Kasulikud lingid

Moodul 7 – Andmekasutus ja IKT-lahendused

Tere tulemast! Selle mooduli lõpuks osalejad:

  1. Saavad ülevaate ennetava politseitöö põhimõtetest ja nende rakendamisest LSV juhtumites.
  2. Õpivad, kuidas kriminaaljustiitsüsteemi ja erinevate ametite andmed võivad parandada LSV juhtumite uurimist ja riskide ennustamist.
  3. Tutvuvad tänapäevaste digivahenditega ja nende võimalustega, mis aitavad LSV juhtumitele tõhusamalt reageerida.

Ennetav politseitöö ja kaasaegne riskihindamine

Arvutipõhine ennetav politseitöö

Kaasaegne riskihindamine

Peamised väljakutsed

Mine sellesse jaotisse

Riskihindamise tõhustamine

Peamised meetodid, mõju ja väljakutsed

Andmete olulisus LSV juhtumitele reageerimisel

Mine sellesse jaotisse

Näited erinevate võimaluste kasutamisest

 

Hea praktika Hispaaniast: VioGén II süsteem

Avatud allikate luure (Open Source Intelligence, OSINT)

Mobiilirakendused 

Elektroonilised jalavõrud

Mine sellesse jaotisse

Reaktiivsest politseitööst proaktiivse ja ennetava politseitöö suunas

Traditsioonilise reaktiivse politseitöö
fookuses on reageerimine pärast sündmuse toimumist​

Proaktiivne politseitöö
kasutab andmeid ressursside jaotamiseks (nt suure  kuritegevusega piirkondades patrullide arvu suurendamine), et ennetada kuritegusid ja parandada reageerimiskiirust.

Ennetav politseitöö analüüsib varasemaid andmeid, et tuvastada kõrge riskiga ajad ja asukohad, paljastades süütegude mustrid ja asjaolud.

Peamised eelised:

  • Aitab optimeerida ressursse
  • Parandab kuritegude ennetamise strateegiaid
  • Võimaldab tõhusamat politseiametnike rakendamist

Näited: kallaletungid pärast baaride sulgemist või sissemurdmised pühade ajal.

Arvutipõhine ennetav politseitöö

  • Arvutid aitavad kriminaaljustiitssüteemi andmetes tuvastada mustreid, mida on inimesel raske märgata.
  • Algoritmid analüüsivad erinevaid muutujaid (nt aeg, asukoht, piirkonna tüüp) ja määravad nende olulisuse kuritegude ennustamisel.
  • Reaalsete andmete põhjal kohanduvad algoritmid täpsuse parandamiseks ning võivad avastada uusi kuritegevuse ennustajaid.

Näide: röövide ennustamine uue baari läheduses võib hõlmata selliseid tegureid nagu sulgemisaeg, naabruskonna sissetulek, hoonestuse tihedus või lähedal asuvad teised baarid.

Rohkem andmeid suurendab prognoosimise täpsust, mis omakorda aitab politseil tõhusamalt reageerida.

Kaasaegne riskihindamine kriminaaljustiitssüsteemis

Eesmärk: ennustab teatud sihtrühma poolt kuritegude toime panemise tõenäosust, et aidata kaasa karistuse määramise ja täideviimisega seotud otsuste langetamisele.

Miks see on oluline? Usaldusväärsemad ennustused tähendavad tõhusamat ressursside jaotamist ning paremat kaitset ohvrile ja kogukonnale.

Traditsioonilisest kõrgtasemeliseks:

  • Traditsioonilised meetodid põhinevad lihtsatel, subjektiivsetel hindamismudelitel.
  • Masinõpe parandab täpsust, analüüsides mitmeid muutujaid ja paljastades varjatud mustreid.

