assessmentedtechaihigher educationlearning design

機率比壁：罕見暴力風險評估的結構性限制

arXiv - Computers and SocietyMarco Pollanen

揭示罕見暴力再犯預測的統計極限，指出即使高精度指標也難以實現，並提出需明示不確定性。

AI 幫你先抓重點

AI 重點 1

機率比壁揭示罕見暴力預測的根本限制，提醒決策者不應過度依賴高精度指標。

滑鼠懸停看 AI 判斷理由
它顯示即使表面指標良好，實際預測仍可能錯誤率高，改變對風險評估可靠性的認知，促使政策制定者重新評估模型的使用範圍與公平性。
AI 重點 2

監控天花板效應說明過度監控會降低高風險群體的預測精度，強調資料偏差對公平性的影響。

滑鼠懸停看 AI 判斷理由
此洞察揭示資料收集方式直接影響模型表現，提醒實務者在設計監控與評估時必須考慮偏差，避免因資料偏差而加劇不公平決策。

核心研究發現

  1. 1

    在暴力再犯率僅 2-5% 的情況下，達到 50% 的陽性預測值（PPV）需遠超現有工具的區分度。

  2. 2

    即使工具表現指標看似良好，對罕見事件的高風險標記仍會錯誤率高，因為統計極限限制了精度。

  3. 3

    過度監控會提升未再犯者的風險因子記錄，導致「監控天花板」效應，使得高風險群體的最大可達精度結構性下降。

對教育工作者的啟發

研究指出即使現有工具表面表現良好，對罕見暴力事件的預測仍極易失誤。實務上應在風險報告中加入「需要拘押人數」指標，明確傳達不確定性；政策制定者需審視監控資料來源，避免因過度監控造成的資料偏差；在做個別拘押決策前，應結合社會干預與再犯預防方案，減少對模型的過度依賴。

原始文獻資訊

英文標題：
The Likelihood Ratio Wall: Structural Limits on Accurate Risk Assessment for Rare Violence
作者：
Marco Pollanen
來源：
arXiv - Computers and Society
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。