Uusintarikollisuuden ennustaminen ja ennusteiden ongelmat

Abstract

Valtavat rikollisuus- ja vankimäärät ovat ongelma erityisesti Yhdysvalloissa muun muassa niistä aiheutuvien suurten kustannusten vuoksi. Suurimmasta osasta rikoksia on vastuussa prosentuaalisesti vain pieni määrä rikollisia. Tämä tarkoittaa, että osa rikollisista syyllistyy uusiin rikoksiin kerta toisensa jälkeen. Tästä syystä rikollisuutta voitaisiinkin vähentää tehokkaasti kohdistamalla uusintarikollisuutta estäviä tai vähentäviä toimia valikoidusti näihin useampaan rikokseen taipuvaisiin henkilöihin, mikäli heidät kyetään tunnistamaan ennakoivasti.

Useampaan rikokseen syyllistyviä henkilöitä voidaan pyrkiä tunnistamaan etukäteen uusintarikollisuusriskiä ennustavilla menetelmillä. Tässä pro gradu -tutkielmassa selvitetään, miten uusintarikollisuuden ennustamista on käsitelty kirjallisuudessa tähän mennessä. Kirjallisuuden pohjalta tehdään katsaus siihen, miten uusintarikollisuutta voidaan ennustaa ja miten ennusteita sovelletaan käytännössä muun muassa Yhdysvalloissa ja Kanadassa. Tutkielmassa käsitellään myös uusintarikollisuusennusteiden haasteita.

1900-luvun puolivälistä alkaen uusintarikollisuuteen syyllistyvien ennakoivaan tunnistamiseen on käytetty kasvavissa määrin apuna tilastollisia ennusteita. Logistisen regression hyödyntäminen on yksi tapa muodostaa uusintarikollisuutta ennustava malli. Uusintarikollisuutta ennustavissa menetelmissä hyödynnetään yleensä ainakin tietoja rikoksentekijän iästä, päihdeongelmista sekä rikoshistoriaan liittyvistä tekijöistä, kuten aiemmista tuomioista, sillä näiden ominaisuuksien on osoitettu ennakoivan hyvin sitä, syyllistyykö henkilö uusiin rikoksiin vai ei.

Uusintarikollisuuden ennustamisen haasteita ovat erityisesti mahdolliset oikeudenmukaisuusongelmat sekä se, että uusimisriskin ennustamiseen pyrkiviä menetelmiä kehitetään sellaisten aineistojen pohjalta, joissa on käytetty jo valmiiksi keinoja rikoksentekijöiden uusimistodennäköisyyden pienentämiseksi.