基于大数据的罪犯危险性行为场交互理论研究

基于大数据的罪犯危险性行为场交互理论研究

司法部傅政华部长在2018年6月28日召开的全国监狱工作会议上指出。他强调，要充分发挥教育改革的主导作用，推动教育改革专业化，对所有罪犯进行风险评估和质量评估，为有效控制罪犯，提高转型的准确性和效率提供重要依据。这凸显了新形势下监狱教育改造功能的再次升华。广东监狱经历了近两年的探索与实践，借助于押犯量大、犯罪类型样本丰富的研究优势，结合大数据以及结构方程分析处理方法，初步形成了一套比较科学的、系统的、具有实践价值的广东监狱罪犯“多维交互危险性评估系统”（Multidimensionalinteractiveriskassessmentsystem,简称MIRAS）工具样本，为认识罪犯、甄别危险、实现重点管控、提升罪犯改造质量提供了较为科学的参考依据。一、罪犯危险性评估的必要性根据罪犯危险等级分配司法资源，既可以降低司法成本，也可以提高司法效能，其中司法实践就是“危险管理”,而对罪犯进行危险性评估是危险管理的重要依据，其准确程度将直接影响危险控制的效果。（一）危险评估工作需要采用党的规则新刑罚学对犯罪生涯以及团伙犯罪开展了广泛深入的研究，发现“少数人实施多数犯罪”，提出如果能“标定”出危险性大的罪犯，并对他们加以管控，全社会的犯罪将会得到有效控制，而且控制成本将大大降低，社会安全性将得到极大提高。这也就是二八定律在危险管理中的实践应用。源于实践经验总结的海恩法则指出，每一起严重事故的背后，必然有29次轻微事故和300起未遂先兆以及1000起事故隐患。对征兆、苗头等小事件的排查能对问题进行有效防控。这对于危险评估工作具有重要借鉴意义。要进行有效管控与预防，我们需要找出这些危险征兆，“标定”危险罪犯，以对占少数的、具有高度危险的罪犯严格管控，最大限度地保证监狱的安全。（二）罪犯类别评估的基础—场动力理论社会心理学认为，人的心理和行为决定于内部需要和环境的相互作用，个体过去和现在形成的内在需求可以看成是内在的心理力场。当人的需要未得到满足时，会产生内部力场的张力，即紧张状态，而环境则起着导火索的作用。这就是K·勒温著名的心理学场论。罪犯的危险性行为也必然依照这一规律，由此引申提出了“罪犯危险性行为场交互理论”，用公式表示为：RB=F(CE*CP)。RB代表危险行为方向和向量，CE代表犯罪人受到的环境刺激，CP代表犯罪人的内在需求，F代表某个函数关系。根据这一理论，我们将收集、甄别内在需求以及环境刺激中存在的危险性因素作为评估的基础，将内在需求信息区分为稳定特质与可变特质，将环境刺激信息区分为日常改造行为和异常狱情，这种静态因素与动态因素、日常行为与异常行为的交互表达构成一副相对完整、准确、动态的“罪犯甄别图谱”，为科学评估提供有效支持。实践中，我们对公式进行具体化，R表示危险类型，B表示危险类型的分数向量；RB表示危险类型评估分数（根据阈值判断等级）。CE表示动态影响因子（环境刺激因素），结合监管改造实践，我们进行了分析整理，主要包含日常改造行为（Ce1E1）、重点危险行为（阳性因子）（Ce2E2）、危险预警行为（阳性因子）（Ce3E3）；CP表示内在需求观察变量中的稳定和可变特质因子,基于因子的不同来源和不同特质，运用自评量表和他评量表进行收集，形成自评因子（Cp1P1）和他评因子（Cp2P2）。用公式表示：RB=F(CE*CP);CE=(Ce1E1)+(Ce2E2)+(Ce3E3);CP=(Cp1P1)+(Cp2P2);RB=F[(Ce1E1+Ce2E2+Ce3E3)*(Cp1P1+Cp2P2)]。（三）结构方程模型分析方法在罪犯危险性评估工具中的应用危险性的分析源于多元数据，既要找出现实危险又要预测潜在危险，因此，在对多种分析方法进行研究比较的基础上，我们将结构方程模型分析方法应用于罪犯危险性评估工具的研发。结构方程模型可以很好地对抽象建构指标进行检验和加权组合，将事物的客观状态以因果假设的方式加以呈现，然后以量化的资料加以验证，是一种实证分析模型方法。二、评估机构的设置罪犯危险性评估工作是科学认识罪犯的一项基础性工作，监狱机关通过运用专门的技术和方法，对罪犯发生危及监狱秩序与稳定的脱逃、行凶、自杀等行为以及再犯罪的可能性进行系统科学的评估和预测，从而提高监狱管控、教育罪犯的准确性和有效性，并对刑释人员的社会危险性进行提示。罪犯个体在不同阶段的心理需求以及所受环境刺激影响是不同的，因此评估需要从时空上进行分解，分为入监期、改造中期、出监期评估以及随时可能发生的即时动态评估。不同维度的测量工具是不同的，因此入监期、改造中期、即时评估要分别对脱逃、行凶、自杀进行危险程度评估，而出监阶段则进行再犯罪可能性评估。（一）研究变量的选择1.构建显变量评估体系对罪犯危险性评估而言，目标是从罪犯个体以及监管民警的角度构建“罪犯危险性评估工具”，这会涉及许多抽象建构，以了解罪犯个体自我评价的真实性、民警评估的态度、信息来源是否准确等等。因此，构建罪犯危险性评估工具首先要对涉及的抽象建构转化成可定量分析的指标，还要配置指标权重，从而构成完整的评估体系。作为抽象构建指标，自杀、行凶、脱逃、再犯罪是结构方程的潜变量，无法直接测量，要通过各个观察变量也就是显变量来实现对潜变量的测量。在指标体系构建上，每种危险类别的观察点是不同的，同一种类别的危险在罪犯服刑的不同阶段又呈现出不同的表现形式。因此，我们分别建立不同类型危险性的三级评估指标体系，并对不同服刑阶段同类危险性评估的观察变量进行调整。以罪犯入监自杀危险性量表为例，三级指标分别为：自杀因子为一级指标，精神情绪、躯体疼痛、家庭变故、改造受挫，自杀预谋为二级指标，观察变量（显变量）为三级指标。以罪犯入监行凶危险性量表为例，三级指标分别为：行凶因子为一级指标，精神情绪、犯罪认识、成长经历、异常行为、生活变化为二级指标，观察变量（显变量）为三级指标；以罪犯入监脱逃危险性量表为例，三级指标分别为：脱逃因子为一级指标，异常行为、生活现状、狱外影响、犯罪恶性为二级指标，观察变量（显变量）为三级指标，等等。2.观察变量设置在研究实际问题时，往往希望尽可能多的收集相关信息，从而使研究对象能够通过大量的变量数据全面而完整地反映出来。在量表编制之初，我们通过文献收集法、群体访谈法、调查问卷法、专家访谈法等，项目库采集了危险相关信息要素307个，按稳定与可变特质分为稳定要素198个，可变要素109个；按照不同类别分为自杀倾向要素109个、行凶倾向要素120个、脱逃倾向要素89个，重新犯罪倾向要素75个，其他要素77个。但在实际工作中进行数据建模时，过多的变量可能难以达到预期效果，反而使统计分析复杂化。既要减少变量又避免信息缺失，我们通过因子分析法、模糊层次分析法等对变量进行多次筛选，使变量更加聚焦，观察点更加明确，最终形成了自杀倾向要素28个，行凶倾向要素24个，脱逃倾向要素17个，再犯罪倾向要素45个，这些观察变量也就构成了题项。综合狱内自杀、行凶、脱逃案件以及管教经验，最终梳理了入监阶段观察变量80个，改造中期观察变量100个，即时动态观察变量67个，出监阶段观察变量45个，采用两分量表法，最终设计成罪犯入监、中期、即时、出监危险性评估初始问卷进行试测。以下将以罪犯入监阶段危险性评估量表为例，对工具研发过程进行说明。3.调查问卷的收集本次试测运用罪犯入监危险性评估初始问卷进行访谈，访谈对象为东莞、惠州、佛山、女子、北江、广州、清远、阳江和其他监狱的1618名入监阶段在押罪犯，共收集到有效问卷1618份。（二）罪犯风险评估量表的分析1.罪犯入监危险性评估量表总体信度信度即可靠性或可信性，指测量结果的一致性或稳定性，即测量工具能否稳定地测量到它要测量的事项。在本次分析中使用Cronbachα系数检验量表的内部一致性系数。通过对入监总量表以及自杀、行凶、脱逃3个分量表内部一致性系数的分析，了解了各个题项是否测量了相同的内容或特质以及题项之间的信度关系。Hair,Anderson,Taehan,eta1.(1988)指出，内部一致性系数大于0.7表明量表的可靠性较高；在探索性研究中，内部一致性系数可以小于0.7，但应大于0.6表明量表是有效的。罪犯入监危险性评估量表题项共80项，总体信度分析结果显示，克隆巴赫系数为0.839；罪犯入监自杀倾向危险性评估量表题项为28项，克隆巴赫系数为0.747；罪犯入监行凶倾向危险性评估量表题项为25项，克隆巴赫系数为0.698；罪犯入监脱逃倾向危险性评估量表题项为20项，克隆巴赫系数为0.640。数据表明，罪犯入监危险性评估量表总体的Cronbachα系数为0.839，自杀、行凶、脱逃3个分量表的Cronbachα系数也超过了0.6的可接受水平，表明量表具有较高的可靠性。2.自杀倾向危险性评估量表分析结果效度即有效性，它是指测量工具或手段能够准确测出所需测量的特质程度。效度越高表示测量结果越能显示出所要测量对象的真正特征。为了考核量表的项目设置是否符合理论构想，在本次分析中，从结构效度方面进行检验。结构效度又称构想效度，是理论上的、无形的品质或者特质。在罪犯危险性评估测验中的结构效度（ConstrustValidity）就是指测验在多大程度上能够测量复杂的、多方面的与理论紧密相联的心理行为特征。一般通过KMO和Bartlett球形检验来进行适合性分析。以入监自杀危险性评估量表为例进行说明：（1）检验KMO值。对入监自杀倾向危险性评估量表相关数据进行KMO和巴特利特检验，结果显示KMO值大于0.8，并且P值<0.01，通过了显著性水平为0.01的巴特利球型检验，说明自杀倾向内部结构适合进行因子分析。（2）累计方差贡献率。方差贡献率是指单个公共因子引起的变异占总变异的比例，说明此公共因子对因变量的影响力大小；累计方差贡献率是所有公共因子引起的变异占总变异比例，说明所有公共因子对因变量的合计影响力。入监自杀倾向危险性评估量表相关数据方差贡献率分析结果显示，自杀倾向内部可抓取6个有影响力的公共因子，累计方差解释率为46.464，也即总体多于46.464%的信息可以由前6个公因子来解释。从这个数据来看，还可以进行项目分析优化题项。（3）碎石图。入监自杀倾向危险性评估量表碎石图数据表明，自杀倾向内部可以分成5个维度，这与二级指标设定的精神情绪、躯体疼痛、家庭变故、改造受挫、自杀预谋5个维度相吻合。（4）因素负荷矩阵。入监自杀倾向危险性评估量表旋转后的成分矩阵分析结果显示，根据因素负荷高于0.35的原则，可筛选出6个公共因子，同时因子载荷情况也得到了明确，其内部分类与二级指标设定的5个维度题项分类大致相同。3.自杀倾向危险性评估量表聚类分析是一种探索型分析，目的是为了观察每一组数据的特征，集中对特定的聚簇集合做进一步分析。以入监自杀倾向危险性评估量表为例，聚类分析结果显示数据分成了4个聚类，每个聚类的个案数量分别是412条、459条、375条、372条，与二级指标设定的5个维度题项分类较为接近。入监自杀倾向危险性评估量表单因素方差分析结果显示，28个题项（观察变量）在类间分布均有差异，说明这28个题项对分类结果均起作用。（三）入监自杀倾向危险性评估罪犯危险行为场动力的实践运用为了更好地找出潜变量之间以及非潜变量测量指标以外的观察变量之间的关系，我们采用结构方程模型对涉及罪犯危险性评估的变量进行处理。结构方程模型不仅具有理论验证的特点，可以对罪犯危险行为场动力理论的实践运用进行检验，同时还考虑测量误差的影响，可以同时处理几个因变量，并能对模型的拟合情况进行整体评价，是对传统因素分析和路径分析的继承和发展。对建立的模型与数据的拟合程度进行了检验，以入监自杀倾向危险性评估模型拟合结果为例，题项对应不同的因子都呈现显著性指标。初始模型拟合指标显示，近似误差均方根RMSEA值为0.07，小于0.08，拟合优度指标GFI值为0.853，调整后拟合度指数AGFI值为0.829，大于0.8，数据符合评价标准。（四）危险等级人群的基本符合实际总结试点监狱多年来的监管改造实践经验，将罪犯危险性分为四级，对每级比例进行了划分。以入监阶段自杀危险量表为例，极高分占比约为1.5%，人数为25人，对应T分为75≤T≤101.16；高分占比约为2.9%，人数为55人，对应T分为67.15≤T<75；中分占比约为40.9%，人数为640人，对应T分为51.45≤T<67.15；低分占比约为54.7%，人数为898人，对应T分为30.53≤T<51.45。专管警察通过对各危险等级人群的观察分析，认为基本符合实际。后续将对个案进行回测进一步优化模型。（五）模型拟合程度检验本次研究运用数据挖掘以及结构方程建模方法，从大量数据中揭示出显性的、隐含的、并有潜在价值的信息，所有的拟合指标均达到通过标准，模型的误差方根均小于0.08，说明模型拟合程度不错。本次调查范围涉及7所以上监狱，抽样具有一定的代表性，可以实现对抽象构建进行评价、比较的目的。三、广东省的实践与应用（一）miras评估工具的实践成就1.犯危险性鉴别与预测评估工具MIRAS评估系统对在押罪犯危险性评估现状分析的基础上，基于结构方程模型构建了罪犯危险性甄别与预测评估工具，这套工具实现了对四个阶段、四种危险类型相对科学的评估与预测，基本实现了罪犯改造过程全时段、无死角覆盖。在系统建设中，将评估与跟踪处置、评估应用进行了紧密关联，使得罪犯危险性评估系统成为了一个响应即时、问效有据的系统。2.结构数据实时导入面对数据量大、数据类型多、结构形式多样、更迭速度快、价值密度低等挑战，监狱需要建立起大数据背景下与之相适应的评估架构，并针对业务逻辑进行建模和大数据处理。MIRAS工具的优势在于，实现了对结构化、半结构化数据的分析和自动抓取以及动态评估，这是一个重大的进步。具体而言，实现了对包括罪犯服刑数据、罪犯家属数据、罪犯社会关系数据等罪犯信息库的自动抓取，包括狱政管理数据、劳动改造数据、教育改造数据、心理测试数据、刑罚执行数据、狱内侦查数据、生活卫生数据、罪犯医疗健康数据、罪犯日常动态信息等监管改造数据库的抓取，以及包括罪犯的个别谈话数据、罪犯亲属会见时的敏感词数据等部分非结构化数据的实时导入。目前约有90%以上数据可以通过自动采集分析，10%的数据通过PAD移动终端人工采集，实时传输，工作时间较传统手工输入模式大大缩短，数据的准确性与及时性得到了有效保证。3.与监狱传统排查手段比较罪犯危险性评估系统共开展了17308人次（含入监期、改造中期、出监期以及即时动态）的危险性评估工作，排查极高危罪犯65名，占总排查人数的1.16%，高度危险罪犯186名，中度危险罪犯2300名，低度危险罪犯3058名。将评估结果与监狱传统排查手段进行比较，吻合度达到80%以上。并且在个案处置中发现，MIRAS对潜在危险罪犯的识别更加准确、有效。通过MIRAS对信息的智能整合提升了监狱业务工作的流畅性，有效减少了人工误差，提高了工作的效率，对危险管控提供有效预警，为复评合议以及业务部门研判提供相对科学的鉴别指标和数据。4.智能预警，危险犯群MIRAS将实时采集到的数据信息与运算规则进行匹配和智能分析，一旦发现阳性因子或评估分数超出临界值，系统将会启动智能预警。这对那些表面上改造表现平稳，实际上潜在着危险的罪犯能做到有效的排查，并对相应的动态事件进行有效关联，最大限度地提示危险犯群。在个案库数据足够丰富的情况下，系统可能通过人工智能经验学习，对危险因子进行实时的优化，使预警的准确率得到更大的提升。（二）提案和反思1.脑区功能异常与犯罪的关系纵观国内外文献，犯因性因素的研究成果已日益丰硕，仅借助于社会学、心理学等学科的观点和知识已经不能完全解释犯罪发生和发展的根本原因，犯罪的生物学因素已引起了学者们的高度关注。研究表明，犯罪行为的发生与脑区的功能异常有明确的关系，JanineDiehl-Schmid等学者的研究发现，额颞叶痴呆和词义性痴呆的病人具有较高的犯罪概率，分别为54%和56%。2018年哈佛医学院贝斯以色列女执事医疗中心的R.RyanDarby等人认为人不同脑区