Module 7 – Utiliser les données et les outils numériques pour améliorer les réponses à la violence domestique

Bienvenue ! A la fin de ce module, vous aurez :

  1. Compris les bases de la police prédictive et son application dans les cas de VD.
  2. Appris comment la justice pénale et les données multi-partenaires peuvent améliorer les enquêtes sur la VD et la prédiction des risques.
  3. Exploré les outils numériques actuels et leur potentiel pour améliorer les réponses à la VD.

Police prédictive & évaluation moderne des risques

Police prédictive informatisée

Évaluation moderne des risques dans la justice pénale

Principaux défis

Améliorer l'évaluation du risque de violence domestique

Principales méthodes, impact et défis

Importance des données pour les réponses à la violence domestique

Exemples de différentes solutions

Étude de cas réussie en
Espagne : Système VioGén II

Open Source Intelligence (OSINT) for DV cases

Applications mobiles

Bracelets électroniques

De la police réactive à la police proactive & prédictive

Police réactive traditionnelle :
Elle se concentre sur la réponse aux crimes après qu’ils aient été commis.

Police proactive :
Elle utilise des données pour allouer des ressources (par exemple, augmentation des patrouilles dans les zones à forte criminalité), décourager la criminalité et améliorer les délais d’intervention.

Police prédictive : L’analyse des données historiques permet d’identifier les périodes & les lieux à haut risque, révélant ainsi les schémas & les circonstances de la criminalité.

Principaux avantages :

  • Optimisation des ressources policières.
  • Amélioration des stratégies de prévention de la criminalité.
  • Permet un déploiement plus efficace des agents.

Exemple :
Agressions après la fermeture des bars ou cambriolages pendant les vacances.

Police prédictive informatisée

  • Les ordinateurs aident à identifier des modèles dans les données de la justice pénale qui seraient difficiles à repérer manuellement.
  • Les algorithmes analysent les variables (par exemple, l’heure, le lieu, le type de zone) & déterminent leur importance dans la prédiction des crimes.
  • Avec des données réelles, les algorithmes s’adaptent pour améliorer la précision & peuvent découvrir de nouveaux prédicteurs de la criminalité.

Exemple :
La prévision des vols à proximité d’un nouveau bar peut faire intervenir des facteurs tels que l’heure de fermeture, le revenu du quartier, la densité de l’habitat ou les bars avoisinants.

Un plus grand nombre de données améliore la précision des prévisions, ce qui permet d’améliorer les réponses de la police.

L'évaluation moderne des risques dans la justice pénale

Objectif :

Prévoir la probabilité de crimes impliquant des individus spécifiques afin d’éclairer les décisions critiques, notamment en matière de condamnation, de libération conditionnelle, de probation et d’ordonnances de protection.

Pourquoi c’est important :

Des prévisions plus fiables signifient une allocation des ressources plus efficace et une meilleure protection des victimes et des communautés.

De la tradition à la haute technologie :

  • Les méthodes traditionnelles s’appuient sur des modèles de notation simples et subjectifs.
  • L’apprentissage automatique améliore la précision en analysant de multiples variables et en découvrant des modèles cachés.

Applications pratiques :

  • Catégorisation des niveaux de risque (élevé, moyen, faible) pour une meilleure prise de décision.
  • Améliore la précision et l’équité dans l’évaluation des risques, ce qui profite à la fois aux agents et à la sécurité publique.
Source: Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237.

Les défis de la police prédictive & de l'évaluation informatisée des risques

  • Des prédictions précises ne garantissent pas une amélioration des services de police – tout dépend de la manière dont les données sont utilisées et de leur adéquation avec les priorités.
  • Les lacunes dans les données (par exemple, la sous-déclaration ou la mauvaise caractérisation des crimes) peuvent fausser les résultats, entraînant un excès ou une insuffisance de maintien de l’ordre.
  • Le traitement de données sensibles pose des problèmes de protection de la vie privée.
  • Il existe un risque d’utilisation abusive, comme des actions trop agressives ou la suppression de la dissidence – pensez au film de science-fiction Minority Report.
Sources:
  • Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237.
  • Grogger, J., Gupta, S., Ivandic, R., & Kirchmaier, T. (2021). Comparing conventional and machine‐learning approaches to risk assessment in domestic abuse cases. Journal of Empirical Legal Studies, 18(1), 90-130.
  • Messing, J. T., & Thaller, J. (2013). The average predictive validity of intimate partner violence risk assessment instruments. Journal of interpersonal violence, 28(7), 1537-1558.