Praktilised rakendused:

  • Liigitab riskitasemed (kõrge, keskmine, madal), et tõhusamalt otsuseid teha.
  • Parandab riskide hindamise täpsust ja objektiivsust, millest saavad kasu nii ametnikud kui kogukond.
Allikas: Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237

Ennetava politseitöö ja arvutipõhise riskihindamise väljakutsed

  • Täpsed ennustused ei taga paremat politseitööd. Tulemus sõltub sellest, kuidas teavet kasutatakse ja kuidas see vastab prioriteetidele.
  • Vead andmetes (nt kuritegude alaraporteerimine või ebatäpsused kirjelduses) võivad moonutada tulemusi, mis võib viia üle- või alareageerimiseni.
  • Delikaatsete andmete käitlemine tekitab probleeme seoses eraelu puutumatusega.
  • Oht andmete väärkasutamiseks, näiteks liiga agressiivsete tegevuste või vastuseisu mahasurumise kujul – mõtle näiteks ulmefilmile “Minority Report“.

Allikad:

  • Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237
  • Grogger, J., Gupta, S., Ivandic, R., & Kirchmaier, T. (2021). Comparing conventional and machine‐learning approaches to risk assessment in domestic abuse cases. Journal of Empirical Legal Studies, 18(1), 90-130
  • Messing, J. T., & Thaller, J. (2013). The average predictive validity of intimate partner violence risk assessment instruments. Journal of interpersonal violence, 28(7), 1537-1558

Riskihindamise tõhustamine

Eesmärk: hinnata ohutaset, et suunata kaitsemeetmete rakendamist

Meetodid:

  • Hindamisreegel: punktipõhised künnised klassifitseerivad riski.
  • Struktureeritud hinnang: kombineerib saadud vastused professionaalse hinnanguga.

Mõju: Paremad tööriistad tagavad, et kõrge riskiga juhtumid tuvastatakse, andes ametnikele võimaluse ohvreid tõhusamalt toetada.

Väljakutsed:

  • Subjektiivne hindamine ja ebaühtlane kasutamine vähendavad täpsust.
  • Kõrge riskiga juhtumid võivad kehva haldamise tõttu jääda tähelepanuta.

Tehnoloogia täiustused:

  • Masinõpe parandab täpsust, analüüsides menetluste ajalugu.
  • Tööriistade nagu DASH kombineerimine masinõppega suurendab LSV kordumise ennustamise täpsust 20%.

Allikad:

  • Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237
  • Grogger, J., Gupta, S., Ivandic, R., & Kirchmaier, T. (2021). Comparing conventional and machine‐learning approaches to risk assessment in domestic abuse cases. Journal of Empirical Legal Studies, 18(1), 90-130
  • Messing, J. T., & Thaller, J. (2013). The average predictive validity of intimate partner violence risk assessment instruments. Journal of interpersonal violence, 28(7), 1537-1558

Andmete tähtsus LSV juhtumitele reageerimisel

LSV hõlmab tihti korduvat eskaleeruvat vägivalda, mistõttu on konteksti tundmine efektiivse politseitöö jaoks äärmiselt oluline (nt risk kahekordistub kolmanda, kolmekordistub kuuenda ja neljakordistub kaheksanda väljakutse korral).

Politseiametnikud vajavad reageerimise tõhustamiseks põhjalikke andmeid, sealhulgas teiste võrgustiku liikmete kogutud andmeid.

Ühendatud süsteemid/andmebaasid võiksid pakkuda juurdepääsu kriminaaljustiitssüsteemi, sotsiaalteenuste ja tervishoiu andmetele.

Näited: fikseeritud vigastused haiguslugudes, ohvriabisse pöördumised või sõltuvusravi anamnees.

Näited erinevate võimaluste kasutamisest

Politsei riskihindamise protokoll VioGén

Töötati välja Hispaanias (2007), et koordineerida politsei reageerimist LSV-le sisejulgeoleku uurimisrühma kaudu

Kaasab mitmeid sidusrühmi: ohvrid, toimepanijad, tunnistajad, tehnikud ja arstid

Lõimib riikliku politsei, kodanikukaitse ja kohalikud politseijõud

2024. aastal käivitati uuendatud VioGen II süsteem

VioGen II süsteemi peamised eesmärgid

Tõhustatud võrgustikutöö

Tugevdada koostööd politsei, sotsiaal- ja tervishoiuteenuste vahel, et tagada ühtne reageerimine LSV-le.

