nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

Diverse Daten, nicht-diskriminierende Algorithmen: Die Relevanz von Diversität im Rahmen der Datafizierung der Polizei

verfasst von : Simon Egbert

Erschienen in: Diversität und Polizei

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

In diesem Beitrag wird der Zusammenhang von Polizei und Diversität auf technischer Ebene diskutiert. Genauer gesagt wird die Relevanz von Diversität in der seit einiger Zeit beobachtbaren Datafizierung polizeilicher Arbeit aufgezeigt. Die Datafizierung der Polizei, wie sie spätestens mit der Nutzung von polizeilicher Prognosesoftware eine neue Qualität erreicht hat, da die algorithmische Rolle polizeilicher Wissensproduktion damit mehr Raum gewinnt wird, findet gegenwärtig u. a. mit der zunehmenden Nutzung von Datenintegrations- und -analyseplattformen der US-Firma Palantir Technologies, z. B. von den Polizeien in Hessen, NRW und Bayern, ihren (bisherigen) Höhepunkt. Vor diesem Hintergrund rückt die Frage in den Vordergrund, welche Art von Daten der Polizei zur Verfügung stehen und welche Qualität sowie mögliche Verzerrungen sie besitzen. Dies gilt auch für die, neben den Daten, zweite konstitutive Einheit der Datafizierung, die der Algorithmen. Auch diese gilt es dahingehend zu prüfen, welche Verzerrungen sie aufweisen und welche Prämissen über Kriminalität in sie eingeschrieben sind.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Fehler machen die anderen. Diversität als Bedingung und Herausforderung einer positiven Fehlerkultur

Nächstes Kapitel Strange Accounts: Verfremdete Darstellungen als Potenzial in der Polizeiforschung

Grundsätzlich impliziert ein solches Mindset, dass die betreffende Person hinreichend sensibilisiert ist für die Voraussetzungen, Erfordernisse und Chancen von polizeilicher Datenanalytik, was z. B. das Wissen um die Wichtigkeit von schnellen und korrekten Dateneingaben für die Analysen umfasst.

Allhutter, D., Cech, F., Fischer, F., Grill, G., & Mager, A. (2020). Algorithmic profiling of job seekers in Austria: How austerity politics are made effective. Frontiers in Big Data, 3, 5. https://doi.org/10.3389/fdata.2020.00005.CrossRef

Anderson, C. (2008). The end of theory: The data deluge makes the scientific method obsolete. Wired. https://www.wired.com/2008/06/pb-theory/.

Angelov, P. P., Soares, E. A., Jiang, R., Arnold, N. I., & Atkinson, P. M. (2021). Explainable artificial intelligence: An analytical review. WIREs Data mining and knowledge Discovery, 11(5). https://doi.org/10.1002/widm.1424.

Arzt, C. (2021). Praxis der polizeilichen Datenverarbeitung. In M. Bäcker, E. Denninger, K. Graulich, & H. Lisken (Hrsg.), Handbuch des Polizeirechts: Gefahrenabwehr—Strafverfolgung—Rechtsschutz (7., vollständig überarbeitete Auflage des von Prof. Dr. Hans Lisken mitbegründeten Werks, S. 1161–1218). Beck.

Balogh, D. (2016). Near Repeat-Prediction mit PRECOBS bei der Stadtpolizei Zürich. Kriminalistik, 70(5), 335–341.

Barocas, S., & Selbst, A. D. (2016). Big data’s disparate impact. California Law Review, 104(3), 671–732. https://doi.org/10.15779/Z38BG31.

Bayerisches Landeskriminalamt. (2022). Noch erfolgreichere Polizeiarbeit—Zuschlag für neues Recherche- und Analysesystem der Bayerischen Polizei: Höchste Ansprüche an Datensicherheit und Datenschutz. https://www.polizei.bayern.de/aktuelles/pressemitteilungen/025971/index.html.

Beaulieu, A., & Leonelli, S. (2021). Data and society. A critical introduction. Sage Publications Ltd.

Behörden Spiegel. (2022). Die richtigen Fragen stellen. Auswertung von polizeirelevanten Daten. Behörden Spiegel, 45.

