Artículo
Pedro das Neves
El encarcelamiento y el coste del crimen
Promover la reducción de la reincidencia y el desistimiento debería ser, por tanto, un imperativo de toda política social, de seguridad y de justicia penal.
La oportunidad de la transición digital
El Sistema de Gestión de Infractores define el sistema de información utilizado por las administraciones penitenciarias y de libertad condicional, a veces compartido con profesionales de otras instituciones que componen el sistema de justicia penal (por ejemplo, la policía, los órganos de investigación criminal, los jueces y los jueces de sentencia) para recopilar, almacenar, recuperar, analizar y poner a disposición, datos, información y conocimientos sobre los infractores que son necesarios para tomar decisiones sobre sus casos mientras cumplen sus condenas, en prisión o en entornos comunitarios. Constituye el sistema de información neurálgico de las administraciones penitenciarias en la actualidad.
La primera generación de sistemas de gestión de infractores y de sistemas de gestión de cárceles se implantó a mediados de los años noventa. Estos sistemas, hoy “sistemas heredados”, se desarrollaron en su momento a medida, basándose en bases de datos complejas y pesadas. Anticuados y lejos de responder a las necesidades de gestión de las organizaciones penitenciarias y de reinserción modernas, satisfacen las funciones básicas de registro y consulta de datos para las que fueron concebidos en un principio, y su evolución o interacción con otros sistemas más recientes resulta difícil, costosa o incluso inviable. Los elevados costes de mantenimiento, los silos de datos que impiden la integración entre módulos o sistemas, el incumplimiento de la normativa reciente y los problemas de seguridad son algunos de los problemas de este tipo de sistemas que persisten en muchos países.
La falta de información sistematizada e integrada en un único sistema sobre la persona privada de libertad y la “trayectoria” seguida durante la condena (información sobre su situación procesal, valoraciones de riesgos y necesidades, participación en educación, formación, trabajo, cambios conductuales, conflictos y procesos disciplinarios, relaciones dentro y fuera de la cárcel, asistencia a juicios y otras diligencias, expedientes clínicos, información sobre adicciones y salud mental, entre otros) dificulta el trabajo de los técnicos penitenciarios y de los responsables de la toma de decisiones, así como el de los magistrados judiciales. asistencia a juicios y otras diligencias, historias clínicas, información sobre adicciones y salud mental, entre otros) que sustentan el tratamiento y la toma de decisiones en prisión dificultan la labor de los técnicos y responsables penitenciarios, así como la de los magistrados judiciales que deben tomar decisiones sobre la atribución de medidas alternativas no privativas de libertad, medidas de seguridad, tratamiento o libertad anticipada.
Un sistema OMS inteligente debe permitir a las administraciones penitenciarias agregar y correlacionar la información generada en primera línea y ponerla a disposición y utilizarla para apoyar la toma de decisiones (judiciales y ejecutivas) y la planificación estratégica. La integración de los datos operativos y sobre infractores con la información procedente de otros organismos del sistema de justicia penal será indispensable para planificar la intervención penitenciaria destinada a resocializar a los infractores y reducir la reincidencia, pero también la seguridad pública (Jackson et al., 2015). Para apoyar el proceso de evaluación, y el tratamiento penitenciario y proporcionar información continua sobre el riesgo, las necesidades y el contexto (social e institucional), un sistema que responda a las necesidades contemporáneas y futuras del sistema de justicia penal debe incluir todos los procesos que forman parte del recorrido del infractor desde el inicio de la detención hasta su puesta en libertad condicional o el fin de la condena.
Contribución a la reducción de la reincidencia
La evaluación basada en pruebas del riesgo de reincidencia y las necesidades de un infractor es una de las principales preocupaciones de los responsables judiciales y los profesionales de los sistemas penitenciario y de libertad condicional. Los altos niveles de reincidencia tienen costes sociales muy elevados, como ya se ha mencionado, y revelan la ineficacia de los sistemas penitenciarios y de libertad condicional, así como de los sistemas y estructuras de apoyo social a las personas socialmente vulnerables.
La evaluación de los infractores y el diseño e implementación de intervenciones especializadas para motivar el cambio de comportamiento y modificar los factores de riesgo de reincidencia es, por tanto, un elemento clave de las políticas de gestión penitenciaria y tiene un alcance que va mucho más allá de la seguridad, permitiendo una mejor planificación de la intervención penitenciaria. El apoyo a las decisiones judiciales de excarcelación contribuye a la reducción de la población penitenciaria y a la asignación de niveles adecuados de supervisión en la comunidad, y es también fundamental para la adecuación de los programas de tratamiento. En este contexto, el modelo Riesgo-Necesidad-Responsividad (RNR) ha adquirido especial influencia a escala internacional (Blanchette y Brown, 2006; Ward, Mesler y Yates, 2007).
