漫说为什么无法预测枪击案?

在发生了一系列的枪击案后,人们都想知道如何才能保护好自己。平时生活中是否存在一些需要留心的警告信息?如何判断某个人是否为精神病患者?他/她是否为极端主义分子?

在发生了一系列的枪击案后,人们都想知道如何才能保护好自己。平时生活中是否存在一些需要留心的警告信息如何判断某个人是否为精神病患者他/她是否为极端主义分子

不幸的是,目前我们仅仅知道恐怖分子通常为年轻的男性,对于其他个人特征我们毫不知情。我们国家有许多年轻男性,这给预测谁是恐怖分子带来了很大的麻烦。

另外一个使得预测难度大大增加的原因是枪击案发生的概率非常低。虽然美国一直存在枪支暴力问题,但是大多数人绝对不会犯这样的罪行。

事实上,特大枪击案犯的比例非常低,大多数人都是无攻击性的正常人,这也使得无法从数学上预测谁可能是特大枪击案犯。

纽约杂志的 Jesse Singal 在 2015 年安普瓜社区学院枪击案后发表了以下观点:“我们应该考虑是否回避枪支管制的问题。”他还提出我们应该注重量化枪击案犯的心理健康状况和其可能具有的相关特征。

但这是徒劳无功的。俄勒冈大学的心理学家 Sanjay Srivastava 提出了自己的看法:“即使你拥有很好的检测程序,但是当你讨论罕见事件时,预测模型通常不会按照你的思路进行运转。”即使是预测精度为 99% 的预测模型也没有任何用处。

让我们来看看为什么是这样的。

想象下科学家发明了一台可以预测谁将会发动恐怖袭击或者大规模屠杀行为

漫说为什么无法预测枪击案?

很明显,这是科幻小说中的故事情节。但是如果我们可以发明这样一台机器,我们希望用它来分析一个人大脑的复杂区域,然后分析每个人犯罪的潜意图。

此外,我们还想进一步监测人们的网络行为、社交关系和购买行为,然后利用这些数据来进一步确定谁比较有可能是杀手。

为了更好地说明问题,我们假设该机器的预测效果非常地好。

该机器拥有 99% 的预测精度

漫说为什么无法预测枪击案?

当然了,99% 的预测精度也是科幻小说中的故事情节。我们都无法很好地预测未来的天气情况,更别说预测人类复杂的行为情况。但是我们应该对具有 99% 预测精度的系统有信心,是吗

这样的系统意味着被识别为杀手的 99% 人将会发动恐怖袭击,被识别为和平公民的 99% 人将不会发动恐怖袭击。

这听起来效果不错。接下来让我们看下它是如何分析 100,000 人的情况

漫说为什么无法预测枪击案?

首先,我们假设这 100,000 人中确实存在一个恐怖分子。这意味着剩余的 99,999 人是合格的公民,他们不会发动任何恐怖袭击。

该机器具有 99% 的预测精度,因此它将成功地将这 99% 的人们打上“安全”标签。同时我们还假设该机器理论上可以正确识别出恐怖分子。

漫说为什么无法预测枪击案?

因此,原始的 100,000 个样本中只剩下 1,001 个人有可能是恐怖分子。

但是这意味着每一百个人中就有一个人的预测结果是错的。

漫说为什么无法预测枪击案?

对于 100,000 个人来说,该机器的预测结果中将包含 1,000 位误判为恐怖分子的人和 1 位真实的恐怖分子。

漫说为什么无法预测枪击案?

这意味着虽然该机器成功地识别出了恐怖分子,但是此人却隐藏在 1,000 名错判的恐怖分子之间。

漫说为什么无法预测枪击案?

如果我们用该机器测试美国的所有居民,它将会识别出 3.2 亿个恐怖分子。

漫说为什么无法预测枪击案?

那么,政府官员将会如何利用这个信息呢全面监视这 3.2 亿人吗在他们的家里安装窃听仪器么

毫无疑问,这个方案是不可行的。

2011 年挪威枪击事件过后,瑞典国防研究局曾探究过是否可以利用社交数据来识别出恐怖分子。以下是该机构于 2014 年发表的一篇论文:

在我们看来,制作一个自动识别恐怖分子的工具是不可能的事情。因为这需要涉及到庞大的数据(仅仅是从搜索引擎获得的数据),而且还要求我们了解更深层次的网络数据信息,比如视频数据或者图像数据。

漫说为什么无法预测枪击案?

从这里得到的教训是,人们事后很容易提炼出犯罪分子的某些行为特征。但是 Srivastava 认为这是事后马后炮行为,而不是真正的预测行为。

我们会发现网络上有很多年轻人都会发表一些带有不满情绪的信息。但是我们很难识别出究竟哪些人才是真正的危险恐怖分子,哪些人只是在行驶他们的言论自由权利。

既然我们无法很好地预测出恐怖分子,那么我们可以做些啥事情呢这里有个很好的答案,但许多人可能会对此感到不高兴。考虑到预测恐怖分子的难度之大,也许我们应该通过管控枪支数量来达到减少枪击案的效果。

原文链接: http://www.vox.com/2016/6/15/11934794/cartoon-predicting-a-mass-shooting-mathematically-impossible

原文作者: Brian Resnick & Javier Zarracina

译者: Fibears

本文为专栏文章,来自:数据工匠,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/22261.html 。

关注我们
关注我们
分享本页
返回顶部