Bettermann-Jennes, U., & Rabitz-Suhr, S. (2018). Informationsmanagement bei der Polizei. Digitalisierung als Herausforderung und Chance – Ergebnisse einer Sachbearbeiterbefragung der Polizei Hamburg. SIAK-Journal − Zeitschrift für Polizeiwissenschaft und polizeiliche Praxis, 1, 13–26. https://doi.org/10.7396/2018_1_B.

Bogen, M. (2019). All the ways hiring algorithms can introduce bias. Harvard Business Review. https://hbr.org/2019/05/all-the-ways-hiring-algorithms-can-introduce-bias.

Bowker, G. C. (2005). Memory practices in the sciences. MIT Press.

boyd, danah, & Crawford, K. (2012). CRITICAL QUESTIONS FOR BIG DATA: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society, 15(5), 662–679. https://doi.org/10.1080/1369118X.2012.678878.

Brantingham, P. J. (2012). The theory of target search. In F. T. Cullen & P. Wilcox (Hrsg.), The Oxford Handbook of Criminological Theory (S. 535–553). Oxford University Press. https://doi.org/10.1093/oxfordhb/9780199747238.013.0028.

Brantingham, P. J., & Brantingham, P. (2016). The geometry of crime and crime pattern theory. In R. Wortley & M. Townsley (Hrsg.), Environmental criminology and crime analysis (S. 98–116). Routledge. https://doi.org/10.4324/9781315709826.

Brayne, S. (2017). Big data surveillance: The case of policing. American Sociological Review, 82(5), 977–1008. https://doi.org/10.1177/0003122417725865.CrossRef

Brayne, S. (2021). Predict and surveil: Data, discretion, and the future of policing. Oxford University Press.

Brühl, J. (2018). Palantir in Deutschland: Wo die Polizei alles sieht. Süddeutsche Zeitung. https://www.sueddeutsche.de/digital/palantir-in-deutschland-wo-die-polizei-alles-sieht-1.4173809.

Bundesministerium des Innern. (2018). Polizei 2020. White Paper. https://www.bmi.bund.de/SharedDocs/downloads/DE/veroeffentlichungen/2018/polizei-2020-white-paper.pdf;jsessionid=E01052E192CDECE76E476EA9DD522E70.2_cid287?__blob=publicationFile&v=7.

Bundesministerium des Innern. (2023). Programm P 20. https://www.bmi.bund.de/DE/themen/sicherheit/programm-p20/programm-p20-node.html.

Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 1–15.

Cohen, L. E., & Felson, M. (1979). Social change and crime rate trends: A routine activity approach. American Sociological Review, 44(4), 588. https://doi.org/10.2307/2094589.CrossRef

Cornish, D. B., & Clarke, R. V. G. (1986). The reasoning criminal: Rational choice perspectives on offending. Springer Verl.

Crawford, K. (2016). Artificial Intelligence’s White Guy Problem. The New York Times. https://www.nytimes.com/2016/06/26/opinion/sunday/artificial-intelligences-white-guy-problem.html.

Criado-Perez, C. (2020). Invisible women: Exposing data bias in a world designed for men. Vintage.

Dastin, J. (2018). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G.

Egbert, S. (2018a). About discursive storylines and techno-fixes: The political framing of the implementation of predictive policing in Germany. European Journal for Security Research, 3(2), 95–114. https://doi.org/10.1007/s41125-017-0027-3.CrossRef

Egbert, S. (2018b). Predictive Policing und die soziotechnische Konstruktion ethnisch codierter Verdächtigkeit. In M. Pfadenhauer & A. Poferl (Hrsg.), Wissensrelationen. Beiträge und Debatten zum 2. Sektionskongress der Wissenssoziologie (1. Aufl., S. 653–663). Beltz Juventa.

Egbert, S. (2019). Predictive policing and the platformization of police work. Surveillance & Society, 17(1/2), 83–88. https://doi.org/10.24908/ss.v17i1/2.12920.

Egbert, S. (2020). Datafizierte Polizeiarbeit – (Wissens-)Praktische Implikationen und rechtliche Herausforderungen. In D. Hunold & A. Ruch (Hrsg.), Aktuelle Beiträge zur Polizeiforschung. Springer VS.

