11 月 19 日,英国政府按照《算法透明度记录标准》公开了英国监狱与缓刑署在英格兰和威尔士使用的再犯风险工具。记录涵盖五类工具、背后的数据、验证结果,以及工作人员在什么环节使用分数。系统已经在运行。其中一些模型于 2026 年 2 月发布,两种性犯罪再犯模型可追溯到 2024 年 4 月。这次公开让一套既有制度更容易被查问,也为追查一次监督安排或干预建议受分数影响的程度提供了依据。 缓刑署透明度记录

这份记录值得重视,因为分数会在机构和文件之间流转。数字可以在缓刑评估时算出,影响当事人能获得哪些服务,随后出现在提交给法院或假释决策者的报告里。缓刑署说,工作人员将分数作为综合评估的一项输入,并继续对整体判断负责。公开记录帮助读者分清工具估计的量和公职人员须作出的决定。实际的考验在于,一项决定受到质疑时,能否从其余证据中还原评分起了什么作用。

风格化示意图:风险分数依次经过感化评估、服务安排和法庭报告,每一步旁都有专业人员。

分数衡量什么#

记录列出五类预测工具,分别面向所有经确认的再犯、暴力再犯、严重暴力再犯、综合严重再犯和指定性犯罪再犯。综合评分把严重暴力犯罪和指定性犯罪的估计合在一起。性犯罪工具内部又有两类不同定义的结果。任何可记录罪行和严重罪行对应着不同的预测目标。报告如将某人列为高风险,应交代使用了哪种预测器以及它对应的结果。缺少这些信息,读者容易把「高」理解得比指标原本所指的范围更严重。 缓刑署摘要与定义

预测目标是从计算时点起两年内经确认的再犯。这个时点可以是社区刑令的起点,也可以是附条件获释之日。记录里的确认通常指司法定罪或符合条件的警方正式警告。现实中实际发生的犯罪范围更广。有些案件未被发现,有些未走到起诉,有些在可用的追踪期内尚无结论。缓刑署称,模型开发时至少多留一年,给两年内发生的行为足够时间形成经确认的结果,仍有部分行为落在统计之外。两年说的是工具在特定评估时点预测的时间范围。

选择一种有记录的结果有充分理由。把逮捕或指控当标签,模型可能从最终未获证实的说法中学习。使用经确认的案件,标签更易定义,但标签仍由司法体系产生。报案、发现、调查和处理案件所需的时间,共同决定哪些行为进入记录。两个群体即使实际行为相同,也可能以不同方式被观察到。这是需要检查数据才能回答的测量问题。把标签预先当作完全中立或全无意义,都无法解释具体数据的表现。

另一项区别在于,某种结果发生的概率和严重伤害评估是两件工作。预测有明确的类别和时间窗口。工作人员还要判断伤害如何发生、可能涉及谁,有哪些实际措施。反复发生的行为可能累积出严重伤害,即使单次行为没有达到模型中最严重的定义。新近记录的威胁可以关系到当下的安全决定,而统计输入未必已经改变。缓刑署把综合严重再犯评分列为更广泛评估的起点。这两项工作需要不同的证据。 缓刑署使用场景说明

分数通过人和报告进入决定#

缓刑署说,数字评估流程会为定罪后需要量刑前报告的人、刚开始服社区刑或监禁刑的人,以及日后进入复评的人计算分数。分数可以影响案件分配给哪一级工作人员、社区监督的强度和某些干预项目的资格。分数或等级也可写入量刑前、假释和召回监管的书面材料。即使最终决定由司法人员或缓刑工作人员作出,一个数字仍可影响有限的人力和服务如何分配。这已经是一个分量不小的行政角色。

