というややSF染みた*1NBER論文が上がっている（ungated版へのリンクがある著者の一人のページ）。原題は「Machine Learning Can Predict Shooting Victimization Well Enough to Help Prevent It」で、著者はSara B. Heller（ミシガン大）、Benjamin Jakubowski（NYU）、Zubin Jelveh（メリーランド大）、Max Kapustin（コーネル大）。
以下はその要旨。
This paper shows that shootings are predictable enough to be preventable. Using arrest and victimization records for almost 644,000 people from the Chicago Police Department, we train a machine learning model to predict the risk of being shot in the next 18 months. We address central concerns about police data and algorithmic bias by predicting shooting victimization rather than arrest, which we show accurately captures risk differences across demographic groups despite bias in the predictors. Out-of-sample accuracy is strikingly high: of the 500 people with the highest predicted risk, 13 percent are shot within 18 months, a rate 130 times higher than the average Chicagoan. Although Black male victims more often have enough police contact to generate predictions, those predictions are not, on average, inflated; the demographic composition of predicted and actual shooting victims is almost identical. There are legal, ethical, and practical barriers to using these predictions to target law enforcement. But using them to target social services could have enormous preventive benefits: predictive accuracy among the top 500 people justifies spending up to $123,500 per person for an intervention that could cut their risk of being shot in half.
（拙訳）
本稿は、銃撃事件は防ぐのに十分なほど予測可能であることを示す。シカゴ警察の644,000人近い逮捕と被害の記録を用いて我々は、機械学習モデルを訓練し、18か月以内に撃たれるリスクを予測するようにした。我々は、逮捕ではなく銃被害を予測することにより、警察データとアルゴリズムのバイアスに関する主な懸念に対処した。我々が示すように、予測子におけるバイアスにもかかわらず、その予測は人口統計上の集団間のリスクの違いを正確に捉える。アウトオブサンプルの正確さは驚くほど高く、予測リスクが最も高かった500人のうち13%が18か月以内に撃たれた。その割合は平均的なシカゴ市民の130倍である。黒人男性の被害者は、予測を生成するのに十分な警察との接触を持つことが多いが、平均するとその予測が過大になってはいない。銃の被害者の予測と実際の人口統計上の構成比は、ほぼ同じである。こうした予測を法執行の目的に供することは、法律、倫理、および実務上の障害がある。しかし社会サービスの目的に供することには防犯上の多大な便益がある。上位500人についての予測精度の高さは、彼らが撃たれるリスクを半分にするための措置に一人当たり最大123,500ドルを使うことを正当化する。
