Theoretisch könnte prädiktive Polizeiarbeit die Strafverfolgung fairer und effizienter machen. In der Praxis hängt dies jedoch stark von einer Reihe von Faktoren ab, beispielsweise davon, ob prädiktive Polizeiarbeit Daten verwendet, die auf unvoreingenommene Weise erhoben wurden, was oft nicht der Fall ist. Aus diesem Grund kommt es nicht selten vor, dass diese Praxis lediglich Vorurteile verstärkt und ausbaut, was zu Problemen wie einer anhaltenden Überpolizeilichung bestimmter Minderheitengemeinschaften führt.

Was ist prädiktive Polizeiarbeit?

Prädiktive Polizeiarbeit bezeichnet den Einsatz von prädiktiven Analysen auf der Grundlage mathematischer Modelle und anderer analytischer Techniken in der Strafverfolgung, um potenzielle kriminelle Aktivitäten zu identifizieren. vorhersehbare Polizeiarbeit nutzt daher Computersysteme zur Analyse großer Datenmengen, um zu entscheiden, wo Polizeikräfte eingesetzt werden sollen, oder um Personen zu identifizieren, die mutmaßlich eher eine Straftat begehen oder Opfer einer Straftat werden könnten.

Grob gesagt gibt es zwei Anwendungsbereiche für prädiktive Polizeiarbeit. Erstens die Verwendung von Verhaftungsdaten zur Vorhersage geografischer Kriminalitätsschwerpunkte. Zweitens die Auswertung von Daten aus sozialen Medien, um die Wahrscheinlichkeit zu bestimmen, mit der jemand eine Straftat begehen könnte. Unvorhersehbare Mengen öffentlich zugänglicher personenbezogener Daten eröffnen Möglichkeiten für invasivere Formen dieser Art der Polizeiarbeit. Die breite Verfügbarkeit von Gesichtsbildern ermöglicht nicht nur einen invasiveren Einsatz von Überwachungskameras, sondern Daten über das Online-Verhalten können auch zu individuellen Profilerstellungen und Risikobewertungen führen.

Die Vorteile

1. Kriminalprävention

Vielleicht haben Sie schon einmal gehört, dass prädiktive Polizeiarbeit sehr effizient bei der Verbrechensbekämpfung ist. Tatsächlich scheinen eine Reihe von Studien diese Behauptung zu stützen. So scheint beispielsweise die Einführung prädiktive Polizeiarbeit in Santa Cruz (Kalifornien) über einen Zeitraum von sechs Monaten zu einem Rückgang der Einbrüche um 19 % (sowie zu zwei Dutzend Festnahmen) geführt zu haben. Mithilfe eines Algorithmus nutzte das System verifizierte Kriminalitätsdaten, um zukünftige Straftaten in einem Gebiet von 500 Quadratfuß (ca. 46,5 Quadratmeter) vorherzusagen. Die Polizei erhielt dann „Hotspot“-Karten, auf denen die Risikostandorte angezeigt wurden. Die Beamten durchstreiften diese Gebiete, wenn sie nicht zu anderen Einsätzen gerufen wurden. Niemand wies sie an, diese Orte zu patrouillieren, sie taten dies im Rahmen ihrer routinemäßigen zusätzlichen Kontrollen.

Bild: Cory Doctorow/Flickr CC

Die Polizei von Los Angeles (LAPD) testete die Methode im Kontext der viel größeren Bevölkerung und der komplexeren Patrouillenanforderungen von LA. Die Behörde verteilte zu Beginn der Dienstbesprechung Karten an die Beamten, ähnlich wie in Santa Cruz. Einige Karten wurden jedoch mit den traditionellen Hotspot-Methoden der LAPD erstellt, während andere vom Algorithmus generiert wurden. Den Beamten wurde nicht mitgeteilt, woher die Karten stammten. Der Algorithmus lieferte doppelt so genaue Ergebnisse wie die derzeitigen Verfahren des LAPD. Während die Eigentumsdelikte in ganz Los Angeles um 0,4 Prozent stiegen, gingen sie in den Foothills, den Gebieten, in denen der Algorithmus eingesetzt wurde, um 12 Prozent zurück.

