For mange typer problemer er det en fordel å kunne intervenere tidlig – gjerne så tidlig som mulig. Dette gjelder særlig adferdsproblemer, knyttet til bl.a. rusmisbruk og kriminalitet osv. Noen hevder også at slik adferd er mulig å forutsi tidlig, noen ganger svært tidlig. Dette kan jo tenkes å være positivt både for samfunnet og for den enkelte. Dette bør i så fall være godt empirisk fundert. I likhet med andre typer risikovurderinger er det forutsetninger knyttet både til dataene, hvordan prediksjonen gjøres, forventede feilrater og hvordan disse vurderes. Hvordan alt dette vurderes vil jo også ha sammenheng med hva slags tiltak man kunne tenke seg å sette i verk, da det jo både bør være rimelig treffsikkert, proporsjonalt – og ikke minst: rettferdig.
Jeg vil diskutere noen slike problemstillinger opp mot noen empiriske eksempler.
Leselekse
Berk, Richard A. ; Sorenson, Susan B. ; Barnes, Geoffrey (2016) “Forecasting Domestic Violence: A Machine Learning Approach to Help Inform Arraignment Decisions”, Journal of Empirical Legal Studies 13(1) https://onlinelibrary.wiley.com/doi/full/10.1111/jels.12098
Avshalom Caspi ; Renate M. Houts ; Daniel W. Belsky ; Honalee Harrington ; Sean Hogan ; Sandhya Ramrakha ; Richie Poulton ; Terrie E. Moffitt (2016), “Childhood forecasting of a small segment of the population with large economic burden”, Nature Human Behaviour 1(1) 2016-12-12 https://www.nature.com/articles/s41562-016-0005
Leselisten tematiserer noen viktige momenter, men jeg vil ikke gå veldig i detalj på noen av dem.