Glossar / Lexikon

English: Predictive Policing in the USA / Español: Policía predictiva en EE.UU. / Português: Policiamento preditivo nos EUA / Français: Police prédictive aux États-Unis / Italiano: Polizia predittiva negli USA

Predictive Policing in den USA bezeichnet den Einsatz von Algorithmen und Datenanalyseverfahren durch Polizeibehörden, um Kriminalitätsrisiken vorherzusagen und präventive Maßnahmen zu ergreifen. Diese Methode kombiniert historische Kriminalitätsdaten, demografische Informationen und geografische Muster, um potenzielle Tatorte oder Tätergruppen zu identifizieren. Kritiker verweisen jedoch auf ethische und rechtliche Herausforderungen, insbesondere im Hinblick auf Diskriminierung und Datenschutz.

Allgemeine Beschreibung

Predictive Policing in den USA ist ein datengetriebenes Konzept, das auf der Annahme basiert, dass Kriminalität nicht zufällig verteilt ist, sondern räumlichen und zeitlichen Mustern folgt. Durch die Analyse großer Datenmengen – etwa von Vorstrafenregistern, Notrufen oder sozialen Medien – sollen Algorithmen Hochrisikogebiete oder -personen identifizieren. Ziel ist es, Polizeiressourcen effizienter einzusetzen und Straftaten präventiv zu verhindern, bevor sie begangen werden.

Die Technologie wurde in den 2000er-Jahren entwickelt und fand zunächst in Städten wie Los Angeles, Chicago und New York Anwendung. Sie stützt sich auf Methoden des maschinellen Lernens, bei denen historische Daten als Trainingsgrundlage dienen. Allerdings wirft der Ansatz grundsätzliche Fragen auf: Inwieweit können Algorithmen menschliches Verhalten vorhersagen, ohne bestehende Vorurteile zu reproduzieren? Und welche rechtlichen Grenzen gelten für den Einsatz solcher Systeme?

Ein zentrales Problem ist die sogenannte "Feedback-Schleife": Wenn Polizeikräfte vermehrt in bestimmten Vierteln patrouillieren, steigt dort die Wahrscheinlichkeit, dass Straftaten entdeckt werden – was wiederum die Datenbasis für zukünftige Vorhersagen verzerrt. Dies kann zu einer Verstärkung von Überwachung in ohnehin benachteiligten Communities führen, insbesondere in Gebieten mit hohem Anteil an Minderheiten oder einkommensschwachen Haushalten.

Die rechtliche Grundlage für Predictive Policing in den USA ist uneinheitlich. Während einige Bundesstaaten wie Kalifornien den Einsatz solcher Systeme eingeschränkt haben, nutzen andere sie weiterhin ohne klare Regulierung. Die fehlende Transparenz der Algorithmen erschwert zudem die öffentliche Kontrolle. Experten fordern daher verbindliche Standards, etwa zur Datenqualität oder zur unabhängigen Überprüfung der Modelle.

Technische Grundlagen

Predictive-Policing-Systeme basieren auf zwei Hauptansätzen: der geografischen und der personenbezogenen Vorhersage. Bei der geografischen Analyse ("Place-Based Predictive Policing") werden Hotspots identifiziert, in denen Straftaten mit hoher Wahrscheinlichkeit auftreten. Hierfür kommen räumliche Statistikverfahren wie das "Risk Terrain Modeling" zum Einsatz, das Faktoren wie die Nähe zu Bars, öffentlichen Verkehrsmitteln oder sozialen Brennpunkten berücksichtigt (Quelle: Caplan et al., 2011).

Personenbezogene Systeme ("Person-Based Predictive Policing") zielen dagegen auf Individuen ab, die als potenzielle Täter oder Opfer eingestuft werden. Dazu werden Daten aus Vorstrafenregistern, sozialen Netzwerken oder sogar Schulakten herangezogen. Ein bekanntes Beispiel ist das "Strategic Subject List"-Programm in Chicago, das Personen nach ihrem Risikoscore einstuft. Kritiker bemängeln jedoch, dass solche Scores oft auf korrelativen Zusammenhängen beruhen, ohne kausale Faktoren zu berücksichtigen.

Die verwendeten Algorithmen sind meist proprietär und unterliegen keiner öffentlichen Prüfung. Dies führt zu Intransparenz, da weder die genauen Datenquellen noch die Gewichtung einzelner Faktoren offengelegt werden. Studien zeigen, dass viele Systeme historische Verzerrungen reproduzieren – etwa wenn bestimmte Bevölkerungsgruppen in der Vergangenheit häufiger kontrolliert wurden (Quelle: Lum & Isaac, 2016).

