في عالم تسعى فيه أنظمة التنبؤ بالجريمة (Predictive Policing) إلى تحسين كفاءة توزيع الموارد الشرطية، قد تؤدي الطرق التقليدية أحيانا إلى تعزيز الانحيازات العرقية دون قصد، من خلال الاعتماد على بيانات مشوهة. هنا يظهر إطار FASE (Fairness Aware Spatiotemporal Event Graph) كحل مبتكر يأخذ بعين الاعتبار العدالة أثناء عملية التوزيع.

إطار FASE يتكامل بين توقعات الجرائم المساحية والزمانية (Spatiotemporal Crime Prediction) وتوزيع الدوريات الشرطية مع قيود العدالة، باستخدام نظام محاكاة تغذية راجعة مغلق. نموذجنا يركز على مدينة بالتيمور، حيث استخدمنا بيانات 139,982 حادثة جريمة من سنة 2017 إلى 2019، مما أتاح لنا إنشاء نموذج قوي بميزاته التي تضمن التوزيع العادل.

يستند النموذج إلى شبكة عصبية رسومية (Graph Neural Network) وعميلة هاوكز المتعددة المتغيرات (Multivariate Hawkes Process) لتحديد التبعيات المكالمية والزمنية الذاتية. النتائج تم إدراجها في نموذج توزيع مناسب للتوزيع الثقيل والذي يتحمل الأعداد الزائدة، ليحقق مستوى خطأ في التحقق بلغ 0.4800.

كذلك، تم تصميم تخصيص الدوريات كمسألة تحسين خطية بتقييد العدالة، حيث تم تحقيق نسبة تأثير ديموغرافي تظل في النطاق المقبول، في الوقت الذي لاحظنا فيه أن الفجوة في معدل الكشف تبقى قريبة من 3.5 نقاط مئوية بين المناطق المتنوعة.

هذه الدراسة تقدم دليلا واضحا على أن ضمان العدالة على مستوى التخصيص لا يكفي وحده للقضاء على الانحيازات الناتجة عن البيانات، مما يبرز ضرورة إدخال تدخلات عادلة في كامل عملية النموذج.