犯罪分析中常见的认知偏差及克服认知偏差的方法

在分析的最初阶段，分析师对犯罪问题的假设可能会影响对数据的搜索，然后分析师会收集与此类预期一致的证据， 这被称为“确认偏见”。

“可用性规则”，即容易想起类似事件或记住此类事件的数量。 这可能会导致决策偏差，因为这两个因素都与事件发生的实际频率无关。

 “生动性标准”是指，不论证据的实际价值如何，“生动，具体和个性化”的证据比抽象或统计的信息更能影响决策。生动性标准，结合可用性规则，可以导致一种分析性阿尔茨海默氏症。在其极端形式中，只保留早期良好的记忆，新信息很难被吸收。

当分析师“感知到一种实际上并不存在的关系”时，就会产生这种偏差。因素之间可能是相互关联的，却不是由于因果关系。

当分析师按顺序而不是同时检验假设时，就会发生这种情况。如果一次只考虑一个假设，那么当这个假设与现有的所有证据相符时，就会出现“停止寻找诊断”的倾向。这意味着其他合理的解释仅因为评估假设的顺序就被排除在考虑之外。

事后偏差发生在分析师过高估计过去判断的准确性时。因为犯罪问题的减少可能不是由于预后措施，而是由于外部因素。这可能导致最初的假设被接受为解释犯罪问题的真正原因，而事实上并非如此。

为了克服判断和决策中的这些错误，需要对分析人员的操作方式进行更改。

竞争假设分析是一种对给定问题替代解释和结论加权的方法。竞争假设分析是一个明确的系统，包括使用什么证据，如何考虑证据，以及分析竞争解释的过程。它包含以下七个步骤。

ACH过程的第一步涉及生成与特定问题相关的可能假设列表。这一步通常最好在群体环境中进行，以最大限度地提高潜在假设的数量和多样性。

ACH过程的第二步是列出支持每个可能假设的证据项和相关论据。

这一步骤可以说是ACH过程中最重要的步骤。首先，创建假设（列）和证据（行）的矩阵。 接下来，检查与假设有关的每一个证据。 分析师需要确定假设是否与证据一致或不相关。对每一行重复此操作，直到评估完所有证据。 只有在逐列处理矩阵时才会出现搜索满意的风险。 如果一栏显示与所有证据一致，则存在暂停进一步分析的趋势，从而忽略尚待考虑的假设（列）。 逐行处理矩阵避免了这种情况。

此步骤中的第一个任务是删除没有诊断价值的证据。第二项任务是重新审视每一个假设，以评估它们是否需要重新措辞，如果必要的话，可能需要合并或引入新的假设。如果现有证据无法区分它们，或者假设有许多共同的特征，或者其中一个是另一个的代表，那么就有必要将假设组合起来。

这里检查完成和修订的矩阵以便比较竞争假设。 假设应根据他们用现有证据显示的“不一致”的数量进行排名（Heuer Jr，1999）。 对每一列计算不一致信息的频率。 具有最少量的不确定信息的那个被认为是更有力的解释。

为了说明ACH方法，提出了一个假设的犯罪问题。 由于篇幅限制，无法进行扩展处理，但该示例包含了足够的细节，供读者能够理解所涉及的各个步骤，以及ACH方法为犯罪问题分析带来的好处。

一个街区，街头抢劫事件急剧增加，引起了媒体的极大关注和政府的巨大压力。 分析师的第一步是建立一套可信的假设，并征求该地区主要机构的意见。

警方表示，这些事件在本质上大多是因为贪婪，并且受到贫困的驱使。 当地教师承认学校内长期存在校园欺凌问题。 一名青年工人表示，街头犯罪激增的原因是因为在年轻人组成的松散的“帮派”中，个人实施暴力行为会给予相当的尊重。

过去三个月的抢劫事件（即记录的犯罪数据）作为用来检验假设的证据。得出以下关键的观察结果。

“80％的受害者被限制在狭窄的年龄段（13-16岁），而整个城市的这一比例为30％”

“超过90％的事件发生在工作日，发生在某些主要公共交通枢纽周围的街道上（只有45％的城市抢劫案出现这种情况）”

“犯罪者的年龄与上述受害者年龄非常相似”

“没有足够的信息来证明违法者是否来自与受害者不同的学校”

“罪犯（在事件发生期间）当着自己同伙的面将被盗物品返还给受害者。虽然只占抢劫案的20％，但似乎有理由推断，在这些事件中，违法者是在试图羞辱受害者。其余事件涉及物品的永久性丢失。

现在可以评估假设的强度。矩阵如表1所示。如果证据证实了一个假设，则使用加号，而使用减号则表示不一致。中性或无关信息用零表示。如果证据强烈证实了该假设，则使用的符号数量可以加倍。该矩阵揭示了欺凌这一假设具有最少的与其相关的不确定证据。贪婪这一假设则具有最多的与其相关的不确定证据。

犯罪科学最近作为一种新的犯罪研究方法出现，如果要在执法领域尽量多的消除认知偏差，就需要为犯罪分析师提供一个直观而明确的模型，以检验假定的假设。在分析阶段采用ACH是向科学分析方法迈进的重要的一步。