Normen und rechtliche Rahmenbedingungen

In den USA gibt es keine bundesweite Regulierung für Predictive Policing. Einzelne Bundesstaaten haben jedoch Gesetze erlassen, die den Einsatz einschränken. So verbietet Kalifornien seit 2021 die Nutzung von Gesichtserkennungstechnologie in Verbindung mit Predictive Policing (California Assembly Bill 1215). Andere Staaten wie New York verlangen zumindest eine unabhängige Überprüfung der Algorithmen.

Auf Bundesebene gelten allgemeine Datenschutzbestimmungen wie der "Fourth Amendment" der US-Verfassung, der unangemessene Durchsuchungen verbietet. Allerdings ist unklar, ob Predictive Policing als "unangemessen" eingestuft werden kann, da es sich um präventive Maßnahmen handelt. Gerichte haben in Einzelfällen bereits entschieden, dass der Einsatz solcher Systeme gegen Diskriminierungsverbote verstoßen kann, etwa wenn sie auf rassistischen Stereotypen basieren (Quelle: Eubanks, 2018).

International wird Predictive Policing zunehmend kritisch betrachtet. Die Europäische Union hat in der "Künstliche-Intelligenz-Verordnung" (AI Act) Hochrisiko-Anwendungen definiert, zu denen auch polizeiliche Vorhersagesysteme zählen. In Deutschland ist der Einsatz solcher Technologien aufgrund strenger Datenschutzgesetze (DSGVO) bisher kaum verbreitet.

Abgrenzung zu ähnlichen Begriffen

Predictive Policing ist von verwandten Konzepten wie "Intelligence-Led Policing" oder "Community Policing" zu unterscheiden. Während Intelligence-Led Policing auf nachrichtendienstliche Methoden setzt, um gezielt gegen organisierte Kriminalität vorzugehen, zielt Predictive Policing auf die Vorhersage von Alltagskriminalität ab. Community Policing hingegen setzt auf die Zusammenarbeit zwischen Polizei und lokalen Gemeinschaften, um Vertrauen aufzubauen – ein Ansatz, der oft im Widerspruch zu datengetriebenen Überwachungsmethoden steht.

Ein weiterer verwandter Begriff ist "Risk Assessment", das in der Strafjustiz eingesetzt wird, um Rückfallrisiken von Straftätern zu bewerten. Im Gegensatz zu Predictive Policing bezieht sich Risk Assessment jedoch auf bereits verurteilte Personen und nicht auf präventive Maßnahmen im öffentlichen Raum.

Anwendungsbereiche

• Geografische Kriminalitätsprävention: Predictive Policing wird eingesetzt, um Polizeipatrouillen in Hochrisikogebieten zu verstärken. Städte wie Los Angeles nutzen hierfür das System "PredPol", das auf Basis historischer Daten tägliche Vorhersagen für bestimmte Stadtviertel trifft. Die Effektivität solcher Maßnahmen ist jedoch umstritten, da sie oft nur kurzfristige Verlagerungseffekte ("Displacement") bewirken.
• Personenbezogene Überwachung: In einigen US-Städten werden Listen mit "Risikopersonen" erstellt, die besonders überwacht werden. Das "Chicago Police Department" nutzte beispielsweise das "Heat List"-Programm, um Personen mit hohem Gewaltpotenzial zu identifizieren. Solche Listen wurden jedoch wegen mangelnder Transparenz und diskriminierender Effekte kritisiert.
• Ressourcenplanung: Predictive Policing dient auch der strategischen Einsatzplanung, etwa bei Großveranstaltungen oder in Krisengebieten. Hier werden Daten genutzt, um Einsatzkräfte optimal zu verteilen. Allerdings besteht die Gefahr, dass solche Systeme zu einer Militarisierung der Polizei beitragen, wenn sie etwa für die Vorhersage von Protesten eingesetzt werden.

Bekannte Beispiele

• PredPol (Los Angeles, Kalifornien): Eines der bekanntesten Predictive-Policing-Systeme, das seit 2011 in Los Angeles eingesetzt wird. Es analysiert historische Kriminalitätsdaten, um tägliche Vorhersagen für 150x150 Meter große Gebiete zu treffen. Eine Studie der RAND Corporation (2013) kam zu dem Schluss, dass PredPol die Kriminalität in einigen Bezirken um bis zu 13 % reduzierte – allerdings ohne die langfristigen sozialen Folgen zu bewerten.
• Strategic Subject List (Chicago, Illinois): Dieses Programm erstellt eine Rangliste von Personen, die als potenzielle Täter oder Opfer von Gewaltverbrechen eingestuft werden. Die Liste basiert auf Faktoren wie Vorstrafen, Gangzugehörigkeit oder sozialen Kontakten. Eine Untersuchung der "Chicago Tribune" (2017) zeigte jedoch, dass über 50 % der gelisteten Personen nie in Gewaltdelikte verwickelt waren.
• HunchLab (Philadelphia, Pennsylvania): Ein System, das neben Kriminalitätsdaten auch demografische und wirtschaftliche Faktoren berücksichtigt. Es wurde entwickelt, um Vorhersagen zu verbessern, indem es etwa die Nähe zu Schulen oder die Arbeitslosenquote einbezieht. Kritiker bemängeln jedoch, dass solche Faktoren soziale Ungleichheiten verstärken können.