2. Fundierte Entscheidungsfindung

Computergestützte Datenanalysen liefern eine Fülle von Informationen. Laut ihren Befürwortern könnte prädiktive Polizeiarbeit zu objektiveren Entscheidungen führen und Polizeibeamte davon abhalten, willkürliche Entscheidungen zu treffen, die eher auf Vorurteilen als auf Beweisen beruhen. Diese Ansicht vertrat auch der US-Generalstaatsanwalt, der argumentierte, dass datengestützte Polizeiarbeit potenziell bahnbrechend sei. Durch den Einsatz von Predictive Technologies gelang es dem Generalstaatsanwalt, Camden (New Jersey) von der Liste der gefährlichsten Städte Amerikas zu streichen. Die Mordrate sank um 41 Prozent, die Gesamtkriminalität in der Stadt um 26 Prozent. Vor allem aber verlagerte sich der Schwerpunkt der Polizeiarbeit von geringfügigen Drogendelikten außerhalb des Polizeireviers auf Fälle von landesweiter Bedeutung, wie die Bekämpfung der Gewalt durch die gewalttätigsten Straftäter, die Verfolgung von Straßenbanden, Waffen- und Drogenhandel sowie politischer Korruption.

3. Weiterentwicklung des Strafrechtssystems

Prädiktive Polizeiarbeit hat das Potenzial, die Polizeiarbeit fairer zu gestalten. Durch die Förderung von Entscheidungen auf der Grundlage objektiver Beweise könnte prädiktive Polizeiarbeit bestimmte Diskrepanzen bei der Strafverfolgung verringern. Als der Algorithmus die Karte der Kriminalitätsschwerpunkte in der oben genannten LA-Studie erstellte, stützte er sich nicht direkt auf Vorurteile. Im Gegensatz dazu wurden die traditionellen Hotspot-Karten des LAPD von (zwangsläufig voreingenommenen) Menschen erstellt. Infolgedessen könnten Algorithmen Polizeibeamten dabei helfen, Risiken besser vorherzusagen, die Identität von Straftätern zu ermitteln und die Schwachstellen einer Gemeinschaft und ihrer Mitglieder zu identifizieren. Dieses Potenzial kann jedoch nur ausgeschöpft werden, wenn der Algorithmus tatsächlich frei von Vorurteilen ist, was, wie wir weiter unten diskutieren werden, nicht immer der Fall ist.

4. Der fortschrittliche Einsatz von prädiktiver Polizeiarbeit

Daten haben das Potenzial, eine Kraft für das Gute zu sein. So könnten beispielsweise prädiktive Technologien eingesetzt werden, um frühzeitig vor schädlichen Verhaltensmustern der Polizei selber zu warnen. Tatsächlich könnten Polizeibehörden Datenanalysen als Instrument nutzen, um Fehlverhalten von Beamten zu antizipieren. Erfahrungen in Chicago und anderen Orten zeigen, dass Fehlverhalten von Polizeibeamten klaren und konsistenten Mustern folgt und dass Schulungen und Unterstützung für gefährdete Beamte dazu beitragen können, solche Vorfälle zu vermeiden. In ähnlicher Weise könnten prädiktive Polizeisysteme eingesetzt werden, um zu beurteilen, ob eine bestimmte Strafverfolgungsbehörde unterschiedliche Stadtteile oder Menschen verschiedener Ethnien wahrscheinlich ähnlich behandelt. Dies könnte dazu beitragen, die Polizei auf Vorurteile aufmerksam zu machen, die das Vertrauen der Öffentlichkeit beeinträchtigen oder ihre Ressourcen verschwenden könnten.

Die Nachteile

1. Datenschutzbedenken

Wie bereits erwähnt, hat prädiktive Polizeiarbeit zwei Anwendungsbereiche: die Nutzung geografischer Daten zu Festnahmen, um die Einsatzplanung der Polizei zu optimieren, und die Nutzung von Daten über Personen aus dem Internet, wie Social-Media-Konten und CCTV-Aufnahmen, um die Wahrscheinlichkeit einer Straftat durch eine Person vorherzusagen. Der erste Anwendungsbereich stellt, vorausgesetzt, dass anonymisierte Daten zu Festnahmen verwendet werden, wahrscheinlich kein Risiko für die Privatsphäre dar. Die zweite Anwendung – die Auswertung öffentlich zugänglicher Informationen und CCTV-Aufnahmen – stellt jedoch eindeutig ein ernstes Risiko für die Privatsphäre dar.