一宗刚开始监督的案件,可以说明这种影响怎样逐步累积。缓刑工作人员可能先读到风险等级,之后才了解当事人的居住和使用服务的经历。等级有助于提示关注,也可能成为第一印象,左右工作人员对后来信息的理解。接手案件的人甚至只看到书面摘要。一份可复核的报告应写明使用了哪种预测工具、何时运行,以及工作人员另行考虑过哪些信息。复核者由此可以看出,其余证据在哪里支持分数,又在哪里让工作人员作出了不同判断。

统一工具能带来一致性。缓刑署认为,经验不同、掌握现场信息多少不一的工作人员,可以从一个共同的标准起步。如果情况相近的两个人仅因办案地区不同而受到不同对待,这种一致性就有价值。代价也同样具体。同一种数据限制可能出现在大量案件中,一件工具就能把一项糟糕的假设传播得比单次判断失误更广。衡量制度效果时,应看同类案件之间是否更加一致,也要看它对真正重要的个案差异留了多少处理空间。

独立的英国缓刑监察机构把精算估计视为评估的一部分,并指出它对伤害性质、严重性和迫切程度等问题的解释有限。其 2025 年全国检查发现,有些法院报告分析充分,也存在难以针对个体处境调整工作方式的情况,涉及残障、族裔、就业和语言障碍。这些发现针对较广的缓刑实践,无法把某次失误归因于此次公开的预测工具。它们解释了为何模型之外还要检查人员能力和书面判断的质量。 监察机构评估资料 · 2025 年全国检查

资料不足时怎样算#

公开记录解释,部分预测工具设有静态和动态版本。一些字段来自缓刑和监狱系统,另一些由工作人员在评估时录入,包括有关处境和需求的材料。所需字段齐备时,动态版本可以纳入住宿和就业需求等会发生变化的因素。缺少动态数据时,系统在有条件的情况下改用静态分数。静态版本的必填项也缺失时,系统不出分。拿到一个分数的读者应能看出,它究竟是哪种情况的产物。 缓刑署运行数据规范

这个差别会影响分数如何随时间变化。后一次评估有更多材料时,分数变化可能同时反映处境改变和可用模型改变。如果资料过旧,分数也可能继续反映已经过去的处境,直到底层记录得到更新。举例说,一个人的住处可能在先前报告写完之后已经改变。复核者应该能看到评估日期、出分版本和当时仍然有效的资料。否则,办件过程中的变化容易被读成当事人的好转或恶化。

记录还交代了个人性犯罪再犯估计的适用范围。它面向当前或历史上有符合条件的性犯罪记录的男性。缓刑署说,开发数据中女性经确认的性犯罪再犯结果太少,无法验证一套适合女性的可靠模型。对于有相关犯罪记录的女性,系统在综合严重再犯的计算中使用基准比例。个人估计缺失和另一个综合量里用了一个总体基准,具有不同含义。比较不同案件的报告或解释综合分时,必须知道分数中包含了什么。 缓刑署适用范围与模型限制

公开说明这些规则,可以让当事人要求核查事实,同时保护他人的记录。文件描述了一个按角色限制访问的系统,并称输入和输出遵守底层记录的保存规则。分数可以进入多个流程,而原始材料的访问仍受限制。于是,信息来自哪里、出了差错怎样更正,比单看结果更重要。源记录被更正时,机构应能找到曾使用旧信息的评估,以及需要重新检查的报告。这是同一个输出参加多项决策带来的后续工作。

风格化示意图:更正后的风险分数与报告中已被阅读的旧分数形成对比,并有虚线通知路径。

可以把这个过程拆成两个时点。评估人员先发现,已经用于计算的一项材料有误。记录说,工作人员会更新相关输入,并可重新算分。另一个决定者此前已读过写着旧等级的报告,并据此提出建议。如果更正没有传到这个人手上,评估系统里变动的条目对后续决定就起不了多少作用。问责的一项考验是,机构能否找出受影响的报告,交代改了什么,以及先前建议是否会复议。公开文件解释了重新计算。更正能否传到其他系统和书面报告,应当是实际审计的问题。 缓刑署人工复核与重新计算

