假释模拟效果评估标准从美国加州实践看再犯率预测有多准

加州的监狱系统一直是全美最受关注的刑事司法实验场之一。这个拥有超过10万囚犯人口的超级司法体系，近年来在假释决策中大量引入了算法预测模型，试图回答一个看似简单却极其复杂的问题：这个人在出狱后，到底还会不会再次犯罪？

别急着说”算法不就是算数字吗”，这个话题背后的故事远比你想的复杂得多，而且直接影响着成千上万人的命运。

加州假释制度的演变：从”必须坐满”到”智能释放”

让我先带你回到上世纪90年代。那时候加州的假释制度遵循的是”90%规则”——犯人必须服满刑期的90%才能获得假释释放。这种做法的逻辑很简单粗暴：既然无法准确预测谁会重新犯罪，那就让大家多坐会儿牢再说。

但这个制度带来了严重的后果。加州监狱人满为患，2011年联邦法院甚至裁定加州监狱条件违反宪法第八修正案（禁止残酷和不寻常惩罚），要求立即削减囚犯数量。加州不得不推出”现实犯罪法案”（Realignment Act, AB 109），将大量非暴力重罪犯的监管责任从州监狱转移到县一级，并大幅扩展假释适用范围。

这时候，一个迫在眉睫的问题出现了：县假释官人手不足，怎么判断哪些人可以被提前释放？怎么判断谁真的”改过自新”了？

传统做法是靠假释官的”经验判断”——看看犯人服刑期间的表现、心理评估报告、家人支持系统等等。但问题在于，不同假释官的判断标准千差万别，有的宽松有的严格，同样的案情可能得出截然不同的结论。更关键的是，这种主观判断背后还隐藏着不易察觉的偏见——研究表明，非裔和拉丁裔犯人在主观评估中往往被判”风险更高”，即便控制了犯罪历史等变量。

于是，加州开始大规模引入风险预测算法。

算法是如何”预测”再犯率的？

目前加州最常用的风险评估工具包括LSI-R（犯罪人格量表修订版）、COMPAS（矫正官员项目管理分析系统）、以及加州自己开发的PACER系统（Parole Assessment and Classification Evaluation Resource）。这些工具的原理其实大同小异：

第一步：数据采集。 系统会收集犯人的各种”风险因子”——年龄、性别、种族、犯罪类型、犯罪历史、教育程度、就业状况、药物滥用史、家庭支持等。通常会有20到50个变量。

第二步：权重计算。 算法通过历史数据训练，找出哪些变量与再犯率相关性最高。比如研究发现，”25岁前有多次轻罪记录”的人，再犯概率显著高于”40岁后首次犯罪”的人。

第三步：生成风险分数。 最终输出一个分数或等级——通常是”低风险”“中风险”“高风险”，或者一个0到100的具体数值。

第四步：辅助假释决策。 假释委员会参考这个分数，结合其他因素做出是否批准假释、是否施加更严格监管条件的决定。

听起来很科学对吧？但”科学”二字背后，藏着多少准确性，又藏着多少偏见？

再犯率预测到底准不准？加州的数据告诉你

这里需要诚实地说：再犯率预测的准确性，远低于大众的想象，也远低于政策制定者的期望。

一项针对加州假释人群的研究（由加州大学尔湾分校等机构合作完成）追踪了数千名获准假释的犯人，发现：

• 算法预测的”高风险”群体中，实际再犯的比例大约在30%到45%之间——这意味着超过一半被标记为”高风险”的人，实际上并没有重新犯罪。换句话说，算法把大量”安全”的人错误地归类为危险。

• 预测的”低风险”群体中，再犯率大约在5%到15%之间——这个数据相对靠谱，说明算法在识别”可能不会犯罪的人”方面，比识别”可能会犯罪的人”更准确。

• 不同算法之间的表现差异很大。COMPAS在加州的测试中，AUC（区分度指标，0.5是随机猜测，1.0是完美预测）大约在0.65到0.70之间——这个成绩放到机器学习领域，算是”勉强及格”。

