Andrea Sempio e il mito del “bravo ragazzo” | Cosa dice la criminologia

 

IA e Nuove Forme di Criminalità*: Prima che sia troppo tardi: la criminologia predittiva contro la piaga del femminicidio - Intervento di Antonio Russo e Stefano Donno

 La violenza di genere, nelle sue manifestazioni più estreme come il femminicidio, rappresenta una delle sfide più drammatiche della nostra epoca. La criminologia accademica moderna si trova oggi di fronte a una svolta epocale: superare la logica meramente repressiva e post-delittuosa per abbracciare modelli di intervento predittivo. In questo contesto, l'Intelligenza Artificiale smette di essere un semplice strumento tecnologico e si trasforma in un paradigma scientifico cruciale per la prevenzione e la tutela della vita umana.

L'Algoritmo della Prevenzione: Oltre il Modello Reattivo

La criminologia computazionale e l'analisi predittiva applicata ai reati di genere non mirano a sostituire l'intuizione o la sensibilità delle forze dell'ordine e dei professionisti sul campo, bensì a potenziarle. Attraverso l'elaborazione di vasti dataset bio-psico-sociali, la digitalizzazione delle denunce e l'analisi dei pattern comportamentali (come l'escalation di atti persecutori, lo stalking e le minacce digitali), i modelli predittivi possono identificare i fattori di rischio latenti prima che si traducano in violenza letale.

L'algoritmo agisce come un microscopio sociologico, capace di evidenziare anomalie e picchi di rischio all'interno delle dinamiche relazionali tossiche:

• Analisi dei segnali deboli: Intercettazione precoce di pattern abusivi sommersi.
• Valutazione dinamica del rischio: Calcolo in tempo reale dell'indice di letalità di una situazione di stallo o di minaccia.
• Geolocalizzazione predittiva: Ottimizzazione delle risorse di vigilanza sul territorio nelle aree statisticamente più esposte.

I Pilastri Etici della Criminologia Predittiva

L'implementazione della tecnologia nel contrasto al femminicidio richiede un rigore etico assoluto. Come teorizzato nei moderni approcci della ricerca forense digitale, l'uso di modelli matematici deve sempre sottostare alla supervisione e alla responsabilità umana (human-in-the-loop). L'obiettivo della criminologia predittiva non è la punizione preventiva del soggetto, ma la tempestiva attivazione di protocolli di protezione della vittima e di percorsi di neutralizzazione della minaccia.

La trasparenza nell'addestramento dei dati, l'assenza di bias discriminatori e la finalizzazione etica dell'algoritmo sono le precondizioni necessarie affinché la tecnologia diventi un autentico scudo sociale. Implementare questi sistemi significa ridurre i tempi di risposta istituzionali, intervenendo "prima che sia troppo tardi".

UNCOPS V 2026. La protezione del patrimonio culturale nelle operazioni di pace - flipbook

 

L’algoritmo che salva le vite: come l’IA può prevedere l’escalation della violenza domestica A cura di Antonio Russo e Stefano Donno

 La criminologia contemporanea si trova dinanzi a un cambio di paradigma senza precedenti. Se per decenni la disciplina ha analizzato il fenomeno criminale prevalentemente ex post — ricostruendone le dinamiche causali a fatto avvenuto —, l'integrazione dei sistemi avanzati di Intelligenza Artificiale e Machine Learning offre oggi l'opportunità di affinare strumenti di valutazione del rischio ex ante.

Tra tutti gli ambiti applicativi della criminologia predittiva, quello della violenza di genere e della violenza domestica (Intimate Partner Violence, IPV) rappresenta il banco di prova più delicato e urgently prioritario.

Il limite delle valutazioni tradizionali e il valore dei dati

La violenza domestica non è quasi mai un atto improvviso e imprevedibile, ma il risultato di un'escalation progressiva caratterizzata da pattern ricorrenti: dinamiche di controllo coercitivo, minacce progressive, isolamento sociale ed episodi d'aggressione a intensità crescente.

Tradizionalmente, la stima del rischio di recidiva o di escalation letale è stata affidata a griglie di valutazione strutturate gestite da operatori delle forze dell'ordine e dei servizi sociali. Sebbene fondamentali, tali metodologie soffrono di due limiti intrinseci:

1. La frammentazione delle informazioni: I dati relativi alla potenziale vittima o al maltrattante sono spesso dispersi tra verbali di polizia, referti di pronto soccorso, segnalazioni ai servizi sociali o precedenti giudiziari.

2. Il fattore umano e temporale: La capacità di identificare la "soglia critica" prima che l'escalation sfoci in tragedia richiede il confronto simultaneo di centinaia di variabili individuali e di contesto in tempi estremamente ridotti.

Come funzionano gli algoritmi predittivi

I modelli algebrici e computazionali applicati alla criminologia preventiva (come il celebre sistema VioGén adottato dalle forze di polizia in Spagna o i più recenti modelli basati su reti neurali ricorrenti) elaborano moli complesse di dati per individuare correlazioni statistiche non immediatamente evidenti all'occhio umano.

Indicatore analizzato	Contributo al modello predittivo dell'IA
Storico giudiziario e  querele	Valutazione della frequenza, denunce pregresse e violazioni di provvedimenti protettivi.
Linguaggio e  messaggistica	Analisi del testo (NLP) per rilevare picchi nell'uso di termini coercitivi o minacciosi nei canali digitali.
Variabili di  vulnerabilità	Presenza di armi, abuso di sostanze, precarietà economica e livelli di isolamento sociale della vittima.
Pattern temporali	Monitoraggio degli intervalli di tempo tra un episodio di aggressività e il successivo.

Analizzando queste variabili in tempo reale, l'algoritmo non sostituisce la decisione dell'operatore, ma fornisce un indice quantitativo di rischio escalation, segnalando i casi che richiedono misure cautelari prioritarie o l'attivazione immediata di protocolli di protezione.

Le sfide etiche, metodologiche e giuridiche

Da docenti e studiosi del fenomeno criminale, è doveroso evidenziare come l'adozione dell'IA in ambito criminologico non sia priva di criticità. L'algoritmo non deve mai trasformarsi in un "oracolo automatizzato".

• I bias algoritmici: Se il dataset di addestramento contiene pregiudizi sistemici o difetti di rilevazione storica, il sistema rischia di sovra-stimare o sotto-stimare la pericolosità di determinati profili.

• Il principio della centralità umana (Human-in-the-loop): L'output algoritmico deve rimanere uno strumento di supporto alle decisioni, non un automatismo sanzionatorio o cautelare. La sensibilità e l'esperienza dell'operatore rimangono insostituibili.

• Privacy e tutela dei dati: Trattare informazioni estremamente sensibili richiede la massima aderenza alle normative sulla protezione dei dati personalissimi.

L'Intelligenza Artificiale non risolve da sola la piaga strutturale della violenza di genere, la quale affonda le proprie radici in dinamiche socio-culturali ed educative. Tuttavia, rifiutarsi di utilizzare modelli di analisi avanzata in grado di cogliere tempestivamente i segnali d'allarme di un'escalation violenta sarebbe una responsabilità colpevole.

Un algoritmo ben addestrato e guidato dall'etica professionale non si limita a elaborare numeri: contribuisce a guadagnare ore preziose, permettendo alle istituzioni di intervenire prima che sia troppo tardi.