Täpsustatud riskihindamine

Täiustada riskihindamisvahendeid, et paremini ennustada vägivalla kordumist ja tagada ohvri proportsinaalne kaitse.

Isikupärastatud kaitse

Kohandada reageerimist ja meetmeid vastavalt iga juhtumi riskitasemele ja vajadustele.

Ohvrite jõustamine

Selge teave ja isikupärastatud turvalisuse plaan tagamaks, et iga ohver mõistab oma riske ja kaitsevõimalusi.

Andmetel põhinevad otsused

Kasutada tehnoloogiat ja algoritme, et tõhustada reaalajas otsuste tegemist ja pakkuda kohandatud kaitsemeetmeid.

Riskihindamise protokolli suunised hõlmavad järgmist:

Hinnata vägivalla kordumise tõenäosust alates teate esitamise ajast.
Tagada ohvri kaitse meetmetega, mis on algse riskiga proportsionaalsed, et ennetada vägivalla kordumist.
Hinnata riski järjepidevalt, arvestades samal ajal kaitsemeetmete rakendamist.
Kohandada kaitsemeetmeid vastavalt arenevale riskile, kohandades reageerimist personaalselt.

Allikas: González Álvarez, López Ossorio, Muñoz Rivas (2018)

Vägivalla retsidiivsusriski hindamine (Risk of Recidivism of Violence, VPR) – kategooriad ja riskitegurid

VPRi näitajad on rühmitatud nelja kategooriasse:

Juhtumi raskusaste:
uurib paarisuhtevägivalla ajalugu

Toimepanija tegurid:

  • suhtekäitumine (armukadedus, kontroll, kiusamine)
  • antisotsiaalsed tunnused (mittenormatiivne, vägivaldne)
  • psühhopatoloogilised ja psühhosotsiaalsed probleemid
Ohvri haavatavus:
situatsioonilised tegurid, mis suurendavad riski või vallandavad vägivalla
Ohvri enese taju:
iseenda, alaealiste ja/või ülalpeetavate riskide tajutav tase

VPR – riskitasemed ja kaitsemeetmed

Juhtumid liigitatakse viide riskitasemesse: täheldamata, madal, keskmine, kõrge ja äärmuslik. Riskiklassifikatsiooni alusel rakendavad ametnikud kohustuslikke ja valikulisi kaitsemeetmeid, mis vastavad konkreetsele riskitasemele.

Näited kaitsemeetmetest:

Madal

Pakkuda 24/7 tugiliini kontakt ja regulaarne järelkontroll telefonitsi.

Kohatine jälgimine ja regulaarne toimepanija kontrollimine.

Sage jälgimine ja toimepanija elektrooniline kontroll.

Pidev ohvri jälgimine ja intensiivne toimepanija kontrollimine.

Riskide arengu riskihindamise vorm (Risk Evolution Risk Assessment Form, VPER) 4.0

VPER hõlmab 43 indikaatorit:

34 riskihindamiseks ja 9 kaitsemeetmeteks jagatuna viide katergooriasse:

  1. juhtumi raskusaste
  2. toimepanijaga seotud tegurid
  3. ohvri isiksuseomadused
  4. ohvri riskitaju
  5. kohaldatud kaitsemeetmete staatus

Väljundid:

Positiivne areng: uued vahejuhtumid puuduvad

Negatiivne areng: uued vahejuhtumid 

VioGén II süsteemi puudused

Kuigi VioGen II süsteemi on võrreldes oma eelkäijaga täiustatud, esinevad siiski mõned puudused:

Läbipaistvus ja vastutus

  • Liigne tuginemine algoritmide poolt genereeritud riskitulemustele.
  • Ametniku piiratud kaalutlusõigus otsuste tegemisel.
  • Vastutuse puudumine algoritmipõhiste tegevuste osas.

