fehlenden Verkehrsmöglichkeiten. Ohne solche Unterscheidungen könnten Menschen wegen Umständen benachteiligt werden, die keine Fluchtabsicht belegen. Nötig seien konsistente Definitionen und Daten sowie gegebenenfalls andere Reaktionen als Haft. Wo möglich, sollten Daten laut Text lokal erhoben werden, weil Geografie, Verkehr und Gerichtsabläufe variieren. Der Auszug liefert damit Anforderungen und Beispiele, aber keine empirische Prüfung eines konkreten Instruments oder Nachweis, dass ein vorgeschlagenes Korrekturverfahren bereits funktioniert.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Vorfälle melden
  1. SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
    • clef 100 %kein Bezug
    • Luna 33 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 44 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %Hintergrund, keine Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 68 %Hintergrund, keine Belege
    • JEV 49 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 30 %beantwortet teilweise oder widerspricht
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 40 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 40 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %Hintergrund, keine Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →