难民身份认定：与机器学习工具的合作如何促进更多的正义
摘要：对难民身份裁决的以往研究表明，可以通过非常少的特征来预测申请结果，并且准确度令人满意。最近的研究在各种法律领域中，包括难民身份确定，使用文本分析实现了70\%到90\%的准确度。一些研究仅报告了基于法官身份的预测。此外，大多数用于预测的特征都是非实质性和外部特征，包括新闻报道、听证会日期和时间或天气等。然而，文献显示噪声在人类判断中普遍存在，并显著影响决策结果。已经证明噪声是影响法律决策的重要因素。我们使用D. Kahneman所描述的"噪声"一词，作为衡量人类在做出决策时不可避免地受到外部因素影响的程度。在难民身份确定的背景下，这意味着如果两个法官面对相同的申请，他们可能会做出不同的决定。本文探讨了机器学习如何帮助减少难民法决策中的噪声。我们并不是建议这种提出的方法应该排除其他改进决策的方法，如对决策者的培训、技能获取或判断汇聚，而是认为这是一个值得探索的路径。我们研究如何利用人工智能和特别是数据驱动的应用来使难民身份裁决中的各方受益。我们具体研究加拿大和美国的决策。我们的研究旨在减少因噪声决策而产生的武断和不公，其基本假设是，如果两个案例或申请相似，它们应该以同样的方式处理并产生相同的结果。
作者：Claire Barale
论文ID：2308.11541
分类：Computers and Society
分类简称：cs.CY
提交时间：2023-08-23