論文の概要: Uniting Machine Intelligence, Brain and Behavioural Sciences to Assist Criminal Justice

• arxiv url: http://arxiv.org/abs/2207.01511v2
• Date: Sun, 25 Sep 2022 15:14:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 09:40:53.754458
• Title: Uniting Machine Intelligence, Brain and Behavioural Sciences to Assist Criminal Justice
• Title（参考訳）: マシンインテリジェンスと脳と行動科学を融合して刑事司法を支援する
• Authors: Oliver Y. Ch\'en
• Abstract要約: マシンインテリジェンス、脳、行動研究が犯罪法を助長する3つの重要な役割について論じる。 第一に、脳と行動データを用いた予測モデリングは、脳の損傷や精神疾患に関連する関心事の分類的、連続的、縦断的な法的結果を予測することによって、法的調査を支援する可能性がある。 第二に、機械学習アルゴリズムが支持する心理的、心理学的、行動学的研究は、嘘、偏見、犯罪現場への訪問などの人間の行動や行動を予測するのに役立つ。 第3に、臨床データと犯罪データを用いて再犯を予測するために機械学習モデルが使用され、一方脳の復号化は脳画像データに基づく思考と意図の発見を始めている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: I discuss here three important roles where machine intelligence, brain and behaviour studies together may facilitate criminal law. First, predictive modelling using brain and behaviour data may support legal investigations by predicting categorical, continuous, and longitudinal legal outcomes of interests related to brain injury and mental illnesses. Second, psychological, psychiatric, and behavioural studies supported by machine learning algorithms may help predict human behaviour and actions, such as lies, biases, and visits to crime scenes. Third, machine learning models have been used to predict recidivism using clinical and criminal data whereas brain decoding is beginning to uncover one's thoughts and intentions based on brain imaging data. Having dispensed with achievements and promises, I examine concerns regarding the accuracy, reliability, and reproducibility of the brain- and behaviour-based assessments in criminal law, as well as questions regarding data possession, ethics, free will (and automatism), privacy, and security. Further, I will discuss issues related to predictability vs. explainability, population-level prediction vs. personalised prediction, and predicting future actions, and outline three potential scenarios where brain and behaviour data may be used as court evidence. Taken together, brain and behaviour decoding in legal exploration and decision-making at present is promising but primitive. The derived evidence is limited and should not be used to generate definitive conclusions, although it can be potentially used in addition, or parallel, to existing evidence. Finally, I suggest that there needs to be (more precise) definitions and regulations regarding when and when not brain and behaviour data can be used in a predictive manner in legal cases.
• Abstract（参考訳）: ここでは、マシンインテリジェンス、脳、行動研究が犯罪法を助長する3つの重要な役割について論じる。 第一に、脳および行動データを用いた予測モデリングは、脳損傷および精神疾患に関連する関心のカテゴリー、連続、および経年的な法的結果を予測することによって、法的調査を支援する可能性がある。 第二に、機械学習アルゴリズムが支持する心理的、心理学的、行動学的研究は、嘘、偏見、犯罪現場への訪問などの人間の行動や行動を予測するのに役立つ。 第3に、臨床データと犯罪データを用いて再犯を予測するために機械学習モデルが使用され、一方脳の復号化は脳画像データに基づく思考と意図の発見を始めている。 達成と約束を免れた私は、刑事法における脳と行動に基づく評価の正確性、信頼性、再現性、およびデータ所有、倫理、自由意志(および自動化)、プライバシー、セキュリティに関する疑問について検討します。 さらに, 予測可能性と説明可能性, 人口レベルの予測と個人化予測, 将来の行動予測に関する諸問題について論じ, 脳・行動データが法廷証拠として用いられる3つの可能性シナリオを概説する。 現在、法的な調査と意思決定において脳と行動の復号化は有望だが原始的だ。 導出された証拠は限定的であり、決定的な結論を出すために使われるべきではないが、既存の証拠に加えて、あるいは並行して用いられる可能性がある。 最後に、法律ケースにおいて、いつ、いつ、いつ脳や行動データが予測方法で使用できるかに関する(より正確に)定義と規制が必要であることを提案します。

関連論文リスト

• Recent Advancements in Machine Learning For Cybercrime Prediction [2.38324507743994]
  本稿では,サイバー犯罪予測の最新動向を包括的に調査することを目的とする。 我々は150以上の研究論文をレビューし、最新の50件について検討した。 本稿では,最先端開発と公開データセットの全体像について述べる。
  論文  参考訳（メタデータ） (2023-04-10T19:00:29Z)
• Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions [2.624902795082451]
  本稿では,犯罪予測に応用された各種機械学習および深層学習アルゴリズムについて,150以上の論文について検討する。 この研究は、研究者による犯罪予測に使われるデータセットへのアクセスを提供する。 本稿では,犯罪予測の精度を高めるための潜在的なギャップと今後の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-03-28T21:07:42Z)
• A Rubric for Human-like Agents and NeuroAI [2.749726993052939]
  コントリビュートされた研究は、振る舞いの模倣から機械学習メソッドのテストまで幅広い。 これら3つの目標のうちの1つが自動的に他の目標の進捗に変換されることは想定できない。 これは、弱く強いニューロAIとヒトのようなエージェントの例を用いて明らかにされている。
  論文  参考訳（メタデータ） (2022-12-08T16:59:40Z)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)
• A-ACT: Action Anticipation through Cycle Transformations [89.83027919085289]
  未来を予測できる人間の能力が、機械学習アルゴリズムにどのように移行できるかを分析するために、一歩後退します。 人間の心理学に関する最近の研究は、発生を予測して、人間の脳が両方のシステムにカウントされていることを説明している。 本研究では,行動予測作業における各システムの影響について検討し,学習フレームワークに統合するためのパラダイムを導入する。
  論文  参考訳（メタデータ） (2022-04-02T21:50:45Z)
• The world seems different in a social context: a neural network analysis of human experimental data [57.729312306803955]
  本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。 トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
  論文  参考訳（メタデータ） (2022-03-03T17:19:12Z)
• Behavior measures are predicted by how information is encoded in an individual's brain [23.186544075266397]
  本稿では,脳のエンコーディングにおける個人差を識別するために,エンコーディングモデルを用いたフレームワークを提案する。 この結果から,符号化モデルによる個人差が,行動予測の強力なツールであることが示唆された。
  論文  参考訳（メタデータ） (2021-12-11T18:40:30Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• Deep Interpretable Criminal Charge Prediction and Algorithmic Bias [2.3347476425292717]
  本稿では, ポストホックな説明のバイアス問題に対処し, 将来の刑事告発を受けるかどうかの信頼性の高い予測を行う。 提案手法は,実生活データセット上での予測精度とリコールの一貫性と信頼性を示す。
  論文  参考訳（メタデータ） (2021-06-25T07:00:13Z)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。