Die Arbeit setzt sich mit folgender Fragestellung auseinander: Welche Möglichkeiten bietet der Einsatz von „Big Data“ und raumbezogenen Planungsdaten in der Kriminalitätsbekämpfung? Der Fokus liegt dabei auf der Erprobung und Einführung softwaregestützter Prognosebasierter Polizeiarbeit "Predictive-Policing". Die Einführung dieser Methode ist politisch und wissenschaftlich umstritten und stellt Fragen nach den Auswirkungen der Datenerfassung auf unsere Gesellschaft.
Die derzeitigen politischen Umbrüche und terroristischen Anschläge in vielen Teilen der Welt verstärken die Erwartungen der Bürgerinnen und Bürger an den Staat, sie umfassend zu schützen. Die Gewährleistung von Sicherheit nach innen und außen zählt von jeher zu den Kernfunktionen moderner Staaten. Die regierenden Politiker versuchen sich vor diesem Hintergrund gerade im Wahlkampf mit dem Versprechen für mehr Sicherheit zu profilieren. Die heutige Technik, das wird nicht nur im Wahlkampf immer wieder besonders betont, bietet in diesem Zusammenhang vielfältige Möglichkeiten, um große Datenmengen auch für die Kriminalitätsbekämpfung zu nutzen. Das Sammeln von Daten wird in diesen Diskursen zumeist gleichbedeutend mit einem Zugewinn an Sicherheit verstanden.
In "Minority Report", einer Science-Fiction-Kurzgeschichte von 1956, hat deren Autor, Philip K. Dick, diese Entwicklung bereits vorweggenommen. In seiner Erzählung verhindern Polizisten, Verbrechen bevor diese überhaupt begangen wurden durch das nun so genannte "Predictive-Policing". Bei dieser Ermittlungsmethode wird der Ansatz verfolgt, Verbrechen aufgrund von Prognosen vorauszusagen, die auf gesammelten Daten beruhen. Nun, über 60 Jahre später, soll Dicks Fiktion zur real existierenden Praxis avancieren. Durch die automatisierte Verwertung polizeilicher Datenbestände sollen mittels Algorithmen Verbrechen verhindert werden.
Inhaltsverzeichnis
1 Einleitung
2 Begriffsbestimmungen
2.1 Big Data
2.2 Big Data und raumbezogene Daten
3 Anwendungen in der Kriminalitätsbekämpfung
3.1 Anwendung in der Jugendkriminalitätsprävention
3.2 Einsatz von „Predictive-Policing“
4 Auswirkungen der Datenerfassung auf die Gesellschaft
5 Fazit
Zielsetzung & Themen
Diese Arbeit untersucht die Potenziale und Herausforderungen der Anwendung von Big Data sowie raumbezogenen Planungsdaten im Bereich der modernen Kriminalitätsbekämpfung. Dabei steht die Analyse der Wirksamkeit und der gesellschaftlichen Auswirkungen der vorausschauenden Polizeiarbeit, bekannt als „Predictive-Policing“, im Zentrum der wissenschaftlichen Betrachtung.
- Grundlagen von Big Data und dessen Relevanz für polizeiliche Datenanalysen
- Methodik der raumbezogenen Kriminalitätsprävention und geobasierte Sozialraumanalysen
- Funktionsweise und Implementierung von „Predictive-Policing“-Systemen in Deutschland
- Diskussion der Auswirkungen auf Privatsphäre, Datenschutz und gesellschaftliche Überwachung
- Kritische Würdigung der datengestützten Kriminalitätsprognosen durch unabhängige Evaluationen
Auszug aus dem Buch
3.2 Einsatz von „Predictive-Policing“
Für die Polizei spielen räumliche Informationen (Geodaten) heute eine wichtige Rolle, wie das Beispiel im Bereich der Kriminalitätsprävention zeigte. Neu ist die vorhersagebasierte Polizeiarbeit „Predictive-Policing“, welche Straftaten nach bestehenden Mustern mittels Software auswertet um künftige Tatorte und -zeiten vorherzusagen. Der Begriff kommt aus dem Englischen und wird von „to predict“ (vorhersagen) und „policing“ (Polizeiarbeit) ableitet.
Mit der Einführung des Prognosesystems ist die Erwartung verbunden, durch eine intelligentere Verknüpfung und Nutzung polizeilichen Wissens effizienter operieren zu können. Die Software wird in Deutschland zur Aufklärung im Wohnungseinbruchdiebstahl getestet. Hintergrund ist der politische Druck aufgrund der anhaltenden hohen Fallzahlen im Wohnungseinbruchdiebstahl. Durch die Häufigkeit des Delikts ergeben sich neben der stabilen Datenbasis weitere gesicherte Erkenntnisse zum Wohnungseinbruchdiebstahl, welche für die Datenanalyse von Bedeutung sind.
Mehrere Bundesländer testen seit Ende 2015 die softwaregestützten GIS basierten Prognosetechnologien, welche auch als „Pre-Crime“ bezeichnet werden. Die Technologie stammt aus den USA und kommt dort seit zehn Jahren in diversen Bundesstaaten zum Einsatz. Das Prognoseprogramm „Precobs“ (Pre Crime Observation System) ist derzeit Marktführer des Oberhausener Instituts für musterbasierte Prognosetechnik.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet den gesellschaftspolitischen Kontext steigender Erwartungen an staatliche Sicherheit und führt die Forschungsfrage zum Einsatz von Big Data in der Kriminalitätsbekämpfung ein.
2 Begriffsbestimmungen: Dieses Kapitel definiert die technologischen Grundlagen, insbesondere Big Data und Geoinformationssysteme (GIS), und deren Synergie bei der räumlich-zeitlichen Datenanalyse.
3 Anwendungen in der Kriminalitätsbekämpfung: Hier werden praxisnahe Beispiele der Kriminalprävention sowie die Funktionsweise und der aktuelle Stand der „Predictive-Policing“-Technologien in Deutschland vorgestellt.
4 Auswirkungen der Datenerfassung auf die Gesellschaft: Dieses Kapitel kritisiert die datenschutzrechtlichen Rahmenbedingungen und die Risiken einer zunehmenden Überwachung der Gesellschaft durch automatisierte Prognosesysteme.
5 Fazit: Das Fazit fasst die Ergebnisse der Arbeit zusammen, bestätigt die Wirksamkeit räumlicher Analysen und mahnt eine kritische öffentliche Debatte über die Grundrechtsrelevanz von Prognosesoftware an.
Schlüsselwörter
Big Data, Kriminalitätsbekämpfung, Predictive-Policing, Geoinformationssysteme, GIS, Kriminalitätsprävention, Datensicherheit, Überwachung, Algorithmen, Datenschutz, Wohnungseinbruchdiebstahl, Sozialraumanalyse, Prognosesoftware, Datenerfassung, informationelle Selbstbestimmung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit analysiert, wie moderne Big-Data-Technologien und Geodaten genutzt werden, um Kriminalität effektiver zu bekämpfen und präventiv einzugreifen.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind Big Data, Geoinformationssysteme (GIS), vorausschauende Polizeiarbeit (Predictive-Policing) und der damit verbundene Datenschutz.
Was ist das primäre Ziel oder die Forschungsfrage?
Die Arbeit untersucht, welche Möglichkeiten der Einsatz von Big Data und raumbezogenen Planungsdaten in der polizeilichen Arbeit bietet und welche Risiken sich daraus für die Gesellschaft ergeben.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine analytische Aufarbeitung des aktuellen Stands der Technik, ergänzt durch die Untersuchung von Fallbeispielen und die kritische Auseinandersetzung mit vorliegenden Evaluationsergebnissen.
Was wird im Hauptteil behandelt?
Der Hauptteil befasst sich mit den begrifflichen Grundlagen, der Darstellung von Anwendungsbeispielen wie dem Jugendpräventionsprojekt im Landkreis Friesland und der detaillierten Funktionsweise von Predictive-Policing-Systemen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen gehören Predictive-Policing, Big Data, Kriminalitätsprävention, GIS und Datenschutz.
Wie funktioniert das Predictive-Policing in der Praxis?
Es basiert auf historischen Daten, die analysiert werden, um Muster wie die „Near-Repeats-Theorie“ zu identifizieren und so zukünftige Tatorte und -zeiten für Delikte wie Wohnungseinbrüche vorherzusagen.
Welche Bedenken äußern Datenschützer?
Datenschützer kritisieren die mangelnde Transparenz der Algorithmen, das Risiko einer Stigmatisierung ganzer Wohngebiete und die Gefahr, dass die Anonymität der Daten nicht dauerhaft gewährleistet werden kann.
- Arbeit zitieren
- Rene Beyer (Autor:in), 2017, Big Data in der Kriminalitätsbekämpfung. Anwendung von Big Data und raumbezogenen Planungsdaten, München, GRIN Verlag, https://www.grin.com/document/950044
