شبكه اطلاع‌رساني روابط‌عمومي‌ ايران (شارا) || همانطور كه اغلب مردم نيز دريافته‌اند، فناوري‌ روندهاي پليسي را به‌كلي دگرگون كرده است. پس از وقوع سرقت‌هاي مكرر از يك فروشگاه زنجيره‌اي تحقيقات مي‌تواند به اين شكل پيش برود: مسئولان تصور مي‌كنند كه تمام اين سرقت‌ها توسط شخصي واحد صورت گرفته اما هيچ سرنخي از هويت او ندارند. طي فرآيندي موسوم به «حصار جغرافيايي»، پليس با مراجعه به قاضي حكمي دريافت مي‌كند كه در آن از شركت گوگل خواسته شده است تا با كمك پايگاه داده‌ي SensorVault ــ پايگاهي كه اطلاعات مكاني آن دسته از كاربران گوگل را كه گزينه‌ي «تاريخ موقعيت» خود را روشن كرده باشند، ذخيره مي‌كند ــ فهرستي از تمام موبايل‌هايي كه در بازه‌ي زماني يك‌ساعته در روزهاي وقوع سرقت در شعاع ۱۰۰ متري آن فروشگاه بوده‌اند، فراهم آورد.

پليس با مطابقت دادن داده‌هاي اين فهرست، تمركز خود را بر روي ۶۵ موبايلي محدود مي‌كند كه در روزهاي سرقت در محل حضور داشته‌اند. سپس گوگل در باره‌ي اين ۶۵ نفر به مجريان قانون اطلاعات بيشتري مي‌دهد، مانند نام، آدرس ايميل، زمان عضويتشان در سرويس‌هاي گوگل و سرويس‌هايي كه استفاده مي‌كنند. پليس نام‌هاي اين ۶۵ نفر را در پايگاه‌ داده‌ي تشخيص چهره‌ي خود وارد مي‌كند و نتايج آن را با دوربين‌هاي امنيتي داخل فروشگاه مطابقت مي‌دهد. آنها با اين كار مي‌توانند حركات هر يك از اين ۶۵ نفر را در طول حضورشان در فروشگاه زير نظر بگيرند ــ كدام محصولات را بررسي كرده‌اند، كدام‌ها را براي خريد انتخاب كرده‌اند و پول كدام‌ها را نپرداخته‌اند.

در موردي ديگر، پليس ممكن است به‌جاي استفاده از اطلاعات موبايل سراغ تصاوير ضبط شده در دوربين‌هاي زنگ‌هاي درها، ثبت‌كننده‌هاي خودكار پلاك خودرو يا دوربين‌هاي پهپادي ــ يا ماهواره‌اي ــ برود تا وسايل نقليه‌ي حاضر در بازه‌ي زماني مورد نظر را شناسايي كند. امكان ديگري كه وجود دارد اين است كه پليس با كمك الگوريتم‌هاي پيش‌بيني‌كننده، آن فروشگاه و محله‌اش را «كانون بحران»، يعني محلي كه احتمال وقوع جرم بالا است، تشخيص دهد و براي جلوگيري از وقوع جرم پليس‌هاي زيادي را در محل مستقر كند.

فارغ از مؤثر بودن اين ابزارها، آنها باعث نگراني‌هايي جدي‌اند. انباشت حجم زيادي از داده‌هاي شخصي در دستان مجريان قانون تهديدي عليه زندگي خصوصي افراد محسوب مي‌شود. ابزارهاي داده‌محور موجب بروز اشتهايي سيري‌ناپذير براي داده‌ها مي‌شوند ــ نه تنها داده‌هايي درباره‌ي فعاليت‌هاي مجرمانه بلكه داده‌هايي درباره‌ي همه ‌چيز ــ و اين امر دايره‌ي تحقيق و تفحص مجريان قانون را به‌قدري بسط مي‌دهد كه شامل افرادي مي‌شود كه سابقه‌ي كيفري ندارند. به عبارت ديگر، خطر جمع‌آوري داده‌ها شمول كلي دارد و صرفاً محدود به مجرمان مظنون نيست. در رابطه با نحوه‌ي استفاده از اين داده‌ها و كسب اطمينان از صحت آنها معيارهاي چنداني وجود ندارد.