为什么预测这么不准？原因有几个：

第一，人类行为本质上具有高度不确定性。 你可以根据一个学生的历史成绩预测他期末考试能考多少分，但你无法准确预测他会不会突然生病、会不会遇到特别好的老师、会不会经历家庭变故。犯人出狱后的生活同样充满变量——找到工作、遇到好导师、迷途知返，或者遭遇歧视、失去住房、重蹈覆辙。算法只能看到历史数据中的模式，无法捕捉这些突发性事件。

第二，”再犯”的定义本身就有问题。 加州法律中，”再犯”可以指任何违反假释条件的行为——从再次犯罪、到未能按时报到、到未能通过药物检测、甚至到与已知罪犯接触。很多被标记为”再犯”的人，实际上只是违反了行政规定，并没有实施新的犯罪行为。这种定义上的宽泛性，人为地推高了”再犯率”，也让预测模型的评价变得复杂。

第三，数据本身存在系统性偏差。 加州的犯罪数据库反映的是过去几十年的执法实践，而执法实践本身就存在种族和阶级偏见。非裔和拉丁裔社区的巡逻密度更高、逮捕率更高、量刑更重，这意味着这些群体的犯罪记录本身就比实际犯罪率更”丰富”。算法学习这些数据，不可避免地继承了这些偏差。

种族差异：算法的”原罪”还是社会的镜子？

这是整个话题中最尖锐、也最令人不安的部分。

2016年，ProPublica发表了一篇轰动一时的调查报道，分析了COMPAS算法在佛罗里达州的使用情况。研究发现：

• 被COMPAS预测为”高风险”的非裔犯人，实际再犯率确实高于白人犯人，但白人犯人中同样被标记为”高风险”的人，实际再犯率与非裔相近。
• 更关键的是，非裔犯人被错误标记为”高风险”的比例（约45%）远高于白人犯人（约23%）。
• 反过来，白人犯人被错误标记为”低风险”的比例（约48%）远高于非裔犯人（约28%）。

换句话说，同样的实际风险水平，非裔犯人更可能被预测为危险，而白人犯人更可能被预测为安全。

加州的情况类似但略有不同。加州的拉丁裔人口比例远高于佛罗里达，而加州的犯罪数据中拉丁裔占比也很高。研究显示，加州的算法在预测拉丁裔犯人再犯风险时，同样存在系统性偏差——拉丁裔犯人的风险分数平均比实际再犯率偏高10到15个百分点。

有人可能会说：那怎么办？如果算法有偏见，干脆不用算法不就行了？

这个问题没那么简单。另一项研究发现，假释官的主观判断比算法的偏见更严重。当假释官在没有算法建议的情况下独立做出判断时，种族差异反而更大——非裔犯人获得假释的概率比白人犯人低约15个百分点，而引入算法辅助后，这个差距缩小到约8个百分点。

这说明算法某种程度上是在”矫正”人类的偏见，但算法本身又带着新的偏见。这就好比一个有色盲的人 trying to correct another colorblind person’s mistake, but using a filter that introduces its own distortion.

公平性 vs. 准确性：一个无解的权衡？

2017年，两位计算机科学家Cynthia Dwork和Michael Naor发表了一篇论文，论证了一个残酷的数学事实：在基础率不同的群体之间，不可能同时满足”预测准确性相同”和”错误率公平”这两个目标。

翻译成大白话就是：如果非裔犯人的基础再犯率确实高于白人犯人（无论这个差异是源于社会结构性因素还是数据偏差），那么任何预测模型都必须做出选择——要么接受”非裔犯人的预测准确率更高但误判率也更高”，要么接受”误判率公平但整体准确率下降”。你无法两全其美。

这个结论在法学界和计算机科学界引发了巨大争议。批评者认为，这个论证隐含了一个危险的前提——它假设不同种族之间的基础率差异是”合理”的，是可以被算法接受和强化的。但实际上，这些基础率差异本身就是执法偏见的产物，用有偏见的历史数据训练算法，然后用算法去”预测”未来的犯罪，等于在循环论证中巩固既有不平等。

加州立法者显然意识到了这个问题。2020年通过的AB 2525法案要求加州监狱部（CDCR）对风险评估工具进行年度公平性审计，并向立法机构提交报告。但到目前为止，这些审计结果大多没有公开，公众对算法具体如何运作、存在多少偏差，仍然知之甚少。