Améliorer l'évaluation des risques de VD

Objectif :
évaluer les niveaux de danger afin d’orienter les mesures de protection.

Méthodes :

  • Règle de notation : Des seuils basés sur des points permettent de classer les risques.
  • Jugement structuré : Combine les réponses avec le jugement professionnel.

Impact:
De meilleurs outils garantissent l’identification des cas à haut risque, ce qui permet aux agent·e·s de protéger efficacement les victimes.

Défis :

  • La notation subjective et l’utilisation incohérente réduisent la précision.
  • Des cas à haut risque peuvent être omis en raison d’une mauvaise administration.

Améliorations technologiques :

  • L’apprentissage automatique améliore la précision en analysant les antécédents criminels.
  • La combinaison d’outils tels que DASH avec l’apprentissage automatique augmente de 20% la précision de la prédiction de la récidive des VD violents.
Sources:
  • Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237.
  • Grogger, J., Gupta, S., Ivandic, R., & Kirchmaier, T. (2021). Comparing conventional and machine‐learning approaches to risk assessment in domestic abuse cases. Journal of Empirical Legal Studies, 18(1), 90-130.
  • Messing, J. T., & Thaller, J. (2013). The average predictive validity of intimate partner violence risk assessment instruments. Journal of interpersonal violence, 28(7), 1537-1558.

Importance des données pour les réponses à la VD

La violence domestique implique souvent des violences répétées et croissantes, ce qui rend le contexte essentiel pour une action policière efficace (par exemple, le risque double au troisième appel, triple au sixième et quadruple au huitième).

Les agent·e·s ont besoin de données complètes, y compris des dossiers non criminels, pour améliorer leurs réponses.

Des systèmes reliés entre eux pourraient permettre d’accéder aux données relatives à la justice pénale, aux services sociaux & aux soins de santé.

Exemples : Les schémas de blessures dans les dossiers médicaux, les rapports des centres d’aide aux victimes ou les antécédents en matière de toxicomanie.

Étude de cas

Protocole d'évaluation des risques de la police VioGén

Établi en Espagne (2007) pour coordonner les réponses policières à la VD par le biais du groupe d’études sur la sécurité intérieure.

Implique de multiples acteurs : victimes, agresseurs, témoins, techniciens et médecins.

Intègre la police nationale, la garde civile et les forces de police locales.

En 2024, le système VioGen II mis à jour est commercialisé.

Principaux objectifs du système VioGen II

Amélioration de la coordination

Renforcer la collaboration entre la police, les services sociaux et les soins de santé afin d'apporter une réponse unifiée à la violence domestique.

Évaluation précise des risques

Affiner les outils d'évaluation des risques afin de mieux prévoir les récidives de violence et d'assurer une protection proportionnelle des victimes.

Protection personnalisée

Adapter les réponses en fonction de l'évolution du risque pour chaque victime, en adaptant les mesures si nécessaire.

Autonomisation des victimes

Fournir des informations claires et des plans de sécurité personnalisés, en veillant à ce que les victimes comprennent les risques qu'elles encourent et les options de protection qui s'offrent à elles.

Décisions fondées sur des données

Utiliser des technologies et des algorithmes avancés pour améliorer la prise de décision en temps réel et garantir des mesures de protection précises.

Les lignes directrices du protocole d'évaluation des risques par la police :

Source: González Álvarez, López Ossorio, Muñoz Rivas (2018)

Évaluation du risque de récidive de la violence - Catégories & facteurs de risque

Les indicateurs de l’ERV (évaluation du risque de récidive de la violence) sont regroupés en 4 dimensions :

ERV - Niveaux de risque & mesures de protection

Les cas sont classés en cinq niveaux de risque : Non apprécié, faible, moyen, élevé et extrême. En fonction de la classification des risques, les agents mettent en œuvre des mesures de protection obligatoires et facultatives, et ces mesures sont conçues pour être proportionnelles au niveau de risque.

Voici quelques exemples de mesures de protection :

Faible
Fournir une assistance 24 heures sur 24 et un suivi téléphonique périodique.
Surveillance occasionnelle et contrôles réguliers de l’agresseur.

Surveillance fréquente et contrôleélectronique de l’agresseur.

Surveillance constante de la victime et contrôle intensif de l’agresseur.

Formulaire d'évaluation du risque d'évolution du risque (ERV) 4.0

L’ERV comprend 43 indicateurs :

34 pour le risque & 9 pour la protection, regroupés en 5 dimensions :
  1. Gravité de l’incident
  2. Facteurs liés à l’agresseur
  3. Caractéristiques de la victime
  4. Perception du risque par la victime
  5. État des mesures de protection appliquées

Résultats :

Évolution positive : Aucun nouvel incident.

Évolution négative : Nouveaux incidents, qu’ils soient signalés ou non.

Lacunes du système VioGén II

Si le système VioGen II présente des améliorations par rapport à son prédécesseur, il n’en demeure pas moins qu’il présente des lacunes potentielles :

Ces lacunes mettent en évidence les domaines susceptibles d’être améliorés, notamment en renforçant la flexibilité, la formation, la transparence et la communication au sein du système.

Le système espagnol VioGén, bien qu’innovant dans la coordination de la réponse policière et assurant l’évaluation des risques pour les cas de violence sexiste, présente des lacunes notables qui ont un impact sur son efficacité. Tout d’abord, la transparence et la responsabilité du système sont critiquées. L’algorithme de VioGén attribue automatiquement un niveau de risque à chaque cas, ce qui influence fortement les mesures de protection de la police sans qu’il y ait de responsabilité claire. Les policiers s’écartent rarement des recommandations de l’algorithme, ce qui peut limiter le jugement professionnel et conduire à une dépendance excessive à l’égard de la cotation automatisée, ce qui pourrait affecter les réponses au cas spécifiques et la sécurité de la victime.

Un autre problème important est le questionnaire VioGén lui-même, qui est utilisé pour recueillir des informations dans des moments chargés d’émotion. Les victimes rapportent souvent leurs expériences immédiatement après un incident, ce qui peut conduire à des réponses obscurcies par le traumatisme ou la confusion. Cette situation a suscité des inquiétudes quant à la fiabilité des données saisies, car de nombreuses femmes ont du mal à fournir des détails précis lorsqu’elles sont en état de détresse. La conception du système prévoit également une formation limitée des agents à la communication efficace de l’objectif du questionnaire, ce qui entraîne des incohérences dans la manière dont il est administré et compris par les victimes.

De plus, la communication avec les victimes concernant leur niveau de risque évalué est minimale, car beaucoup d’entre elles déclarent ne pas connaître la catégorie de risque qui leur a été attribuée ni les plans de protection correspondants. Il est essentiel de combler ces lacunes en matière de transparence, de cohérence et de partage d’informations pour améliorer le programme VioGén et mieux soutenir les victimes de violences sexistes.

Intelligence Open Source (OSINT) pour les cas de VD

  • L’OSINT (collecte et l’analyse de données) consiste à recueillir des informations à partir de sources accessibles au public telles que les médias sociaux, les articles de presse, les sites web et les archives publiques.
  • Dans les cas de DV, l’OSINT peut aider à découvrir des modèles, à suivre des comportements, & à recueillir des informations supplémentaires pour soutenir les enquêtes.
  • Il permet aux forces de l’ordre d’accéder à des informations critiques sans avoir besoin d’autorisations spéciales, mais il est important d’utiliser l’OSINT de manière responsable et de respecter les règles de confidentialité et d’éthique.

Applications mobiles pour la géolocalisation et les rapports télématiques dans les affaires de VD

Les applications mobiles permettent aux victimes de signaler discrètement la violence domestique et fournissent aux autorités des informations en temps réel pour une intervention rapide. Les fonctionnalités sont généralement les suivantes :

Alertes d'urgence

Les victimes peuvent envoyer un SOS géolocalisé aux forces de l'ordre.

Signalement rapide

Des applications simplifient le signalement des violences passées ou en cours.

Ressources

De nombreuses applications proposent du matériel pédagogique ou des liens vers des services d'aide aux victimes.

Avantages pour la police :

  • Intervention d’urgence plus rapide.
  • Meilleure connaissance de la situation grâce à la géolocalisation.
  • Amélioration de la sécurité des victimes grâce à des méthodes de signalement discrètes.

Applications mobiles pour la géolocalisation et les rapports télématiques dans les affaires de VD

Exemples en Europe

Belgique, France – App Elles : alertes géolocalisées en temps réel pour leurs proches et/ou les secours, la police en cas d’agression.

Espagne – AlertCops : envoie des alertes géolocalisées directement à la police pour une assistance immédiate.

Serbie – SOS App : Signalement multilingue des situations d’urgence, adapté aux utilisateur·rice·s malvoyant·e·s.

Monténégro – Be Safe App : Alertes discrètes pour la sécurité des victimes.

Grèce – Panic Button App : Alerte d’urgence avec géolocalisation envoyée à la police.

Arménie – Safe YOU App : Envoi d’alertes géolocalisées et mise en relation des victimes avec des ressources.

Retranché depuis :
https://alertcops.ses.mir.es

Bracelets électroniques : Améliorer la réponse à la VD

Avantages

  1. Sécurité accrue des victimes : Alerte les victimes et la police en cas de violation des restrictions.
  2. Dissuasion : Réduit le risque de récidive en responsabilisant les auteurs.
  3. Suivi efficace : Le suivi à distance permet d’économiser des ressources.
  4. Réponse en temps réel : Les alertes immédiates permettent à la police d’agir rapidement.

Objectifs

  • Traque les auteurs d’infractions pour faire appliquer les ordonnances de restriction et protéger les victimes.
  • Utilise la technologie GPS ou radiofréquence pour une surveillance en temps réel.

Exemples

  • Espagne : Suivi du respect des ordonnances restrictives.
  • France & Suède : Utilisé dans les cas à haut risque pour prévenir la violence.

Défis

  • Fausses alertes ou falsification de l’appareil.
  • Nécessité d’une infrastructure GPS fiable.
  • Respect de la vie privée et considérations juridiques.

Utilisation des données & solutions informatiques dans la police - Messages clés :

  • Les solutions informatiques permettent de réduire la subjectivité et d’améliorer la précision.
  • En utilisant des outils d’évaluation des risques basés sur des données, nous pouvons mieux prévenir la récidive et adapter la protection des victimes à l’évolution de la situation.
  • L’analyse des données et les solutions informatiques permettent un partage plus rapide des informations et facilitent la prise de décision.
  • Les systèmes de données unifiés et l’application cohérente des protocoles constituent une base solide pour la collaboration et la coordination des réponses entre les différentes agences.
  • L’utilisation des données doit être sécurisée, transparente et ciblée afin de protéger la vie privée des victimes et des témoins.
  • Le respect des politiques et des réglementations garantit que le traitement des données est effectué de manière éthique et légale.
  • Les solutions technologiques et les outils d’évaluation des risques sont en constante évolution ; il est donc essentiel que le personnel policier reçoive une formation et un soutien continus pour la mise en œuvre de nouvelles solutions.
  • Les possibilités de renforcer les compétences en matière d’analyse des données et d’utilisation des outils numériques améliorent l’efficacité de l’ensemble de l’organisation et renforcent la protection des victimes.

Auto-évaluation