دو كتاب از منظرهايي متفاوت اما مكمل، اين مسائل را مي‌كاوند. كريستوفر اسلوبوگن در تفتيش‌هاي مجازي، ريخت‌شناسي مفيدي از «فنون تجسسي پليسي كه مخفيانه، از فاصله‌ي دور و با كمك فناوري انجام مي‌شود» فراهم مي‌آورد. سارا براين در پيش‌بيني و پايش، كه مطالعه‌اي جامعه‌شناختي درباره‌ي پليس لس‌آنجلس است، روايتي اول شخص از نحوه‌ي به‌كارگيري اين فنون در عمل به دست مي‌دهد. در بخش‌هايي از اين دو كتاب كه با يكديگر هم‌پوشاني دارند، مهم‌ترين و جالب‌ترين مباحث مطرح مي‌شوند: فعاليت‌هاي پليسيِ پيش‌بينانه (گاه به آن فعاليت‌هاي پليسي «داده‌محور» نيز مي‌گويند) و جمع‌آوري داده‌ها از منابع مختلف و تشكيل پايگاه‌هاي‌ داده‌ي عظيم و استخراج اطلاعات از آنها.

به‌طور سنتي، نظارت بر پليس بر عهده‌ي دادگاه‌ها است كه با تفاسير خود از متمم چهارم قانون اساسي آمريكا مانع از اين مي‌شوند كه حكومت «به‌شكلي غيرمنطقي اقدام به تجسس و ضبط» «افراد، خانه‌ها، اسناد و لوازم» مردم كند. اسلوبوگن و براين هر يك در فصلي از كتاب خود نشان مي‌دهند كه چرا اين متمم قانون اساسي به‌ندرت درباره‌ي تجسس‌هاي «مجازي» اِعمال مي‌شود.

بر اساس رأي دادگاه عالي آمريكا زماني متمم چهارم مطرح مي‌شود كه «انتظار معقولي براي محرمانه ماندن» اطلاعات جمع‌آوري شده توسط حكومت وجود داشته باشد. اما در رابطه با اطلاعاتي كه در معرض ديد عموم قرار دارد (مانند موقعيت فرد در محلي عمومي) يا اطلاعاتي كه در اختيار شخصي ثالث قرار دارد (مانند اطلاعات مالي شما در نزد بانك) چنين انتظاري وجود ندارد. در نتيجه حمايت‌هاي مندرج در متمم چهارم شامل حال كسي كه در «خودروي خود در معابر عمومي حركت مي‌كند» يا فهرست تماس‌هاي تلفني فرد كه در شركت‌هاي مخابراتي ذخيره مي‌شوند، نمي‌شود. از سوي ديگر، متمم چهارم در رابطه با نحوه‌ي استفاده از اطلاعاتي كه حكومت جمع‌آوري كرده است نيز ساكت است. در نتيجه، زماني كه پليس به‌شكلي قانوني اطلاعاتي (براي مثال دي‌ان‌اي فرد) را جمع‌آوري مي‌كند براي دسترسي به آن ديگر نياز به داشتن حكم ندارد (مثلاً اطلاعات دي‌ان‌اي در پايگاه داده‌اي ثبت مي‌شود و بعدتر پليس مي‌تواند دي‌ان‌اي به دست آمده از صحنه‌هاي جرم بعدي را با اين داده‌ها مطابقت دهد). تا كنون اقدامات مقامات انتخابي براي غلبه بر اين نواقص با شكست مواجه شده است.

