Au-delà des scores de risque traditionnels : détecter les erreurs de classification du LS/CMI avec l'apprentissage-machine

Conférence-midi de William Arbour
Lundi 04 décembre, de 11h45 à 13h00
Format hybride (local C-2059 à l'UdeM et en Zoom)

Inscription obligatoire

---

Résumé :

Cet article étudie la fiabilité des méthodes d'évaluation du risque de récidive chez les détenus, en mettant en lumière les erreurs de classification provenant des méthodes traditionnelles pour bâtir des scores et catégories de risque. Nous utilisons des algorithmes d'apprentissage automatique pour analyser un grand échantillon d’évaluations LS/CMI réalisées entre 2008 et 2015 au Québec. Les résultats montrent que les scores et les catégories de risque traditionnels tendent à surévaluer le risque associé aux individus plus âgés et suggèrent que l'apprentissage automatique offre une alternative viable permettant de construire des catégories de risque moins biaisées. Les erreurs de classification sont dues 1) à certains éléments n'étant pas également pertinents en termes de prédiction du risque ; 2) à des informations recueillies par le LS/CMI étant exclues ou simplifiées lors de la construction des scores ; et 3) à l'omission de l'âge.

 

(C'est une étude réalisée en collaboration avec ces autres chercheurs : William Arbour, Sébastien Brouillette-Alarie, Guy Giguère, Guy Lacroix et Steeve Marchand)

Biographie :

 

William Arbour est économiste et Professeur adjoint au Département de sciences économiques (UdeM).