怎样理解验证数字#

附录给出一致性指数,并为若干模型提供平均校准指标。一致性指数衡量,在可比较的一对样本中,分数把出现指定结果的人排在另一人前面的频率。完整历史评估数据中,静态全类型再犯预测器报告的一致性指数是 0.803,静态严重暴力预测器是 0.777。这些数字描述指定样本中的排序情况,不能解释为准确预测了 80.3% 或 77.7% 的个体未来。指标、样本和结果定义,应当始终与这两个数字放在一起。 缓刑署验证附录

校准所问的是另一件事。一组人获得相近的概率时,其中出现记录结果的人所占比例,与这些概率是否相称。记录在数据可用时给出总体平均比较。总体平均接近,仍可能掩盖对一个群体高估而对另一个群体低估。实际决策阈值又带来另一类问题。划一条线之后,一些线上的人没有经确认的再犯,一些线下的人却会有。阈值决定服务资格、监督强度,或决定给决策者强调哪项证据时,两方面的取舍都值得看。

假设有 1,000 个案件,其中 50 人发生所衡量的结果。假设一条规则标记了 150 人,其中有 30 人属于前面的 50 人。规则找到了观察到的结果中的 60%,同时被标记的 150 人里有 120 人并未出现该结果。这个例子只是说明基准发生率的作用,所用数字并非缓刑署的表现。在实践中,影响取决于结果频率、采取行动的规则,以及额外监督或漏掉支持的代价。只凭一致性指数得不出这些实际人数。

开发和评估的日期也重要。根据披露,多个预测器以 2018 年 6 月的社区缓刑管理人员存量数据为样本拟合,另在 2018 年下半年开始服社区刑的人群中做评估。一些分析只纳入完成充分评估的人。记录也交代了何时排除输入不全的人,以及怎样处理回到羁押等令随后一段时间无法观察的情况。排除规则决定了测试的边界,因此公开统计对应于该设计下实际观察到的人群。今天需要重新评估的个案,可能与当时才进入社区服刑的人有区别。 缓刑署开发数据规范

英国司法部 2024 年已经公布过对早期精算工具的重新验证。研究考察了工具区分风险高低和估计各群体结果发生率的能力,发现早期一个性犯罪预测器的预测效度变差,因此需要进一步分析。2025 年的另一项研究考察了严重暴力预测可能使用的新方法和新数据。这些出版物把 2026 年 11 月的披露放回持续修订的历史中,也说明有必要跟踪犯罪模式、结果记录和评估实践改变之后的表现。 2024 年重新验证 · 2025 年严重暴力研究

11 月的记录说,监测或重新验证指向问题,或者新版可能改进运行中的模型时,司法部会考虑再训练。文件没有写固定周期。这提出了和一张测试表不同的问责问题。收到评估的人能否找到使用的版本,并根据一致的口径比较升级前后的结果?新版即使改善了排序,也可能改变某个等级的人数。假如监督安排部分取决于等级,工作人员就需要弄清变化来自模型换版、资料纠错,还是这个人的情况发生了变化。定期说明版本更换和实际影响,会让收到报告的人更容易使用这些验证结论。 缓刑署模型维护说明

公平与监督必须能够观察#

机构说,已经进行了数据保护和平等影响评估。记录列出年龄和性别等受保护特征作为模型变量,并称平等分析认为所检查群体的表现适当。记录也列出过分依赖模型和群体表现不均等的风险。这些是负责机构对其评估和防护措施的说明。一份更便于公众检验的评估可以列出测试了哪些群体、各有多少数据、用了哪些错误指标,以及数字还有多大不确定性。这样才看得出,结论是得到了相称的证据,还是平均值遮住了重要差别。 缓刑署风险与影响评估

