Artigo
Pedro das Neves
Aprisionamento e o custo do crime
O custo anual direto de uma pessoa privada de liberdade também varia muito entre países e regiões do mundo, indo de algumas centenas de dólares em alguns países da África ou da América Latina até cerca de 75.000 euros no Estado de Nova York, no Canadá ou na Noruega. Por sua vez, o custo total do crime e da reincidência, que inclui, entre outras variáveis, o custo de oportunidade e a ineficiência da intervenção e do tratamento penitenciário, a renda não gerada a partir dos cidadãos encarcerados, a renda não gerada em consequência dos homicídios, os custos diretos para as vítimas e os custos indiretos para a sociedade, que incluem a perda de qualidade de vida, a insegurança do cidadão e a falta de confiança dos agentes econômicos (Jaitman, L; et al, 2017) está em uma dimensão que poucos de nós podemos avaliar (na América Latina, esse custo representou, em 2014, 3% do PIB na região, ou seja, 236.236 bilhões de dólares).
A oportunidade da transição digital
O Sistema de Gerenciamento de Infratores (OMS ) define o sistema de informações usado pelas administrações penitenciárias e de liberdade condicional, às vezes compartilhado com profissionais de outras instituições que compõem o sistema de justiça criminal (por exemplo, polícia, órgãos de investigação criminal, defensores e juízes) para coletar, armazenar, recuperar, analisar e disponibilizar dados, informações e conhecimentos sobre os infratores que são necessários para a tomada de decisões sobre seus casos, enquanto cumprem suas penas na prisão ou na comunidade. Atualmente, ele é o sistema central de informações para as administrações penitenciárias.
A primeira geração de sistemas de gerenciamento de ofensores e sistemas de gerenciamento de prisões foi implementada em meados da década de 1990. Esses sistemas, agora chamados “sistemas herdados”, foram desenvolvidos à medida, com base em bancos de dados pesados e complexos. Desatualizados e longe de atender às necessidades de gerenciamento das organizações penitenciárias modernas, eles satisfazem as funções básicas de registro de dados e consulta para as quais foram originalmente projetados, e sua evolução ou interação com outros sistemas mais recentes é difícil, cara ou até mesmo inviável. Altos custos de manutenção, dados isolados que impedem a integração entre módulos ou sistemas, não conformidade com regulamentos recentes e problemas de segurança são alguns dos problemas desses sistemas, os quais persistem em muitos países.
A falta de informações sistematizadas e integradas em um único sistema sobre a pessoa privada de liberdade e a “trajetória” percorrida durante o cumprimento da pena (informações sobre sua situação processual, avaliações de risco e necessidades, participação em educação, formação, trabalho, mudanças comportamentais, conflitos e processos disciplinares, relacionamentos dentro e fora da prisão, comparecimento a julgamentos e outros procedimentos, registros clínicos, informações sobre vícios e saúde mental, entre outros) dificulta o trabalho dos técnicos e tomadores de decisão do sistema prisional, bem como o dos magistrados judiciais que devem tomar decisões sobre a alocação de medidas alternativas não privativas de liberdade, medidas de segurança, tratamento ou liberação antecipada.
Um OMS inteligente deve permitir que as administrações prisionais agreguem e correlacionem as informações geradas na linha de frente e as disponibilizem e utilizem para apoiar a tomada de decisões (judiciais e executivas) e o planejamento estratégico. A integração dos dados operacionais e do infrator com as informações de outros órgãos do sistema de justiça criminal será indispensável para o planejamento da intervenção prisional com o objetivo de ressocializar os infratores e reduzir a reincidência, mas também para a segurança pública (Jackson et al, 2015). Para apoiar o processo de avaliação e o tratamento prisional e fornecer informações contínuas sobre riscos, necessidades e contexto (social e institucional), um sistema que atenda às necessidades contemporâneas e futuras do sistema de justiça criminal deve incluir todos os processos que fazem parte da jornada do infrator, desde o início da detenção até a libertação em liberdade condicional ou o fim da pena.
