《Electronics》：Artificial Intelligence and Machine Learning Methods in Recidivism Prediction: A Thematic Literature Review
编辑推荐：
再犯（Recidivism）仍然是刑事司法系统中的持续挑战，因为数据在各司法管辖区之间分散、隐私法律严格，且再犯的法律定义各不相同。这项主题文献综述综合了关于影响再犯的风险因素、传统及集中式人工智能与机器学习（AI/ML）方法、用于透明度和偏见审计的可解释人工
再犯（Recidivism）仍然是刑事司法系统中的持续挑战，因为数据在各司法管辖区之间分散、隐私法律严格，且再犯的法律定义各不相同。这项主题文献综述综合了关于影响再犯的风险因素、传统及集中式人工智能与机器学习（AI/ML）方法、用于透明度和偏见审计的可解释人工智能（XAI）、用于局部数据增强的生成式人工智能（GenAI），以及隐私敏感环境中的联邦学习（Federated Learning）的证据。该综述识别了重复出现的模式，包括集成方法在平衡数据集上性能的提升以及XAI用于偏见审计的增加使用，同时也强调了与方法差异、隐私约束、司法管辖区异质性和公平性关切相关的持续性限制。基于这些发现，研究人员提出了Recid-Fed作为概念性研究议程，以指导未来关于隐私保护和司法管辖区感知的再犯预测研究。本文并非呈现一个已实现的系统，而是整合现有文献并概述了未来框架开发和实证验证研究中应解决的关键研究需求。
论文首先在引言（Introduction）中定义了再犯（Recidivism）的概念，指个体在因先前犯罪受到制裁或干预后重新犯罪的行为，通常通过特定随访期内的再次逮捕、再次定罪或再次监禁来衡量。研究强调了再犯预测对公共安全、康复、资源配置和政策制定的重要性，并指出各国缺乏国家级统计数据限制了研究。现有研究显示较高的再犯罪率，例如法国五年随访期59%、美国五年55%、英国九年78%。传统预测方法依赖统计工具和集中式机器学习（ML）模型，面临数据不平衡、隐私和数据共享问题、模型偏见等限制。现有综述范围狭窄，多数集中在传统ML性能或特定伦理问题上，忽视了系统性挑战如数据主权和跨司法管辖区协作。因此，研究提出的核心问题是：“当前再犯预测中机器学习技术的进展、关键限制和相互关系是什么？”，主要贡献包括综合文献、识别研究空白（缺乏同时解决隐私保护、司法管辖区异质性、类别不平衡和公平性强制执行的集成框架），并引入Recid-Fed作为未来研究议程。
在背景（Background）部分，第2.1节“影响再犯的因素（Factors Influencing Recidivism）”指出个体再犯风险取决于静态因素（如性别、年龄、犯罪史）和动态因素（如物质滥用、精神健康、反社会朋友）。静态因素预测能力强但缺乏干预靶点，动态因素随康复变化可提高风险评估准确性。年龄增长降低再犯可能性，男性再犯率高于女性，教育水平低和多次入狱增加再犯风险。包含种族和性别等受保护属性可能延续系统性偏见，引发伦理争议。因素如犯罪史和精神健康记录受隐私法规限制，如欧洲通用数据保护条例（GDPR）和美国健康保险隐私与责任法案（HIPAA）。邻里影响和社区支持系统具有背景依赖性，难以标准化。联邦学习（Federated Learning, FL）提供了无需直接数据共享的协作训练方案，生成式人工智能（GenAI）和可解释人工智能（XAI）可进一步解决局部数据稀缺和偏见问题。第2.2节“再犯预测的挑战（Challenges in Recidivism Prediction）”回顾了从直觉判断到统计程序的转变，但传统工具预测准确性有限，假阳性和假阴性率常超过0.5。线性假设和静态因素导致无法捕捉动态非线性交互。第二代工具几乎完全依赖静态特征，风险评分固定或恶化。传统工具易受偏见，源于评估主观性和历史数据系统性不平等。计算模型虽能处理非线性和大数据，但常放大社会不平等，典型案例为替代制裁修正罪犯管理画像（COMPAS）系统，对黑人个体高估风险、白人低估风险。偏见源于历史数据、算法设计和部署实践。公平性与预测准确性之间存在权衡。集中式AI/ML模型因缺乏高质量标注数据、类别不平衡、隐私法律限制和数据跨司法管辖区碎片化而难以扩展。
在相关工作（Related Work）部分，回顾了三项综述：Travaini等人比较了数据集和AI/ML技术，平均准确率0.81、曲线下面积（AUC）0.74，但强调透明度和公平性；Scaria等人分析了算法风险评估工具（RATs），指出过度关注心理因素而忽视结构因素；Farayola等人扩展了可信AI要求，增加了一致性、可靠性、可解释性和可解释性。这些综述未涉及分布式或隐私保护方法，凸显了Recid-Fed的设计需求：可解释性、司法管辖区敏感的再犯定义和再判定窗口、通过联邦或分布式学习的局部隐私保护。对比了现有联邦学习框架如Flower、GuardFed、PriFed-IDS、FedSN、SecureBoost、FedPD和FedLab，发现无框架专为再犯预测设计。