数据质量是其中一环。一些字段进自行政系统,其他字段由访谈和工作人员的记录产生。不同场景下,拥有完整评估的比例也许不同。模型表现的差别,既可能与被评估者的特点有关,也可能来自记录方式。按评估类别和地区跟踪结果,可以看出一些本想偶尔使用的静态回退是否成了常态,也可以查明哪些办件环节需要更好的材料,避免把资料缺失归到当事人身上。

即使模型对各群体的表现相近,后续影响还取决于地方条件。矫正计划建议能否落实,要看当地是否有这个项目。加强监督可能带来有用的支持,也可能带来更多要求,两者也可以同时发生。把案件分配给某一级工作人员用的同一分数,在经验人员紧缺时会产生不同的结果。议会公共账目委员会已记录英格兰和威尔士缓刑服务承受的显著压力。该调查与模型验证各有范围,人员和服务的可用性仍是检查工作人员能否认真考虑个案,以及当事人能否获得所建议服务时的重要条件。 议会委员会缓刑报告

人在流程中可以权衡个案处境,但流程图上的人工环节无法说明各次决定中具体发生了什么。实际审计可以抽样阅读报告,找出分数在何处被引用,再检查其他证据指向不同方向时,工作人员如何推理。审计也可以查看纠错后的变化,以及工作人员认为某个等级无法解释个案的情形。质量好的使用同样值得记录,例如分数提醒工作人员看到本来可能漏掉的需求。这些做法让复核者观察判断如何在工作现场作出,并理解当时可得的信息与时间限制。

公开记录说,工作人员在强制风险培训中学习这些工具,还可获得填写输入的指引,法院工作人员另有培训支持。一种有用的练习,是给两名工作人员相同等级,再提供不同的个案证据。一个人掌握了系统尚未更新的可靠信息,另一个人看到周边证据与估计相符,有理由给分数更大的权重。对照他们写下的内容,可以检查工作人员是否分清所见事实、计算结果和自己的理由。也能看出没有旁听访谈的复核者,后来能从书面评估里还原到什么程度。 缓刑署培训要求

这次披露给以后留下什么#

《算法透明度记录标准》用于说明公共机关使用的工具,其中包括对有公共影响的决定提供重要帮助的系统。它既覆盖为人类判断提供输入的工具,也覆盖自动作出决定的工具。缓刑署记录称,相关决定适用通常的复核及上诉程序,并列明工具由什么机构负责。这有助于把疑问送到正确的部门。公开文件描述的是工具这一层。到具体个案里,当事人能否切实获得特定的理由,或者要求改正某个数值的输入,还有待实践证明。 英国透明度政策与强制适用范围

后续可补充几类信息。按日期公布实际运行的版本、数据缺失量,以及评估中发现的可纠正错误比例。更新验证时,可以区分初次评估与后续复查,并报告实际使用阈值的表现。还可检查分数更正或变化后,当事人实际获得的监督或服务是否改变。这些数据有助于说明工具影响,又能保护个案隐私。如果暂时没有某项指标,把局限写明,也能避免读者把历史结果当成本年度的审计。

对一项个别决定而言,有用的记录应当写明用了哪一种预测器、什么版本、哪些记录的事实影响了它,以及作决定的人如何衡量结果。更正日志可以显示有无重新计算,还有谁依赖过更正前的报告以及是否收到通知。实际需要兼顾保护个案资料与有意义的检视。面向总体的统计解释一套制度在一群人身上如何运作,面向当事人的说明把一次决定的理由讲清。这两类信息都各有用途。

11 月的披露把已参与英格兰和威尔士多种决定的一套算法解释得更清楚。它定义了两年的观察结果,列出了模型版本,也说明数字估计如何进入专业评估。此后值得跟进的是,透明度让实践中的哪些问题真正变得可复核。一项决定受分数影响时,当事人应当能理解这种影响,工作人员应当能解释他们接着作出的判断,独立复核者则应当能查到,有多少实际个案符合公开记录里的说明。