Contribuição para reduzir a reincidência
A avaliação do risco de reincidência e das necessidades de um infrator baseada em evidências é uma das principais preocupações dos tomadores de decisões judiciais e dos profissionais dos sistemas penitenciário e de liberdade condicional. Altos níveis de reincidência têm custos sociais muito altos, conforme mencionado acima, e revelam a ineficácia dos sistemas penitenciários e de liberdade condicional, bem como dos sistemas e estruturas de apoio social para pessoas socialmente vulneráveis.
A avaliação dos infratores e a elaboração e implementação de intervenções especializadas para motivar a mudança de comportamento e modificar os fatores de risco de reincidência é, portanto, um elemento-chave das políticas de gestão prisional e tem um escopo que vai muito além da segurança, permitindo um melhor planejamento da intervenção prisional. O apoio às decisões judiciais de soltura contribui para a redução da população carcerária e para a alocação de níveis adequados de supervisão na comunidade, além de ser fundamental para a adequação dos programas de tratamento. Nesse contexto, o modelo Risco-Necessidade-Responsividade (RNR) tornou-se particularmente influente a nível internacional (Blanchette e Brown, 2006; Ward, Mesler e Yates, 2007).
Apesar dos avanços proporcionados pelos métodos de avaliação disponíveis, a complexidade da previsão do comportamento humano persiste, com implicações importantes para a política e a prática penitenciárias. O grande número de fatores situacionais que podem influenciar o comportamento violento – refletindo a interação entre características pessoais, influências ambientais, situações comportamentais passadas e presentes, eventos precipitantes e, às vezes, eventos casuais (Bandura, 2016) – dificulta a previsão (Douglas & Skeem, 2005; Polaschek, Calvert, & Gannon, 2009).
Com base nas evidências científicas disponíveis, é possível estabelecer cinco premissas centrais no campo da avaliação do infrator:
(i) A previsão da probabilidade de comportamento futuro pode ser quantificada (com alguma precisão);
(ii) Os métodos estruturados de avaliação de risco são mais precisos para prever a reincidência do que as abordagens “clínicas” não estruturadas;
(iii) Fatores contextuais, durante a execução da sentença, além de fatores criminológicos estáticos e dinâmicos, são elementos importantes a serem levados em conta na avaliação de risco;
(iv) Embora apoiado por avaliações, há um elevado grau de discricionariedade na tomada de decisões;
(v) As informações sobre o nível de risco e as necessidades dos infratores são muito úteis para que as administrações penitenciárias e de liberdade condicional tomem decisões de gerenciamento.
Portanto, um OMS inteligente deve permitir que as avaliações de risco e necessidades incluam as informações mais relevantes de forma sistemática, permitindo recomendações precisas adaptadas ao infrator e às suas circunstâncias (Russo, Drake, Shaffer, & Jackson, 2017). Atualmente em posse de grandes quantidades de dados (do registro das características individuais dos infratores, seu perfil de infração, o processo judicial, seu comportamento, atividades e relacionamentos durante o cumprimento da pena), as administrações penitenciárias e de liberdade condicional verão um crescimento exponencial no volume de dados gerados por sistemas tão diversos como os sistemas de identificação e monitoramento em tempo real, reconhecimento biométrico, CFTV inteligente, dispositivos RFID, sistemas de IoT, sistemas de registros médicos, comunicações telefônicas de presos, registro de atividades, processo judicial, entre muitos outros. A trajetória de inovação do setor impõe a criação de uma solução que assegure a integração de dados de múltiplas fontes – ‘fusão de dados’ – garantindo assim a produção de bases de dados consistentes e confiáveis, essenciais para a modelagem e análise preditivas (Pires et al., 2016, 2020 ).
Sistemas de previsão em contextos de execução penal
O sistema inteligente de gerenciamento de infratores HORUS 360ºiOMS
Promovido por uma equipe internacional e multidisciplinar, experiente na concepção e implementação de soluções e tecnologia no setor de justiça, o Sistema de Gestão Inteligente de Infratores HORUS 360ºiOMS foi projetado para atender às necessidades dos sistemas prisionais em diferentes níveis (local, nacional e federal) e foi desenvolvido por meio de um processo de pesquisa e desenvolvimento, com a participação de pesquisadores e profissionais do setor prisional com sólida experiência e conhecimento do setor e do estado da arte da tecnologia.