اقدامات پليسيِ پيش‌بينانه با كمك حجم عظيم داده‌ها، احتمالات آماري يا الگوهاي الگوريتمي توليد مي‌كند تا بتواند فعاليت‌هاي مجرمانه را پيش‌بيني كند. برخي از چنين اقداماتي استقبال مي‌كنند زيرا آنها ضمن افزايش كارآمدي پليس موجب كاهش سوگيري نيز مي‌شوند. بنا بر استدلال اين گروه، استفاده از الگوريتم‌هاي آماري و رياضياتي باعث از بين رفتن آزادي عملي در نيروهاي پليس مي‌شود كه مكرراً به اعمال تبعيض عليه گروه‌هاي رنگين‌پوست منجر مي‌شود. اما منتقدان استدلال مي‌كنند كه چنين اقداماتي مي‌تواند نابرابري‌هاي موجود در نظام پليسي را بازتوليد كند يا افزايش دهد. مثلاً پيشينه‌ي بازداشت را در نظر بگيريد. به سبب عواملي مانند حضور بيشتر پليس در محلات رنگين‌پوستان، احتمال بيشتر متوقف شدن آنها توسط پليس و اين واقعيت كه متوقف كردن آنها معمولاً مبتني بر شواهدي قطعي نيست، آمار دستگيري اين گروه بيشتر است. در نتيجه، هر الگوريتمي كه از پيشينه‌ي دستگيري‌ها به منظور عاملي در ايجاد الگويي پيش‌بيني‌كننده از رفتار مجرمانه استفاده كند در تشخيص رنگين‌پوستان به عنوان مجرمان آينده خطاي بيشتري خواهد داشت تا در تشخيص سفيدپوستان.

به‌رغم آن‌كه كارآمدي اينگونه اقدامات پليسي هنوز اثبات نشده است اما آنها براي مجريان قانون جذابيت زيادي دارند زيرا مي‌توانند بهانه‌اي براي گردآوري گسترده‌ي داده‌ها باشند. براين اين امر را نشانه‌اي از پديده‌ي «طمع به داده‌ها» مي‌داند، يعني زماني كه نظامي بر مبناي داده‌ها وجود داشته باشد، انگيزه‌اي براي گردآوري هر چه بيشتر داده‌ها نيز به وجود خواهد آمد، فارغ از اين كه آيا دلايلي براي مرتبط كردن اين داده‌ها با جرم وجود داشته باشد يا خير. بنا بر چنين نظريه‌اي، هر اطلاعاتي به تحقيقي مربوط مي‌شود يا دست‌كم زماني مربوط خواهد شد.

علاوه بر روش‌هاي پيش‌بينانه، مجريان قانون از شيوه‌هاي مبتني بر فناوري‌ ديگري نيز سود مي‌برند. يكي از اين روش‌ها «نظارت دام‌گسترانه» نام دارد كه مسائل متعددي درباره‌ي گردآوري داده‌ها و مقررات مربوط به آنها پيش مي‌كشد.

ويژگي بارز اين نوع تحقيق اين است كه حجم عظيمي از داده‌ها را از منابع مختلف با يكديگر تركيب مي‌كند و به واسطه‌ي نرم‌افزاري رابط، به كاربران اجازه مي‌دهد تا داده‌هاي مجموعه‌هايي را به يكديگر پيوند دهند كه پيشتر صرفاً به‌نحوي مجزا در دسترس بودند. چنين نرم‌افزارهاي رابطي نه تنها به مجريان قانون اجازه مي‌دهند تا تحقيق‌هايي خاص را به انجام برسانند (مثلاً به دنبال خودرويي قرمز بگردند كه پلاك آن با FTK شروع مي‌شود و راننده‌اش سفيدپوست است و در زمان وقوع جرم در شعاع چند كيلومتري آن محل حضور داشته است) بلكه به آنها اين امكان را مي‌دهد تا سيستم‌هاي هشداري ايجاد كنند تا مثلاً اگر شماره پلاك خودروي مسروقه‌اي در محلي مشاهده شد، به مقامات پليس اطلاع داده شود.

