2021年首届NOMIS与科学青年探索奖的获得者Dean Knox认为，在识别和解决执法中的种族差异方面缺乏进展，部分原因在于记录保存的不一致和对不完整数据的误导性统计分析。

在他的获奖论文中，Knox说明了将新工具和统计技术应用于不完美的数据，以揭示警务中种族偏见的程度和严重程度的价值。

尽管数十年来美国针对少数族裔的过度武力事件备受关注，并且对警察改革的要求不断提高，但许多政策制定者和学者仍难以理解问题的性质。

据Knox称，这迫切需要新方法来理解警务数据，这些数据通常充斥着不准确、选择性报告和误导性信息。此外，大多数关于警民互动的数据是由警察机构自己收集和分享的，许多互动没有向公众报道。使用此类不完善或有偏见的数据可能会导致相互矛盾的结果，并且破坏我们对警务的理解。

在此，Knox展示了如何应用因果推论（一个越来越重要的统计学子领域，注重于数据的可能解读范围，而不是单一的因果结果），这可以被用来理解有问题的警务数据。

在具有类似数据挑战的其他学科中，因果推理框架已被证明对这些目标非常宝贵。

然而，根据Knox的说法，在警务研究中，仔细的因果分析仍然是例外，而不是规则。

 

 

论文链接：https://www.science.org/doi/10.1126/science.abm3432

内容中包含的图片若涉及版权问题，请及时与我们联系删除