O HORUS 360ºiOMS permite gerenciar o ciclo de vida do detento (preso preventivo), preso (condenado) ou infrator condenado a uma pena não privativa de liberdade, até o final da pena, apoiando decisões relativas ao processo de ressocialização e definição de tratamento ou intervenção terapêutica; ou decisões judiciais (amparadas por laudos técnicos) para atribuição de medidas alternativas não privativas de liberdade ou decisão sobre medidas de segurança, tratamento ou liberdade antecipada, por meio de análises preditivas derivadas da análise de grandes volumes de dados (Big Data), utilizando tecnologias e algoritmos de Machine Learning / Inteligência Artificial (IA). Seu objetivo é apoiar a operação e as decisões de profissionais e gerentes de serviços penitenciários e de reintegração social (liberdade condicional) que gerenciam sistemas e subsistemas ou centros penitenciários, centros de detenção juvenil, centros educativos e serviços de execução custodial ou não custodial, bem como juízes de sentença e outros magistrados que precisam decidir com base em informações sobre o histórico criminal, os riscos e as necessidades do infrator.
Trata-se de uma solução comercial disponível no mercado (COTS)1, baseada na nuvem, multilíngue, configurável e personalizável, ágil e modular, escalável, segura e interoperável e financeiramente acessível à maioria das jurisdições, com capacidade de mesclar e analisar grandes volumes de dados de diversos sistemas e dispositivos, que, pronta para enfrentar os desafios da mobilidade, permite desmaterializar e automatizar fluxos e tarefas dos principais processos de gestão prisional e de reintegração social (comuns à maioria das jurisdições nacionais). Incorpora nativamente a avaliação contextual de riscos, a avaliação de riscos e necessidades, as ferramentas de avaliação psicológica e comportamental, bem como as principais tipologias de programas de intervenção e tratamento penitenciário. A solução permite prever o risco de comportamento criminoso e reincidência, com base em parâmetros derivados das avaliações de risco e necessidades (fatores de risco estáticos e dinâmicos) e das informações contextuais coletadas, aprendendo com casos anteriores e situações análogas, em conformidade com as principais diretrizes, recomendações e padrões internacionais aplicáveis.
As evidências sobre o que funciona – e o que não funciona – no gerenciamento e na intervenção com pessoas privadas de liberdade, mas também nas operações prisionais, em geral, são bem conhecidas. É preciso ter ambição para lidar com a transição digital nos sistemas de justiça criminal e nas operações prisionais, uma visão de transformação que contribua de forma mais eficaz para a redução da reincidência, a melhoria da segurança pública e a maior eficiência dos gastos públicos.
Uma nova visão requer sistemas modernos de gerenciamento, capazes de responder aos problemas que as administrações prisionais enfrentam hoje – diferentes daqueles das últimas décadas – com a flexibilidade e a capacidade de aprender e responder a problemas que não conhecemos hoje, mas que enfrentaremos no futuro.
Ser capaz de pensar de forma diferente e entender as implicações da transição digital é um desafio que os responsáveis pela administração penitenciária enfrentam.
Esse é um desafio que você não precisa enfrentar sozinho.
1 Os produtos comerciais prontos para uso (COTS) são pacotes de hardware ou software que são adaptados às necessidades da organização compradora após o fato, em vez de soluções personalizadas ou sob medida.
Referências
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 é CEO da IPS Innovative Prison Systems / ICJS Innovative Criminal Justice Solutions Inc. Trabalha na reforma da justiça criminal há mais de vinte anos. É formado em Sociologia e tem mestrado pelo College of Europe em Bruges, Bélgica. O Sr. das Neves recebeu o Prêmio de Excelência Penitenciária do ICPA (por Gestão e Formação de Pessoal) em 2017 e é membro do Conselho de Administração do ICPA desde outubro de 2018. É membro dos grupos de especialistas da Comissão Europeia (“DG JUST”) sobre a Implementação da Estratégia Europeia de Formação Judiciária e sobre a Implementação do Mandado de Detenção Europeu (como membro suplente). Na América Latina e no Caribe, Pedro trabalha com o Banco Interamericano de Desenvolvimento (BID) em vários projetos penitenciários e de segurança cidadã em diversos países.
Publicidade