Andmete täpsus ja emotsionaalsed tegurid

  • Ohvri häiritus võib mõjutada reageerimise täpsust.
  • Ebaühtlane ametnike väljaõpe süsteemi kasutamiseks.

Ohvriga suhtlemine

  • Piiratud arusaam riskitasemete ja kaitsemeetmete osas.
  • Ebaselgus süsteemi eesmärgi ja riskihindamise osas.

Lõimimine ja andmevahetus

  • Lüngad andmete jagamises erinevate asutuste vahel.
  • Privaatsusprobleemid: isikuandmete kaitse ja võimalik väärkasutus.

Süsteemi haldamine

Väljakutsed suure juhtumimahu ja kasutajakoormuse haldamisel.

Puudujäägid toovad esile valdkonnad, mida on vaja parandada, sealhulgas paindlikkus, väljaõpe, läbipaistvus ja kommunikatsioon süsteemi sees.

Hispaania VioGén-süsteem, kuigi uuenduslik politsei reageerimise koordineerimisel ja soopõhise vägivalla juhtumite riskihindamisel, omab märkimisväärseid puudujääke, mis mõjutavad selle tõhusust.

Esiteks on kriitika all süsteemi läbipaistvus ja vastutuse mehhanismid. VioGéni algoritm määrab automaatselt igale juhtumile riskitaseme, mis omakorda mõjutab oluliselt politsei kaitsemeetmeid, kuid sellega ei kaasne piisavat vastutuse selgust. Politseiametnikud kalduvad algoritmi soovitustest harva kõrvale, mis piirab nende professionaalset otsustusruumi ja võib viia liigselt automatiseeritud hindamiseni, kahjustades juhtumipõhist lähenemist ja ohvri turvalisust.

Teiseks on probleemne VioGéni küsimustik ise, mida kasutatakse info kogumiseks sageli vahetult pärast vägivallaepisoodi, kui ohver on emotsionaalselt traumeeritud. Ohvritel on sellistes olukordades raskusi täpse info edastamisega, mistõttu on küsitlemise tulemuste usaldusväärsus seatud kahtluse alla. Ametnikud ei ole saanud piisavalt koolitust küsimustiku andmestiku ja sisu mõistmiseks,  mis toob kaasa ebaühtlase täitmise, ohvrid ei mõista küsimustiku eesmärki.

Kolmandaks on probleemiks ohvrite vähene informeeritus nende hinnatud riskitasemest – paljud ei tea ega mõista, millise riskikategooria alla nad kuuluvad ega millised kaitsemeetmed neile määratud on.

Nende läbipaistvuse, järjepidevuse ja infovahetuse puudujääkide kõrvaldamine on VioGén-süsteemi arendamise seisukohalt kriitilise tähtsusega, et pakkuda ohvritele paremat kaitset ja tuge.

Avatud allikate luure (Open Source Intelligence, OSINT) LSV juhtumite puhul

  • OSINT hõlmab teabe kogumist avalikest allikatest, nagu sotsiaalmeedia, uudisartiklid, veebilehed ja avalikud registrid.
  • LSV juhtumites saab OSINT aidata tuvastada mustreid, jälgida käitumist ja koguda täiendavat teavet, mis toetab uurimist.
  • See võimaldab õiguskaitseasutustel hankida olulist teavet eriloata, kuid OSINT-i kasutamine peab olema vastutustundlik ning järgima privaatsus- ja eetikanõudeid.

Mobiilirakendused geograafilise asukoha määramiseks ja LSV juhtumitest teatamiseks

Mobiilirakendused võimaldavad ohvritel diskreetselt vägivallast teatada ja anda ametiasutustele reaalajas teavet kiireks reageerimiseks. Funktsioonid hõlmavad tavaliselt järgmist:

Hädaabi teavitused

Ohver saab saata politseile SOS-signaali koos asukohateabega.

