Predictive-Policing-Projekt: Dominik Gerstner, Wissenschaftler im Bereich Kriminologie und Predictive Policing, im Interview.
Interview

„Keine Wunder erwarten“

Dominik Gerstner vom Max-Planck-Institut für ausländisches und internationales Strafrecht hat das Predictive-Policing-Projekt in Baden-Württemberg evaluiert. Die verwendete Software sagt anhand gemeldeter Wohnungseinbrüche und festgelegter Parameter voraus, wo schon bald wieder eingebrochen werden könnte.
Autor: Yvonne Nestler
Foto: Max-Planck-Institut für ausländisches und internationales Strafrecht

Herr Gerstner, welchen Effekt hat es aus Ihrer Sicht, dass in die Analysen des eingesetzten Systems Precobs natürlich nur zur Anzeige gebrachte Einbrüche einfließen?

Gerstner: Durch die Dunkelfeldforschung wissen wir, dass die meisten Wohnungseinbrüche angezeigt werden. Von daher ist das unproblematisch. Probleme ergeben sich allerdings dadurch, dass die Einbrüche meist dann stattfinden, wenn niemand zu Hause ist. Bei längerer Abwesenheit der Bewohner wird die Tat oft sehr spät entdeckt und angezeigt. Das macht es schwer, regional beschränkte und kleine Deliktserien zu prognostizieren.

Was halten die Polizisten von Precobs?

Gerstner: Die Polizisten, die das Computerprogramm bedienen, sehen darin eine sinnvolle Ergänzung zu den bisher vorhandenen Mitteln. Allerdings fallen die Meinungen bei den Beamten auf der Straße, die die Precobs-Alarme umsetzen müssen, unterschiedlich aus. Denn das System durchbricht Routinen und entscheidet stellvertretend für die Beamten. Zudem ist der präventive Nutzen natürlich nicht direkt im Streifendienst spürbar.

Sie haben den Erfolg des Projekts nur als moderat bewertet. Glauben Sie, man kann bei Predictive Policing bessere Ergebnisse erreichen, wenn sich der Algorithmus mit Machine Learning selbst optimiert?

Gerstner: Das ist schwer zu sagen – vor allem deshalb, weil es dazu bisher so gut wie keine Forschungsergebnisse gibt. Außerdem ist Machine Learning, genauso wie Predictive Policing, ein weites Feld. Bei Wohnungseinbrüchen wissen wir, welche Parameter raumzeitliche Muster erklären können. Es bleibt jedoch ein großer Rest an Delikten, der sich nicht erklären lässt. Hier spielt der Zufall eine große Rolle, aber möglicherweise kann maschinelles Lernen in diesen Fällen helfen. Allerdings gilt es zu berücksichtigen, dass es sich bei Predictive Policing um einen Prozess handelt: Was mit den Prognosen geschieht, muss gemessen werden und immer wieder aufs Neue in die Modelle einfließen. Das ist aufwendig – und auch hier dürfen keine Wunder erwartet werden. Es wäre aber sicher spannend, das zu erforschen.

Weitere Informationen