A pesar de los avances proporcionados por los métodos de evaluación disponibles, la complejidad de la predicción de la conducta humana persiste, con importantes implicaciones para la política y la práctica penitenciarias. El gran número de factores situacionales que pueden influir en la conducta violenta -reflejando la interacción entre características personales, influencias ambientales, situaciones conductuales pasadas y presentes, acontecimientos precipitantes y, en ocasiones, sucesos fortuitos (Bandura, 2016)- dificulta la predicción (Douglas & Skeem, 2005; Polaschek, Calvert, & Gannon, 2009).
No obstante, a partir de las pruebas científicas disponibles, es posible establecer cinco premisas centrales en el ámbito de la evaluación de infractores:
i. se puede cuantificar (con cierta precisión) la predicción de la probabilidad de futuros comportamientos delictivos;
ii. Los métodos estructurados de evaluación de riesgos son más precisos para predecir la reincidencia que los enfoques “clínicos” no estructurados;
iii. Los factores contextuales, durante la ejecución de la pena, además de los factores criminológicos estáticos y dinámicos, son elementos importantes para tener en cuenta en la evaluación del riesgo;
iv. Aunque se apoyen en evaluaciones, existe un alto grado de discrecionalidad en la toma de decisiones;
v. La información sobre el nivel de riesgo y las necesidades de los infractores es de gran utilidad para que las administraciones penitenciarias y de libertad condicional tomen decisiones sobre su gestión.
Por lo tanto, un sistema OMS inteligente debe permitir que las evaluaciones de riesgos y necesidades incluyan la información más relevante, de forma sistemática, permitiendo recomendaciones precisas adaptadas al infractor y a sus circunstancias (Russo, Drake, Shaffer, & Jackson, 2017). Actualmente poseedoras de grandes cantidades de datos (procedentes del registro de las características individuales de los infractores, su perfil delictivo, el proceso judicial, su comportamiento, actividades y relaciones durante el cumplimiento de la condena), las administraciones penitenciarias y de libertad condicional verán crecer exponencialmente el volumen de datos generados por sistemas tan diversos como los sistemas de identificación y monitorización en tiempo real, el reconocimiento biométrico, los CCTV inteligentes, los dispositivos RFID, los sistemas IoT, los sistemas de historias clínicas, las comunicaciones telefónicas de los internos, el registro de actividades, el proceso judicial, entre otros muchos. La trayectoria de innovación del sector impone la creación de una solución que asegure la integración de datos de múltiples fuentes – “fusión de datos“, garantizando así la producción de bases de datos consistentes y fiables, esenciales para el análisis y la modelización predictiva (Pires et al., 2016, 2020).
En el contexto de los sistemas OMS, el análisis predictivo puede, por ejemplo, ayudar en la proyección, a medio y largo plazo, de la población penitenciaria o de los individuos sujetos a medidas no privativas de libertad. Una proyección precisa permite tomar decisiones sobre la planificación de los espacios de detención, así como la optimización de los recursos humanos y técnicos, derivados de la reorientación para apoyar el cumplimiento de medidas en la comunidad. La identificación de infractores de bajo riesgo que pueden beneficiarse de la libertad puede contribuir a la reducción de la población penitenciaria. La capacidad predictiva también puede permitir que el sistema recomiende los programas de tratamiento más adecuados para los reclusos o grupos de reclusos, con el fin de que disfruten de un proceso de rehabilitación y reinserción más eficaz.
El análisis multidimensional resultante de la fusión de datos más el análisis predictivo mediante Inteligencia Artificial (IA) contribuye a la equidad de la decisión al reducir la descripción subjetiva inherente y los potenciales problemas de sesgo o prejuicio (Tollenaar, 2019), constituyendo una herramienta de apoyo -nunca de sustitución- a las decisiones de profesionales y gestores.
Sistemas de predicción en contextos de ejecución penal
El sistema inteligente de gestión de infractores HORUS 360ºiOMS
Impulsado por un equipo experimentado en el diseño e implementación de soluciones y tecnología en el sector de la justicia, el Sistema Inteligente de Gestión de Infractores HORUS 360ºiOMS ha sido diseñado para satisfacer las necesidades de los sistemas penitenciarios de los más diferentes niveles (local, nacional y federal) y ha sido desarrollado a partir de un proceso de investigación y desarrollo, con la participación de investigadores y profesionales penitenciarios con sólida experiencia y conocimiento del sector y del estado del arte de las tecnologías disponibles, procedentes de diferentes partes del mundo.
El HORUS 360ºiOMS permite gestionar el ciclo de vida del detenido (preso preventivo), preso (condenado) o infractor condenado a una pena no privativa de libertad, hasta el final de la condena, apoyando las decisiones relativas al proceso de rehabilitación y definición de tratamiento o intervención terapéutica; o decisiones judiciales (apoyadas en informes sociales y técnicos) para atribuir medidas alternativas no privativas de libertad o decidir sobre medidas de seguridad, tratamiento o libertad anticipada, mediante análisis predictivos derivados del análisis de grandes volúmenes de datos (Big Data), utilizando tecnologías y algoritmos de Machine Learning / Inteligencia Artificial (IA).