Einige Daten sind möglicherweise zu persönlich, um gespeichert zu werden, und diejenigen, die sie kontrollieren, verfügen möglicherweise nicht über die erforderlichen Fähigkeiten und die Professionalität, um sie sicher aufzubewahren. Von einer Polizeibehörde gesammelte und gespeicherte Informationen können leicht in falsche Hände geraten, zumal die Datensicherheit mit hohen Kosten für Schulungen und Personal verbunden ist. Angesichts der Sensibilität solcher Informationen ist die Möglichkeit von Datenlecks besonders alarmierend. Würden Sie sich beispielsweise wohl dabei fühlen, wenn die Polizei Daten darüber speichert, was Sie am letzten Wochenende gemacht haben? Wahrscheinlich nicht. Vor allem, wenn man bedenkt, dass diese Daten weitergegeben werden könnten, was potenziell schädliche Auswirkungen auf Ihr Privat- und Berufsleben haben könnte.

Die digitale Umgebung und insbesondere die leichte Verfügbarkeit vieler personenbezogener Daten in sozialen Medien verstärken diese Bedenken noch. Eine Studie untersucht die Erhebung von Daten für Strafverfolgungszwecke und hebt die Kontroversen hervor, die mit der zunehmend wichtigen Rolle von Daten aus sozialen Medien für die datengesteuerte Polizeiarbeit verbunden sind. Da viele Nutzer sozialer Netzwerke ihre digitale Umgebung nicht als öffentlich wahrnehmen, erhöhen Suchmaschinen und andere automatisierte Analyseverfahren das Potenzial für staatliche Überwachung erheblich. Besorgniserregend ist, dass das Gesetz die Nutzung von Informationen aus sozialen Medien durch Strafverfolgungs- und Sicherheitsbehörden nicht einschränkt. Die Folgen werden immer gravierender, da immer mehr personenbezogene Daten ohne klar definierte Erwartungen an den Datenschutz öffentlich offengelegt und gesammelt werden. Wie der Datenschutzanwalt Alan Dahi betont, „ist etwas, nur weil es online ist, noch lange kein freies Spiel für andere, das sie nach Belieben nutzen dürfen – weder moralisch noch rechtlich.“

Abgesehen von Datenschutzbedenken wird durch die Verwendung personenbezogener Daten zur Vorhersage der Neigung einer Person zur Begehung von Straftaten die Unschuldsvermutung untergraben, wonach jeder bis zum Beweis seiner Schuld als unschuldig gilt und behandelt wird.

2. Mangelnde Genauigkeit

Die Zuverlässigkeit der prädiktiven Polizeiarbeit hängt von der Qualität der Daten und der Integrität ihrer Anwender und Nutzer ab. Ein Bericht stellt fest, dass diese Praxis keine Kristallkugel ist, mit der sich die Zukunft genau vorhersagen lässt.

Wenn es darum geht, Daten zur Vorhersage von Kriminalitätsschwerpunkten zu verwenden, zeigen jahrzehntelange kriminologische Forschungen, dass Polizeiberichte und andere von der Polizei gesammelte Statistiken in erster Linie die Reaktion der Strafverfolgungsbehörden auf die ihnen gemeldeten Vorfälle und die Situationen, mit denen sie konfrontiert sind, liefern. Sie dokumentieren keine objektive oder vollständige Aufzeichnung aller begangenen Straftaten. Anders ausgedrückt: Die Datenbanken sagen uns, wo die Polizei in der Vergangenheit Straftaten festgestellt hat. Wir wissen jedoch, dass die Polizei in vielen Ländern unverhältnismäßig viele Ressourcen für bestimmte Minderheitengruppen einsetzt. Das Ergebnis ist, dass rassistische Praktiken in den Daten verankert werden. Prädiktive Polizeiarbeit wird dann zu einem Teufelskreis. Auf der Grundlage einer rassistischen Politik erhobene Kriminalitätsstatistiken führen zu rassistischen Vorhersagen, die wiederum zu einer übermäßigen Polizeipräsenz führen, die wiederum irreführende Daten und rassistische Vorhersagen generiert.