بنا بر مشاهدات براين، رايج‌ترين استفاده از چنين سيستمي «صرفاً ذخيره‌ي داده‌ها براي استفاده در تحقيق‌هاي احتمالي آينده است» و در نتيجه مفيد بودن آن در برابر مضرات احتمالي‌اش پرسش‌برانگيز است. دانيل سولو، پژوهشگر رشته‌ي حقوق، اينگونه پيوند يافتن داده‌ها از منابع مختلف را موجب ايجاد «مسئله‌ي انباشت» مي‌داند. تركيب داده‌ها از منابع مختلف، كه هر يك به تنهايي اطلاعات زيادي را آشكار نمي‌كند، مي‌تواند منجر به آشكار شدن اطلاعات خصوصي افراد شود. محل فرد در مكاني عمومي در لحظه‌اي خاص احتمالاً اطلاعات چنداني درباره‌ي او به ما نمي‌دهد اما انباشت موارد متعدد از مكان او در طول شبانه‌روز در يك ماه احتمالاً جزئيات بسياري را درباره‌ي خانواده، كار، دريافت درمان‌هاي پزشكي يا رواني، باورهاي ديني، فعاليت‌هاي سياسي و روابط اجتماعي او آشكار مي‌كند. علاوه بر اين، نتيجه‌گيري‌هاي نيروهاي پليس با استفاده از اين روش مبتني بر اين فرض خواهد بود كه داده‌ها دقيق هستند و استنباط پليس صحيح است. ديگر نمي‌تواند به راحتي اين پيش‌فرض‌ها را زير سؤال برد.

به باور براين، نكته‌ي منفي ديگري كه در رابطه با استفاده از داده‌هاي غيرمرتبط با جرائم در تحقيقات پليس وجود دارد اين است كه مي‌تواند باعث شود تا مردم از مراجعه به نهادهايي اجتناب كنند كه حضور در آنها براي مشاركت كامل آنان در جامعه ضروري است. هنگامي كه داده‌هايي از بيمارستان‌ها، مدارس، بانك‌ها و محل كار در دستگاه نظارت به كار گرفته شوند ممكن است مردم در استفاده از منابع درماني، مالي، آموزشي و كاري ترديد نشان دهند.

نكته‌ي ديگر كه اسلوبوگن و براين به آن اشاره مي‌كنند اين است كه نظام پليسي مدرن يك تجارت بزرگ است. براي مثال، پليس نيويورك بين سال‌هاي ۲۰۰۷ و ۲۰۱۹ حدود ۳ ميليارد دلار خرج نظارت كرده است. به عبارت ديگر، اين نوآوري‌هاي فناورانه به دست بخش خصوصي ايجاد مي‌شود و نه مجريان قانون. معمولاً اين شركت‌هاي فناوري ــ مانند شركت‌هاي متخصص در تشخيص چهره، توليد الگوهاي پيش‌بين يا ردگيري تلفن‌هاي همراه ــ هستند كه نزد دولت‌ها مي‌روند و مي‌گويند «ببينيد چه چيزي مي‌توانيم به شما بدهيم.» از آنجا كه نظام پليسي به واسطه‌ي كمك‌هاي مالي دولتي به منابع مالي فراواني دسترسي دارد، به‌جاي انتخاب از ميان خدمات شركت‌هاي مختلف، مي‌توانند تمام آنها را خريداري كنند.

نقش چنين شركت‌هايي، پيامدهاي متعدي دارد. همانطور كه اليزابت جان و توما جو نشان داده‌اند، پرسش‌هايي مانند اين كه هر الگوريتم براي تشخيص خطرناك بودن مظنونان، بايد از كدام نوع داده‌ها استفاده كند، ويدئوها چگونه و در كجا ذخيره شوند و اين كه چه عاملي بايد موجب فعال شدن دوربين‌هاي نصب شده روي لباس پليس‌ها شود «معمولاً توسط فروشندگان فناوري‌ها طرح شده و كسي كه براي آنها راه‌حل پيدا مي‌كند همين فروشندگان هستند و نه نيروهاي پليس.» اين امر باعث مي‌شود تا اطلاعات درباره‌ي نحوه‌ي عملكرد ابزارهاي فناورانه نامشخص باشند و كارآمدي آنها نيز در هاله‌اي از ابهام قرار داشته باشد.

با وجود اين مسائل، چه كار بايد كرد؟ اسلوبگن و براين هر دو بر مزاياي بالقوه‌ي استفاده‌يِ پليس از اطلاعات ديجيتال و همچنين چالش‌هاي اين كار براي ارزش‌هاي دموكراتيك تأكيد دارند. از نظر آنها مهم‌ترين كار اين است كه بتوان به تعادلي صحيح دست يافت. بنا بر استدلال آنها پيش از به كار گرفتن چنين ابزارهايي بايد آنها را به تأييد قوه‌ي مقننه رساند و تحت نظام‌هاي نظارتي دقيقي قرار داد تا آسيب‌هاي احتمالي را بسنجند، موارد مجاز استفاده از آنها را مشخص كنند و نحوه‌ي تضمين دقت و امنيت داده‌ها را بررسي كنند.