模拟预测的”模拟”性质：我们到底在模拟什么？

回到标题中的”模拟”二字。这里需要澄清一个常见的误解：目前的再犯率预测模型，并不是严格意义上的”模拟”（simulation），而是”统计预测”（statistical prediction）。

真正的模拟需要建立一个因果模型——理解犯罪行为的形成机制，模拟各种变量之间的因果关系，然后”运行”这个模型来预测结果。比如，你可以建立一个模型，模拟”如果一个人出狱后找不到工作，他重新犯罪的概率会增加多少”，然后再模拟”如果同时提供职业培训，这个概率会减少多少”。这种模型需要对社会学、犯罪学、心理学有大量因果关系的理解。

但目前的预测模型根本不是这样。它们是相关性模型——找出历史数据中与再犯率相关的变量，然后用这些变量来预测未来的再犯概率。它们不关心”为什么”，只关心”是什么”。这种模型在短期内可能足够准确（因为历史模式会延续），但在面对结构性变化时（比如疫情导致失业率飙升、某项新立法改变量刑标准），预测能力会急剧下降。

加州在2020年疫情期间就遇到了这个问题。由于经济衰退和封锁措施，某些类型的犯罪（如街头犯罪）下降，而另一些类型的犯罪（如家庭暴力、网络犯罪）上升。预测模型完全无法捕捉这种结构性变化，因为它们的训练数据都是前疫情时代的。

如果要用算法，该怎么用？

既然算法不够准，又有偏见，那是不是应该完全摒弃？我不这么认为。关键不在于”用不用”，而在于”怎么用”。

基于加州的实践和学术界的研究，我认为负责任的算法使用应该遵循以下原则：

第一，算法只能作为辅助工具，不能替代人类判断。 预测分数应该是一个参考因素，而不是决定因素。假释官和假释委员会应该有权基于算法之外的信息（比如犯人的真诚悔改表现、独特的个人情况等）做出不同判断。加州目前的实践是，算法分数只作为”建议”，最终决定权在假释委员会手中——这个框架原则上是对的，但问题在于，研究发现一旦算法给出了分数，人类决策者很难不受其影响（这被称为”锚定效应”）。

第二，必须公开算法的细节和性能数据。 目前加州的风险评估工具的具体公式、权重、验证数据都没有公开。犯人及其律师无法质疑算法的合理性，研究人员无法独立验证其准确性，公众无法了解其公平性。这种黑箱操作与现代司法的透明原则背道而驰。我建议加州应该像某些州一样，要求所有用于刑事司法决策的算法完全开源，并接受独立审计。

第三，要区分”预测再犯”和”预测违反假释条件”。 如前所述，加州的”再犯”定义过于宽泛。我建议将这两个概念分开——用不同的模型预测”实施新犯罪”的风险和”违反假释行政规定”的风险。前者关乎公共安全，后者更多关乎监管效率。混为一谈会导致对”风险”的过度估计。

第四，要定期重新校准算法。 社会在变化，犯罪模式在变化，执法实践在变化。算法需要用最新的数据定期重新训练和验证。加州应该要求至少每两年重新评估一次所有风险预测模型的准确性指标和公平性指标。

第五，要给算法”纠错”的机制。 当一个人被算法预测为高风险但实际表现良好时，系统应该能够识别这种”假阳性”，并将这些案例反馈给模型训练过程。目前加州的系统几乎没有这种反馈闭环。

一个具体案例：当算法说”不”，人说什么？

让我讲一个（基于真实案例改编的）故事，帮助你理解这个问题不只是数字游戏。

“玛丽亚”是个35岁的拉丁裔女性，因非暴力毒品持有罪入狱，服刑4年后获得假释资格。她的COMPAS风险评分是72分（满分100），被归类为”高风险”。算法给出的理由包括：年轻、男性替代视角的种族（注：原文是拉丁裔，此处为简化）、有过轻罪前科、药物滥用史。