Está orientado a apoyar el funcionamiento y las decisiones de los profesionales y gestores de los servicios penitenciarios y de reinserción social (libertad vigilada) y de los operadores penitenciarios privados (en el ámbito de la colaboración público-privada), que gestionan sistemas y subsistemas o centros penitenciarios, centros de detención centros educativos (de menores) y servicios de ejecución de penas privativas o no privativas de libertad (a nivel nacional, federal, estatal o municipal), así como jueces sentenciadores y otros magistrados que tienen que tomar decisiones basadas en la información sobre la trayectoria delictiva, los riesgos y las necesidades de un infractor.
Se trata de una solución comercial disponible en el mercado2 (COTS), basada en la nube, multilingüe, configurable y personalizable, ágil y modular, escalable, segura e interoperable y financieramente accesible para la mayoría de las jurisdicciones, con capacidad para fusionar y analizar grandes volúmenes de datos procedentes de diversos sistemas y dispositivos, que, preparada para afrontar los retos de la movilidad, permite desmaterializar y automatizar flujos y tareas de los principales procesos de gestión penitenciaria y reinserción social (comunes a la mayoría de las jurisdicciones nacionales). Incorpora de forma nativa herramientas de evaluación de riesgos contextuales, evaluación de riesgos y necesidades y evaluación psicológica y conductual, así como las principales tipologías de programas de intervención y tratamiento penitenciario. La solución permite predecir el riesgo de conducta delictiva y de reincidencia, a partir de parámetros derivados de las evaluaciones de riesgos y necesidades (factores de riesgo estáticos y dinámicos) y de la información contextual recogida, aprendiendo de casos anteriores y situaciones análogas, cumpliendo las principales directivas, recomendaciones y normas internacionales aplicables.
Los datos sobre lo que funciona -y lo que no funciona- en la gestión de riesgos e intervención penitenciaria, pero también en el funcionamiento de las prisiones en general, son bien conocidos. Se necesita ambición para afrontar la transición digital en los sistemas de justicia penal y las operaciones penitenciarias, una visión de la transformación que contribuya más eficazmente a la reducción de la reincidencia, la seguridad pública y una mayor eficiencia del gasto público.
Una nueva visión requiere sistemas modernos de gestión de infractores, capaces de responder a las cuestiones a las que se enfrentan hoy las administraciones penitenciarias -distintas de las de las últimas décadas-, con la flexibilidad y la capacidad de aprender y responder a cuestiones que hoy desconocemos, pero a las que nos enfrentaremos en el futuro.
Ser capaz de pensar de forma diferente y comprender las implicaciones de la transición digital es un reto al que se enfrentan los responsables de la administración penitenciaria.
Es un reto al que no tiene por qué enfrentarse solo.
1 Sin embargo, son dignas de elogio las iniciativas del National Institute of Justice (NIJ) de EE.UU. – es decir, la agencia de investigación y desarrollo del Departamento de Justicia de EE.UU. – centradas en el uso de la IA para predecir la reincidencia en individuos sujetos a medidas privativas y no privativas de libertad.
2Los productos comerciales disponibles en el mercado (COTS) son equipos o programas informáticos empaquetados, que se adaptan a posteriori a las necesidades de la organización compradora, en lugar de encargar soluciones a medida, o hechas a medida.
Referencias
Blanchette, K., & Brown, S. L. (2006). The assessment and treatment of women offenders: An integrative perspective. Chichester, England: John Wiley & Sons.
Bandura, Albert (2016). Moral Disengagement: How People Do Harm and Live with Themselves. New York, NY: Worth Publishers, 2016.
Batarseh, F. A., Mohod, R., Kumar, A., & Bui, J. (2020). The application of artificial intelligence in software engineering. In Data Democracy (pp. 179-232). Elsevier.
Douglas, K. S., & Skeem, J. L. (2005). Violence risk assessment: getting specific about being dynamic. Psychology, Public Policy, and Law, 11(3), 347.
Evans, A. M. (2015). A Administração Tributária em Portugal. In Alejandro Portes & M. Margarida Marques (Dir.), Values, institutional quality, and development in Portugal (pp. 81-113). (Foundation Studies). Lisbon: Francisco Manuel dos Santos Foundation.
Hao, K. (2019). “AI is sending people to jail and getting it wrong: Using historical data to train risk assessment tools could mean that machines are copying the mistakes of the past”, MIT Technology Review, January 21,2019.