在方法论（Methodology）部分，采用主题文献综述方法，适合映射多学科领域并识别模式和研究空白。搜索策略涵盖2010-2025年，在Scopus、Web of Science等数据库中使用相同检索字符串，补充Google Scholar和ResearchGate。共获得500条记录，再通过引用追踪补充37条。纳入标准包括聚焦AI/ML技术的再犯预测、理论或实证、英文同行评审期刊或会议。排除非相关、纯描述性、非AI/ML焦点或2010年前文献。筛选过程去除重复获得435条，标题摘要排除183条，全文评估252篇，最终纳入97篇。质量评估基于研究清晰度、方法适当性、分析深度、发现有效性和相关性。主题综合采用McAllister等方法，提取编码、分组、迭代直至建立四个主题：AI/ML方法、XAI应用、GenAI应用和联邦学习应用。
在发现与讨论（Findings and Discussion）部分，第5.1节“再犯预测中的AI/ML方法（AI/ML Approaches in Recidivism Prediction）”显示多种模型如逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）和神经网络（NN）被应用。集成方法在平衡数据集上优于传统统计模型，神经网络在处理非线性交互和高维数据时表现更优，报告AUC通常为0.75-0.95。矛盾结果源于方法差异、数据集大小、类别不平衡处理方式（如合成少数类过采样技术（SMOTE）对比欠采样）和评估指标。第5.2节“可解释人工智能的应用（Applications of Explainable Artificial Intelligence）”强调XAI对透明度和信任的重要性，主要技术包括局部解释如局部可解释模型无关解释（LIME）和沙普利加法解释（SHAP），以及全局解释方法。研究显示XAI用于审计模型如COMPAS和随机森林，揭示对受保护群体的不成比例影响并促进去偏见。解释性与准确性之间存在权衡，简单模型牺牲预测能力，复杂模型的后解释可能不完整。第5.3节“生成式人工智能在再犯中的应用（Application of Generative AI in Recidivism）”指出生成对抗网络（GANs）和扩散模型用于局部数据增强，改善少数类召回率和模型鲁棒性。矛盾在于合成数据保真度与隐私风险之间的权衡，以及真实数据偏见可能被放大。第5.4节“联邦学习（Federated Learning）”介绍了三种架构：横向联邦学习（特征空间相同，样本分布不同）、纵向联邦学习（样本空间相同，特征空间不同）和联邦迁移学习（样本和特征均不同）。在再犯预测中，联邦学习可应对数据敏感性、机构分布和隐私法律约束。但文献中未发现直接应用联邦学习于再犯预测的研究，但邻近领域如定罪预测、时空犯罪检测、金融犯罪检测等提供了证据支持。挑战包括系统和数据异质性（导致模型漂移）、通信开销（大型模型迭代成本高）以及隐私和安全风险（梯度反演攻击、数据投毒和模型投毒）。缓解方法包括差异隐私（添加噪声）、安全聚合（加密更新）、鲁棒聚合方法（如Krum、Trimmed Mean）和拜占庭弹性算法。
在Recid-Fed作为综述的概念成果（Recid-Fed as a Conceptual Outcome of the Review）部分，基于综述发现提出Recid-Fed作为未来研究议程，而非实现框架。核心要求包括保留隐私、适应司法管辖区特定定义、确保可解释性、处理类别不平衡和数据稀缺、在通信和参与约束下保持鲁棒性。与现有联邦学习框架的比较显示，现有框架（如Flower、GuardFed、FairFL、SecureBoost）未专门处理刑事司法系统的法律和伦理复杂性，而Recid-Fed旨在整合这些领域特定约束。
在局限性（Limitations）部分，指出仅英文和2010-2025年限制可能遗漏非英文和早期基础文献。框架未实现，缺乏实证验证，应视为假设生成性工作。
在结论与展望（Conclusions and Outlook）部分，总结综述识别出传统与AI方法的挑战，以及缺乏同时处理隐私、跨司法管辖区协作、公平性和本地定义的框架。Recid-Fed作为概念议程旨在组织未来工作。未来方向包括：激励机制（基于声誉的奖励）、超越监督学习（扩展至无监督、半监督或强化学习）、稳健基准（标准化真实世界数据集）、高级隐私保护（增强差异隐私、同态加密、区块链集成）、跨学科伦理研究。