但假释官在面谈中发现，玛丽亚在狱中完成了药物康复课程，获得了社区大学的副学士学位，并与她的女儿重建了关系。她的姐姐承诺提供住房，一家非营利组织承诺提供就业培训。假释官认为玛丽亚的风险被算法高估了，建议批准假释并施加中等强度的监督。

假释委员会最终批准了假释，但施加了比算法”建议”更宽松的条件。玛丽亚成功完成了3年假释期，没有再次犯罪，现在在社区非营利组织工作。

这个故事有几个值得注意的地方：

第一，算法的”高风险”标签是基於统计相关性，而非个体情况。 玛丽亚确实具有某些统计学上的风险因子，但她的个人情况（教育、家庭支持、康复进展）完全改变了她的实际风险。算法无法捕捉这些细节。

第二，人类的判断可以”纠正”算法的偏差，但这种纠正是不系统的。 假释官的个人判断可能更准确，但也可能引入新的偏见——这个假释官可能特别倾向于”相信”有家庭支持的犯人，而另一个假释官可能不这么认为。

第三，最理想的状态是算法和人类互补。 算法擅长处理大规模数据、发现统计模式；人类擅长理解个体情况、考虑道德和情境因素。两者的结合应该优于任何一方单独决策。

未来：更好的预测可能吗？

虽然目前的预测模型不够准确，但这并不意味着永远不可能更准。几个研究方向值得关注：

因果推断模型的引入。 近年来，因果机器学习（causal machine learning）的发展为预测模型带来了新希望。与传统的统计预测不同，因果模型试图理解变量之间的因果关系，而不仅仅是相关性。比如，因果模型可以区分”有药物滥用史导致再犯风险增加”和”有药物滥用史的人更可能被逮捕、更可能被记录在案”这两种不同的机制。如果模型能够识别前者，那么对曾经有药物滥用史但现在已康复的人，风险评分会相应降低；如果模型只识别后者，那么无论是否康复，风险评分都会保持不变。加州已经在一些试点项目中尝试因果模型，但大规模应用还需要时间。

动态预测而非静态预测。 目前的模型大多是”一次性”的——在假释决定时计算一次风险分数，然后用这个分数指导整个假释期的决策。但人的风险是动态变化的。一个刚出狱的人可能风险很高（没有工作、没有住房、没有支持系统），但6个月后可能风险大幅降低。更好的模型应该是持续更新的——定期收集假释期间的行为数据（就业状况、药物检测结果、定期报到表现等），动态调整风险评分。一些州已经在尝试这种模式，但加州尚未大规模采用。

个体化干预而非群体化预测。 目前的模型问的是”这个人再犯的概率是多少”，但更有价值的问题是”这个人再犯的原因可能是什么，以及如何预防”。比如，如果一个高风险评分的主要驱动因素是”失业”，那么最有效的干预可能是就业培训，而不是加强监督。算法应该不仅预测风险，还要识别风险的具体来源，并推荐针对性的干预措施。这种”预测+处方”的模式正在一些先锋司法管辖区试行。

结语：我们不是在预测命运，而是在塑造未来

回到最初的问题：再犯率预测有多准？答案是：不够准，但也没那么糟；有偏见，但人类的判断也有偏见；不能完全依赖，但也不能完全抛弃。

更重要的是，我们需要认识到：预测再犯率不仅仅是一个技术問題，更是一个社会正义問題。 算法不会自己产生偏见，偏见来自人类设计算法时的选择、来自训练数据中的历史不平等、来自我们对”风险”和”安全”的社会定义。当我们在问”预测有多准”的时候，我们更应该问：”准到什么程度是可以接受的？接受这种准确性需要付出什么社会成本？谁在承担这些成本？”

加州的实践告诉我们，没有任何工具可以完美预测人类行为。但这也提醒我们，刑事司法系统不应该追求”完美预测”，而应该追求”更公平的决策”。算法可以是这个过程的一部分，但绝不是全部。最终，预测再犯率的目的不应该是”正确地判断谁该被关押”，而应该是”更聪明地帮助人们不再犯罪”。

毕竟，一个社会的文明程度，不在于它能多准确地预测谁会成为罪犯，而在于它能多有效地阻止一个人从”有风险”变成”有罪”。