For mange typer problemer er det en fordel ? kunne intervenere tidlig – gjerne s? tidlig som mulig. Dette gjelder s?rlig adferdsproblemer, knyttet til bl.a. rusmisbruk og kriminalitet osv. Noen hevder ogs? at slik adferd er mulig ? forutsi tidlig, noen ganger sv?rt tidlig. Dette kan jo tenkes ? v?re positivt b?de for samfunnet og for den enkelte. Dette b?r i s? fall v?re godt empirisk fundert. I likhet med andre typer risikovurderinger er det forutsetninger knyttet b?de til dataene, hvordan prediksjonen gj?res, forventede feilrater og hvordan disse vurderes. Hvordan alt dette vurderes vil jo ogs? ha sammenheng med hva slags tiltak man kunne tenke seg ? sette i verk, da det jo b?de b?r v?re rimelig treffsikkert, proporsjonalt – og ikke minst: rettferdig.
Jeg vil diskutere noen slike problemstillinger opp mot noen empiriske eksempler.
Leselekse
Berk, Richard A. ; Sorenson, Susan B. ; Barnes, Geoffrey (2016) “Forecasting Domestic Violence: A Machine Learning Approach to Help Inform Arraignment Decisions”, Journal of Empirical Legal Studies 13(1) https://onlinelibrary.wiley.com/doi/full/10.1111/jels.12098
Avshalom Caspi ; Renate M. Houts ; Daniel W. Belsky ; Honalee Harrington ; Sean Hogan ; Sandhya Ramrakha ; Richie Poulton ; Terrie E. Moffitt (2016), “Childhood forecasting of a small segment of the population with large economic burden”, Nature Human Behaviour 1(1) 2016-12-12 https://www.nature.com/articles/s41562-016-0005
Leselisten tematiserer noen viktige momenter, men jeg vil ikke g? veldig i detalj p? noen av dem.