Risiken und Herausforderungen

• Diskriminierung und Rassismus: Studien zeigen, dass Predictive-Policing-Systeme oft rassistische Vorurteile reproduzieren, da sie auf historischen Daten basieren, die von übermäßiger Polizeikontrolle in Minderheitenvierteln geprägt sind (Quelle: Lum & Isaac, 2016). Dies führt zu einer Verstärkung von Ungleichheiten, da bestimmte Bevölkerungsgruppen häufiger kontrolliert werden.
• Fehlende Transparenz: Die meisten Algorithmen sind proprietär und werden von privaten Unternehmen entwickelt, die ihre Methoden nicht offenlegen. Dies erschwert die öffentliche Kontrolle und macht es Betroffenen nahezu unmöglich, gegen falsche Vorhersagen vorzugehen.
• Datenqualität und Verzerrungen: Predictive Policing ist nur so gut wie die Daten, auf denen es basiert. Wenn historische Daten unvollständig oder verzerrt sind – etwa weil bestimmte Delikte seltener angezeigt werden –, führt dies zu fehlerhaften Vorhersagen. Zudem werden oft nur registrierte Straftaten berücksichtigt, während soziale Ursachen von Kriminalität ignoriert werden.
• Ethische und rechtliche Bedenken: Der Einsatz von Predictive Policing wirft grundsätzliche Fragen auf: Darf der Staat Menschen aufgrund von Algorithmen überwachen, ohne dass sie eine Straftat begangen haben? Und wie lässt sich sicherstellen, dass solche Systeme nicht zu einer Vorverurteilung führen?
• Wirkungslosigkeit: Einige Studien deuten darauf hin, dass Predictive Policing keine nachhaltige Reduzierung der Kriminalität bewirkt. Stattdessen kommt es oft zu einer Verlagerung von Straftaten in andere Gebiete ("Displacement-Effekt"), ohne das Gesamtproblem zu lösen.

Ähnliche Begriffe

• Intelligence-Led Policing: Ein Ansatz, der auf nachrichtendienstliche Methoden setzt, um gezielt gegen organisierte Kriminalität oder Terrorismus vorzugehen. Im Gegensatz zu Predictive Policing liegt der Fokus hier auf der Aufklärung konkreter Straftaten und nicht auf der Vorhersage von Risiken.
• Community Policing: Ein Konzept, das auf die Zusammenarbeit zwischen Polizei und lokalen Gemeinschaften setzt, um Vertrauen aufzubauen und Kriminalität präventiv zu bekämpfen. Im Gegensatz zu Predictive Policing steht hier die soziale Interaktion im Vordergrund, nicht die datengetriebene Überwachung.
• Risk Assessment: Ein Verfahren, das in der Strafjustiz eingesetzt wird, um das Rückfallrisiko von Straftätern zu bewerten. Während Predictive Policing auf präventive Maßnahmen im öffentlichen Raum abzielt, bezieht sich Risk Assessment auf bereits verurteilte Personen.
• Surveillance Policing: Ein Überbegriff für polizeiliche Überwachungsmaßnahmen, die sowohl analoge als auch digitale Methoden umfassen. Predictive Policing ist eine Unterform des Surveillance Policing, die sich auf algorithmische Vorhersagen konzentriert.

Zusammenfassung

Predictive Policing in den USA ist ein umstrittenes Instrument, das durch den Einsatz von Algorithmen und Datenanalyse Kriminalitätsrisiken vorhersagen soll. Während Befürworter auf eine effizientere Ressourcenverteilung verweisen, kritisieren Gegner die Reproduktion von Diskriminierung, mangelnde Transparenz und ethische Bedenken. Die fehlende bundesweite Regulierung führt zu uneinheitlichen Anwendungen, wobei einige Bundesstaaten den Einsatz bereits eingeschränkt haben. Langfristig stellt sich die Frage, ob solche Systeme tatsächlich zu mehr Sicherheit beitragen oder ob sie bestehende soziale Ungleichheiten verstärken. Eine unabhängige Überprüfung der Algorithmen und klare rechtliche Rahmenbedingungen sind daher unerlässlich, um Missbrauch zu verhindern.

--