Egbert, S. (2021). Predictive Policing als Treiber rechtlicher Innovation? Zeitschrift Für Rechtssoziologie, 40(1–2), 26–51. https://doi.org/10.1515/zfrs-2020-0002.CrossRef

Egbert, S., & Leese, M. (2021). Criminal futures: Predictive policing and everyday police work. Routledge.

Egbert, S., & Mann, M. (2021). Discrimination in predictive policing: The (Dangerous) Myth of impartiality and the need for STS analysis. In A. Završnik & V. Badalič (Hrsg.), Automating crime prevention, surveillance, and military operations (S. 25–46). Springer International Publishing. https://doi.org/10.1007/978-3-030-73276-9_2.

Ensign, D., Friedler, S. A., Neville, S., Scheidegger, C., & Venkatasubramanian, S. (2017). Runaway feedback loops in predictive policing. arXiv:1706.09847 [cs, stat]. http://arxiv.org/abs/1706.09847.

Fazelpour, S., & Danks, D. (2021). Algorithmic bias: Senses, sources, solutions. Philosophy Compass, 16(8). https://doi.org/10.1111/phc3.12760.

Friedman, B., & Nissenbaum, H. (1996). Bias in computer systems. ACM Transactions on Information Systems, 14(3), 330–347. https://doi.org/10.1145/230538.230561.CrossRef

Galison, P. (2019). Algorists dream of objektivity. In J. Brockman (Hrsg.), Possible minds: Twenty-five ways of looking at AI (S. 231–239). Penguin Press.

Gillespie, T. (2014). The relevance of algorithms. In T. Gillespie, P. J. Boczkowski, & K. A. Foot (Hrsg.), Media technologies: Essays on communication, materiality, and society (S. 167–194). The MIT Press.CrossRef

Gluba, A. (2017). Der Modus Operandi bei Fällen der Near Repeat-Victimisation – Ergebnisse einer empirischen Studie. Kriminalistik, 71(6), 369–374.

Goffey, A. (2008). Algorithm. In M. Fuller (Hrsg.), Software studies (S. 14–20). The MIT Press. https://doi.org/10.7551/mitpress/9780262062749.003.0002.

Gong, Z., Zhong, P., & Hu, W. (2019). Diversity in machine learning. IEEE Access, 7, 64323–64350. https://doi.org/10.1109/ACCESS.2019.2917620.CrossRef

Goodman, R. (2018). Why Amazon’s automated hiring tool discriminated against women. ACLU. News & Commentary. https://www.aclu.org/news/womens-rights/why-amazons-automated-hiring-tool-discriminated-against.

Harcourt, B. E. (2007). Against prediction: Profiling, policing, and punishing in an actuarial age. University of Chicago Press.

Hauber, J., Jarchow, E., & Rabitz-Suhr, S. (2019). Prädiktionspotenzial schwere Einbruchskriminalität – Ergebnisse einer wissenschaftlichen Befassung mit Predictive Policing. Landeskriminalamt Hamburg.

Herrnkind, M. (2014). Filzen Sie die üblichen Verdächtigen!“ oder: Racial Profiling in Deutschland. Polizei & Wissenschaft, 15(3), 35–58.

Hessischer Landtag. (2019). Zwischenbericht des Untersuchungsausschusses 19/3 und Abweichender Bericht der Mitglieder der Fraktion der SPD zu dem Zwischenbericht des Untersuchungsausschusses 19/3 und Abweichender Bericht des Mitglieds der Fraktion DIE LINKE zu dem Zwischenbericht des Untersuchungsausschusses 19/3 und Abweichender Bericht des Mitglieds der Fraktion der FDP zu dem Zwischenbericht des Untersuchungsausschusses 19/3 (Zwischenbericht des Untersuchungsausschusses 19/3 (hessenDATA) Drucksache 19/6864). Hessischer Landtag. http://starweb.hessen.de/cache/DRS/19/4/06864.pdf.

Hessisches Ministerium für Inneres und Sport. (2018). Jahresbilanz 2018 [Jahresbericht]. Hessisches Ministerium des Innern und für Sport. www.innen.hessen.de.