Wenn es darum geht, Daten über bestimmte Personen zu sammeln, um die Wahrscheinlichkeit zu ermitteln, dass sie eine Straftat begehen könnten, ist bekannt, dass Online-Aktivitäten das menschliche Verhalten in der realen Welt nicht genau widerspiegeln. Die Vorstellung, dass prädiktive Polizeiarbeit in Zukunft dazu genutzt werden könnte, jemanden zu verhaften, bevor er eine Straftat begeht, mag weit hergeholt erscheinen. Die Vorstellung, dass datengesteuerte prädiktive Technologien eine Verschärfung der Überwachungsmaßnahmen gegenüber vermeintlich risikoreichen Gruppen und Personen rechtfertigen, deren Einstufung als risikoreich zweifelhaft ist, ist jedoch nicht weit von der Realität entfernt.

3. Diskriminierung

Ein weiterer Nachteil der prädiktiven Polizeiarbeit besteht darin, dass sie zu voreingenommenen Ergebnissen führen kann. Die ACLU kritisierte diese Praxis wegen ihrer Tendenz, rassistische Profilerstellung zu perpetuieren. Wenn Algorithmen mit voreingenommenen Daten gefüttert werden, besteht eine ihrer wesentlichen Einschränkungen darin, dass sie die aus herkömmlichen Prozessen resultierenden Vorurteile verstärken und damit ungerechtfertigte Diskrepanzen bei der Strafverfolgung weiter verschärfen.

Betrachten wir das Beispiel zweier Teenager, die beide regelmäßig Marihuana rauchen. Teenager A lebt in einer Nachbarschaft mit niedrigerer Kriminalitätsrate, während Teenager B in einer Gegend mit höherer Kriminalitätsrate lebt. Durch die Konzentration auf das Gebiet mit dem höchsten prognostizierten Kriminalitätsrisiko werden A und B jeweils unter- bzw. überpolizeilich überwacht. Teenager B landet daher mit größerer Wahrscheinlichkeit im Gefängnis als Teenager A. Auf individueller Ebene beeinträchtigt diese Asymmetrie die Zukunftsaussichten von B, da eine Vorstrafe negative Auswirkungen auf seinen Zugang zu Berufen und Bildung hat. Auf systemischer Ebene könnte diese Dynamik wichtige Ziele der Polizeiarbeit untergraben, wie beispielsweise den Aufbau von Vertrauen in die Gemeinschaft. Die derzeitigen Systeme sind daher blind für ihre Auswirkungen in diesen Bereichen und können unbemerkt Schaden anrichten. Predictive-Policing-Systeme verstärken diesen Trend, indem sie die Polizeiarbeit lediglich auf die numerische Verringerung der Aufklärungsrate statt auf die tatsächliche Verbrechensbekämpfung reduzieren.

4. Rechenschaftspflicht

Prädiktive Polizeiarbeit verringert die Rechenschaftspflicht der Strafverfolgungsbehörden. Da die meisten Prozesse in der Datenanalyse automatisiert sind, könnte dies die Fähigkeit von Beamten und Behörden beeinträchtigen, ihre Entscheidungen sinnvoll zu erklären und zu begründen. Darüber hinaus sind Polizei und Gemeinden aufgrund der Komplexität und Geheimhaltung dieser Instrumente derzeit nur begrenzt in der Lage, die Risiken voreingenommener Daten oder fehlerhafter Vorhersagesysteme zu bewerten.

Zusammenfassend lässt sich sagen, dass prädiktive Polizeiarbeit zwar effiziente und faire Polizeiarbeit verspricht, in der Realität jedoch sowohl ungenaue Vorhersagen liefert als auch ernsthafte Herausforderungen für die Schaffung einer freieren und gerechteren Gesellschaft mit sich bringt. Prädiktive Polizeitechnologien werden in den kommenden Jahren wahrscheinlich an Bedeutung gewinnen, da sie kostengünstiger sind als herkömmliche Polizeipraktiken. Der derzeitige Rechtsrahmen für diese Technologien ist jedoch unklar und wenig hilfreich. Das muss sich ändern. Die EU-Mitgliedstaaten sollten hinterfragen, ob wir solche Systeme überhaupt aufbauen sollten. Das Streben nach fairen und transparenten algorithmischen Entscheidungsprozessen könnte nicht ausreichen, um die damit verbundenen Probleme zu lösen.