Jackson, B., Russo, J. Hollywood, J.S., Silberglitt, R., Woods (2015). Fostering Innovation in Community and Institutional Corrections: Identifying High-Priority Technology and Other Needs for the U.S. Corrections Sector. National Institute of Justice and Rand Corporation.
Jaitman, Laura et al (2017). The Costs of Crime and Violence: New Evidence and Insights in Latin America and the Caribbean. Inter-American Development Bank.
Khayyam, H., Javadi, B., Jalili, M., & Jazar, R. N. (2019). Artificial Intelligence and Internet of Things for Autonomous Vehicles. In Nonlinear Approaches in Engineering Applications (pp. 39-68). Springer International Publishing.
Lin, Z. J., Jung, J., Goel, S., Skeem, J. (2020). “The limits of human predictions of recidivism”. Science Advances 6, eaaz0652 (2020).
Matias, I., Garcia, N., Pirbhulal, S., Felizardo, V., Pombo, N., Zacarias, H., Sousa, M., Zdravevski, E., “Prediction of Atrial Fibrillation using artificial intelligence on Electrocardiograms: A systematic review,” Computer Science Review, Volume 39, 2021, 100334, ISSN 1574-0137
Misuraca, G., Barcevičius, E., Codagnone, C. (Eds.) (2020). Exploring Digital Government Transformation in the EU – Understanding public sector innovation in a data-driven society, EUR 30333 EN, Publications Office of the European Union, Luxembourg, 2020, ISBN 978-92-76-21326-0, doi:10.2760/480377, JRC121548.
Ophir, Y., Tikochinski, R., Asterhan, C.S.C. et al. (2020). Deep neural networks detect suicide risk from textual facebook posts. Sci Rep 10, 16685.
Pires, I., Garcia, N., Pombo, N., Flórez-Revuelta, F. (2016). “From Data Acquisition to Data Fusion a Comprehensive Review and a Roadmap for the Identification of Activities of Daily Living using Mobile Devices,” in sensors, MDPI, 2016, vol. 16(2), pp. 184, January 2016.
Pires, I. M., Hussain. F., Garcia, N. M., Zdravevski, E. (2020). “Improving Human Activity Monitoring by Imputation of Missing Sensory Data: Experimental Study,” in Future Internet, September 2020.
Polaschek, D. L., Calvert, S. W., & Gannon, T. A. (2009). Linking Violent Thinking: Implicit Theory-Based Research with Violent Offenders. Journal of Interpersonal Violence, 24(1), 75-96.
Pombo, N., Araújo, P., & Viana, J. (2014). Knowledge discovery in clinical decision support systems for pain management: A systematic review. Artificial Intelligence in Medicine, 60(1), 1-11.
Russo, J., Drake, G., Shaffer, J., & Jackson, B. (2017). Envisioning an alternative future for the corrections sector within the U.S. criminal justice system. Arlington, VA: RAND.
Tollenaar N, van der Heijden PGM (2019). Optimizing predictive performance of criminal recidivism models using registration data with binary and survival outcomes. PLoS ONE 14(3): e0213245.
Walmsley, R. (2021). World Prison Population List. Thirteenth edition. Institute for Criminal Policy Research, Birckbeck University of London. London.
Ward, T., Mesler, J., & Yates, P. (2007). Reconstructing the Risk-Need-Responsivity model: A theoretical elaboration and evaluation. Aggression and Violent Behavior, 12, 08-228.
Zeng, J., Ustun, B. and Rudin, C. (2017). Interpretable classification models for recidivism prediction. Journal of the Royal Statistical Society A, 180: 689-722.
Pedro das Neves es el director ejecutivo de IPS Innovative Prison Systems / ICJS Innovative Criminal Justice Solutions Inc. Pedro ha trabajado en la reforma de la justicia penal durante más de veinte años, participando en proyectos en más de 40 países. Es licenciado en Sociología y tiene un máster del Colegio de Europa en Brujas, Bélgica, con varias experiencias internacionales de educación en temas como liderazgo, innovación, transformación digital e Inteligencia Artificial (Univ. de Virginia, MIT, Univ. de Chicago). Pedro fue galardonado con el Premio a la Excelencia Correccional (Gestión y Formación del Personal) de la Asociación Internacional de Correccionales y Prisiones (ICPA) en 2017 y es miembro de la Junta Directiva de ICPA desde octubre de 2018. Es miembro de los grupos de expertos de la Comisión Europea (‘DG JUST’) sobre la Implementación de la Estrategia Europea de Formación Judicial y sobre la Implementación de la Orden de Detención Europea (como miembro suplente). Pedro colabora con la Oficina de las Naciones Unidas contra la Droga y el Delito en Oriente Medio y Asia Central. En América Latina y el Caribe trabaja con el Banco Interamericano de Desarrollo (BID) en varios proyectos de seguridad ciudadana y penitenciaria en diversos países.
Publicidad