Hessisches Ministerium für Inneres und Sport. (2016). Innenminister Peter Beuth stellt Prognose-Software “KLB-operativ“ vor. https://osthessen-news.de/n11535610/innenminister-peter-beuth-stellt-prognose-software-klb-operativ-vor.html.

Holleck, T. (2019). Harmonisierung unbedingt erforderlich. Informationsarchitektur der Polizeien muss angeglichen werden. Moderne Polizei, Polizist der Zukunft: Kompetent-digital-vernetzt, 1, 31.

Hunold, D. (2019). Racial Profiling aus empirisch-wissenschaftlicher Perspektive. In D. Kugelmann (Hrsg.), Polizei und Menschenrechte (Redaktionsschluss: August 2019, S. 378–382). bpb, Bundeszentrale für Politische Bildung.

Iliadis, A., & Acker, A. (2022). The seer and the seen: Surveying Palantir’s surveillance platform. The Information Society, 38(5), 334–363. https://doi.org/10.1080/01972243.2022.2100851.CrossRef

Johnson, S. D. (2008). Repeat burglary victimisation: A tale of two theories. Journal of Experimental Criminology, 4(3), 215–240. https://doi.org/10.1007/s11292-008-9055-3.CrossRef

Kaller, S. (2019). Das Zukunftsprogramm der Polizei in Deutschland – Polizei 2020. Polizei Verkehr + Technik, 64(1), 6–9.

Kaufmann, M., Egbert, S., & Leese, M. (2019). Predictive policing and the politics of patterns. The British Journal of Criminology, 59(3), 674–692. https://doi.org/10.1093/bjc/azy060.CrossRef

Kelling, G. L., & Wilson, J. Q. (1982). Broken windows. The police and neighborhood safety. The Atlantic, (3), 29–38.

Kitchin, R. (2014). The data revolution: Big data, open data, data infrastructures & their consequences. SAGE.

Kitchin, R. (2017). Thinking critically about and researching algorithms. Information, Communication & Society, 20(1), 14–29. https://doi.org/10.1080/1369118X.2016.1154087.CrossRef

Kohler, D. (2022). Berufsbild Kriminalitätsanalytik [Vortrag]. 5. Hamburger Sicherheitsrechtstag Smart Big Data Policing, Hamburg.

Kordzadeh, N., & Ghasemaghaei, M. (2022). Algorithmic bias: Review, synthesis, and future research directions. European Journal of Information Systems, 31(3), 388–409. https://doi.org/10.1080/0960085X.2021.1927212.CrossRef

LKA NRW. (2018). Projekt SKALA. Abschlussbericht. https://polizei.nrw/sites/default/files/2018-07/180628_Abschlussbericht_SKALA.PDF.

LKA NRW. (2020). LKA-NRW: Polizei NRW setzt bei Verbrechensbekämpfung und Gefahrenabwehr zukünftig neue Analysetechniken ein. Presseportal. https://www.presseportal.de/blaulicht/pm/58451/4490593.

Lezgus, A. (2019). Ein gemeinsames Datenhaus entsteht. Moderne Polizei, Polizist der Zukunft: Kompetent-digital-vernetzt(1), 26–27.

Lopez, P. (2019). Reinforcing Intersectional Inequality via the AMS Algorithm in Austria. Critical Issues in Science, Technology and Society, 1–19. https://doi.org/10.3217/978-3-85125-668-0-16

Lopez, P. (2021). Bias does not equal bias: A socio-technical typology of bias in data-based algorithmic systems. Internet Policy Review, 10(4). https://doi.org/10.14763/2021.4.1598.

Lupton, D. (2015). Digital sociology. Routledge, Taylor & Francis Group.

Magoley, N. (2022). So soll die umstrittene Software Palantir der NRW-Polizei schon geholfen haben. WDR. https://www1.wdr.de/nachrichten/landespolitik/palantir-fahndungserfolge-100.html.

Mahnken, J., & Rabitz-Suhr, S. (2019). Auswertung und Analyse 4.0.: Das Projekt „Entwicklung Berufsbild Kriminalitätsanalytik“. Teil 1: Entstehen und Analyse der Ausgangssituation. der kriminalist, 51(12), 21–26.

Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work and think (1. publ). Murray.

Metaxa, D., Park, J. S., Robertson, R. E., Karahalios, K., Wilson, C., Hancock, J., & Sandvig, C. (2021). Auditing algorithms: Understanding algorithmic systems from the outside In. Foundations and Trends® in Human–Computer Interaction, 14(4), 272–344. https://doi.org/10.1561/1100000083.

Morozov, E. (2013). To save everything, click here: The folly of technological solutionism (First edition). PublicAffairs.

Münch, H. (2019). Kriminalitätsbekämpfung weiterdenken. Phänomene—Herausforderungen—Handlungsoptionen im Zeitalter von Big Data, Algorithmen und autonomen Systemen. Kriminalistik, 73(1), 11–16.

Nassehi, A. (2019). Muster. Theorie der digitalen Gesellschaft. Beck Verlag.CrossRef

Newman, O. (1996). Creating Defensible Space. U.S. Department of Housing and Urban Development. Office of Policy Development and Research. https://www.huduser.gov/publications/pdf/def.pdf.

Niemz, J., & Singelnstein, T. (2022). Racial Profiling als polizeiliche Praxis. In D. Hunold & T. Singelnstein (Hrsg.), Rassismus in der Polizei (S. 337–358). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-37133-3_16.

Peglow, D. (2022). Wann kommt eigentlich VeRA? P 20 und die digitale Transformation der Sicherheitsarchitektur – Mehr als ein IT-Projekt! der kriminalist, 7–8, 1–2.

Polizei Hessen. (2023). Innovation Hub 110. https://www.polizei.hessen.de/die-polizei/ausstattung-technik/innovation-hub-110/.

Prietl, B., & Houben, D. (2018). Einführung. Soziologische Perspektiven auf die Datafizierung der Gesellschaft. In D. Houben & B. Prietl (Hrsg.), Datengesellschaft (S. 7–32). Transcript Verlag. https://doi.org/10.1515/9783839439579-001.

Prince, A. E. R., & Schwarcz, D. (2020). Proxy discrimination in the age of artificial intelligence and big data. Iowa Law Review, 105(3), 1257–1318.

Robles, M. (2023). Three reasons why predictive hiring is a slippery slope. https://brookwoods.com/three-reasons-why-predictive-hiring-is-a-slippery-slope/.

Schweer, T. (2015). „Vor dem Täter am Tatort“ – Musterbasierte Tatortvorhersagen am Beispiel des Wohnungseinbruchs. Die Kriminalpolizei, 32(1), 13–16.

Seehofer, H. (2019). Zur Inneren Sicherheit. pvt Polizei Verkehr + Technik, 64(1), 3.

Shaw, C. R., & McKay, H. D. (1972). Juvenile delinquency and urban areas: A study of rates of delinquency in relation to differential characteristics of local communities in American cities (Rev. ed., 2. impr). Univ. of Chicago Press.

Sommerer, L. M. (2020). Personenbezogenes Predictive Policing: Kriminalwissenschaftliche Untersuchung über die Automatisierung der Kriminalprognose. Nomos.

Wagner, B., Lopez, P., Cech, F., Grill, G., & Sekwenz, M.-T. (2020). Der AMS-Algorithmus: Transparenz, Verantwortung und Diskriminierung im Kontext von digitalem staatlichem Handeln. Zeitschrift für kritik – recht – gesellschaft, 2, 191. https://doi.org/10.33196/juridikum202002019101.

Williams, B. A., Brooks, C. F., & Shmargad, Y. (2018). How algorithms discriminate based on data they lack: Challenges, solutions, and policy implications. Journal of Information Policy, 8, 78–115. https://doi.org/10.5325/jinfopoli.8.2018.0078.CrossRef

Titel: Diverse Daten, nicht-diskriminierende Algorithmen: Die Relevanz von Diversität im Rahmen der Datafizierung der Polizei
verfasst von: Simon Egbert
Verlag: Springer Fachmedien Wiesbaden
Buch: Diversität und Polizei
Print ISBN: 978-3-658-42564-7

Electronic ISBN: 978-3-658-42565-4

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-3-658-42565-4_14

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Wirtschaft"

Premium Partner