به باور اسلوبگن فرآيندهاي نظارتي بايد بر «اصل رعايت تناسب» مبتني باشند يعني بايد فنوني را كه ميزان مداخله‌ي كمتري دارند مجاز شمرد و استفاده از روش‌هايي را كه ميزان مداخله‌ي بيشتري دارند، به‌شدت محدود كرد. براي اين‌كه سنجش ميزان مداخله‌گري شكلي عيني‌تر به خود بگيرد، اسلوبگن پيشنهاد مي‌كند كه ارزيابي‌ها بايد بر مبناي اصول حقوقي موجود ــ مثلاً عملياتي پليسي‌اي كه لازمه‌اش ورود غيرمجاز به ملكي خصوصي باشد ميزان مداخله‌گري بيشتري دارد تا عملياتي كه چنين اقدامي انجام نمي‌دهد ــ و داده‌هاي پيمايش‌هاي عمومي صورت بگيرد.

پيشنهاد ديگر اين دو نويسنده اين است كه در رابطه با چنين فناوري‌ها و مقررات حاكم بر آنها، بايد شفافيت را افزايش داد. هركس كه در معرض اقدامات پليسيِ مبتني بر داده‌ها است بايد از اين امر مطلع شود و اجازه داشته باشد كه اعتبار اين ابزارها را زير سؤال ببرد. ابزارهاي پيش‌بيني كننده نيز بايد شفاف باشند. حكومت بايد عوامل مؤثر در هر الگوي تصميم‌گيري مبتني بر پيش‌بيني را به اطلاع عموم برساند. با اين حال، در عمل حصول شفافيت بسيار دشوار است.

با توجه به اين‌كه اين ابزارها تا اندازه‌ي زيادي از الگوريتم‌هايي استفاده مي‌كنند كه به كمك روش‌هاي هوش مصنوعي، مانند يادگيري ماشيني، توسعه يافته‌اند و در نتيجه شفافيت خود الگوريتم‌ها كافي نخواهد بود. فايده‌ي يادگيري ماشيني اين است كه مي‌تواند در ميان داده‌ها روابطي را بيابد كه انسان‌ها نمي‌توانند، به اين ترتيب فناوري كنوني اغلب غيرقابل درك است. پيشنهاد ديگر براين اين است كه از اين ابزارها براي رسيدن به نوع ديگري از شفافيت كمك بگيريم: از آنها براي پايش خود پليس استفاده كنيم.

در نهايت بايد گفت به رغم توصيه‌ي اسلوبوگن و براين مبني بر اين كه براي به حداكثر رساندن مزاياي استفاده از كلان‌داده در اقدامات پليس و به حداقل رساندن خطرات آن بايد فرآيندهاي دموكراتيك را به كار گرفت، مشخص نيست چگونه مي‌توان نظام نظارتي دقيق مد نظر آنها را پياده‌سازي كرد. مجريان قانون براي كاهش دادن نرخ جرايم شديداً تحت فشار قرار دارند و به همين علت زير بار محدود شدن ابزارهايشان نخواهند رفت. اما به هر حال هيچ راه‌حل معجزه‌آسايي وجود ندارد.

تنها چاره‌ي كار اين است كه عموم مردم هوشيار باشند، حكومت پاسخگو باشد و اراده‌اي براي مقابله با رشد افسارگسيخته‌ي اين صنعت سودآور در زمانه‌اي كه دغدغه‌ها نسبت به نرخ جرايم و امنيت عمومي تشديد يافته، وجود داشته باشد. اما هركس كه به دنبال افزايش دادن آگاهي عموم درباره‌ي اين مسائل است بايد اين دو كتاب را مطالعه كند.

برگردان: هامون نيشابوري
اميلي برمن استاد حقوق در دانشگاه هيوستون است. آنچه خوانديد برگردان بخش‌هايي از نوشته‌ي زير است:
Emily Berman, “Withoutt Warrant”, Boston Review, 25 January 2023.
منبع: aasoo