Kiirteavitamine

Rakendused, mis lihtsustavad varasemast või kestvast vägivallast teatamist.

Ressursid

Mitmed rakendused pakuvad õppematerjale ja ohvriabi teenuste kontakte.

Kasutegurid:

  • Kiirem reageerimine hädaolukordadele
  • Selgem arusaam olukorrast geograafilise asukoha määramise abil
  • Ohvri turvalisuse tõstmine diskreetsete teatamisvahendite abil

Näiteid Euroopast

Hispaania AlertCops: geolokatsiooniga hädaolukorrateated otse politseile

Serbia SOS App: mitmekeelne hädaolukordadest teatamine, kohandatud nägemispuudega kasutajatele

Montenegro Be Safe App: diskreetsed hädaolukorra teated ohvrite turvalisuse tagamiseks

Kreeka Panic Button App: geolokatsiooniga hädaolukorrateated otse politseile

Armeenia Safe YOU App: geolokatsiooniga teated politseile ja kontakt ohvritele suunatud teenustega 

Allikas:
https://alertcops.ses.mir.es

Elektroonilised jalavõrud: tõhusam reageerimine LSV-le

KASU

  1. Suurenenud ohvri turvalisus – teavitab ohvrit ja politseid, kui lähenemiskeeldu/piiranguid rikutakse.
  2. Heidutav mõju – vähendab korduvkuritegude riski, pannes vastutuse toimepanijale.
  3. Tõhus jälgimine – võimaldab kaugseiret, säästes seeläbi ressursse.
  4. Reaalajas reageerimine – viivitamatud teavitused võimaldavad politseil kiiresti tegutseda.

EESMÄRK

  • Jälgida toimepanija liikumist, et tagada lähenemiskeelu täitmine ja kaitsta ohvrit.
  • Kasutab GPS-i või raadiolaine tehnoloogiat reaalajas jälgimiseks.

NÄITED

  • Hispaania: jälgitakse lähenemiskeelu täitmist.
  • Prantsusmaa ja Rootsi: kõrge riskiga juhtudel vägivalla ennetamiseks.

VÕIMALIKUD PIIRANGUD

  • Valehäired või seadme rikkumine.
  • Nõuab usaldusväärset GPS-infrastruktuuri.
  • Eraelu puutumatus ja muud õiguslikud kaalutlused.

Olulisemad tähelepanekud

  • IT-põhised lahendused aitavad vähendada subjektiivsust ja suurendada täpsust.
  • Andmepõhiste riskihindamisvahendite kasutamine võimaldab paremini ennetada korduvkuritegusid ja kohandada ohvri kaitset vastavalt olukorra muutumisele.
  • Andmeanalüüs ja ITK-lahendused võimaldavad kiiremat info jagamist ning toetavad otsuste langetamist.
  • Ühtne andmesüsteem ja järjepidev menetluspraktika loovad kindla aluse erinevate asutuste koostööks ja tõhusaks reageerimiseks.
  • Andmete kasutamine peab olema turvaline, läbipaistev ja eesmärgipärane, et kaitsta ohvrite ja tunnistajate privaatsust.
  • Kehtestatud poliitikate ja regulatsioonide järgimine tagab andmete eetilise ja seadusliku töötlemise.
  • Tehnoloogilised lahendused ja riskihindamisvahendid arenevad pidevalt, mistõttu on oluline, et spetsialistid saaksid regulaarselt koolitust ja tuge uute lahenduste rakendamisel.
  • Andmeanalüüsi ja digivahendite kasutamise oskuste arendamine parandab organisatsiooni üldist tõhusust ning tõhustab ohvrite kaitset.

Enesekontroll

Tagasi VI moodulisse
Tagasi avalehele

Kaasrahastanud Euroopa Komisjoni CERV Daphne Programm. Leping nr. 101096908