Folge 004: Racial Profiling

Intro (00:00:00)

Thema des Podcasts und der Folge (00:00:18)

Willkommen zu Folge 4 beim datenleben-Podcast!
Wir sind Helena und Janine und möchten mit euch die Welt der Daten erkunden.
Data Science ist ein vielseitiges Berufsfeld, das in nahezu alle Bereiche unseres Lebens hineinreicht.
Wir wollen mit euch den Effekt von Daten auf unser Leben genauer ansehen.

Der Begriff Racial Profiling wird aktuell viel diskutiert
Der Tod von George Floyd hat in den USA und international eine neue Welle von Protesten ausgelöst
Berichterstattung ebbt ab, aber das Thema Polizeigewalt gegen BIPoC bleibt und ist wichtig
Deswegen sehen wir uns das Thema Racial Profiling an und möchten verschiedene Aspekte bereden
Hierbei gucken wir vor allem auf die USA, wo das Thema seit Langem diskutiert und untersucht wird
Ein wichtiges Stichwort ist hier Predictive Policing
Das Thema ist nicht nur eines der USA, wir versuchen auch Seitenblicke auf Deutschland zu werfen
Hier ist gerade in den letzten Wochen das Thema Racial Profiling medial aufgegriffen worden
Insbesondere in der Debatte um die vom Innenministerium abgesagte Studie zu Racial Profiling bei der deutschen Polizei
Inzwischen ist erfolgreich eine ePetition beim Deutschen Bundestag eingereicht worden, die das Quorum von 50.000 Mitzeichnern überschritten hat
Damit wird sich der Bundestag mit dieser Petition für eine Racial Profiling Studie befassen müssen

Warum ist das Thema Racial Profiling wichtig? (00:02:19)

Disclaimer: Wir sprechen beide aus der weißen Perspektive
Finden das thema wichtig, weil uns klar sein muss, gerade als weiße, was um uns herum passiert
Wie immer werden wir das Thema aus Data Science-Sicht betrachten, darin liegtunser Kompetenzbereich
Was nicht in unserer Kompetenz liegt, ist die Perspektive der betroffenen Menschen
Daher möchten wir euch einfach unsere Linkliste ans Herz legen, wenn ihr darüber mehr hören möchtet
Bleibt die Frage: Was hat Racial Profiling mit Data Science zu tun?
Wir befassen uns in dieser Folge nicht so sehr mit konkreten Daten
Sondern eher damit, wie die Daten erhoben werden und sich das auf die Praxis auswirkt
Wichtig ist: Woher kommen die Daten, wie entstehen sie, getreu dem Motto "Kenne Dein Messverfahren"

Einspieler: Racial Profiling und Predictive Policing (00:04:00)

Fangen wir bei der Frage an, was Racial Profiling eigentlich ist.
Als Racial Profiling bezeichnet man das Vorgehen, wenn Polizei-, Sicherheits-, Einwanderungs- und Zollbeamt*innen jemanden als verdächtig einschätzen, weil ein Mensch aufgrund ethnischer Merkmale, der Religionszugehörigkeit oder seiner Nationalität auffällt und nicht, weil es einen konkreten Verdacht gegen diese Person gibt.
Geprägt wurde der Begriff in der Kriminalistik der Vereinigten Staaten
Racial Profiling ist aus guten Gründen verboten, z.B. in den USA, Großbritannien und anderen Ländern
In Deutschland verstößt Racial Profiling gegen das Grundgesetz (Art. 3 Abs. 3 GG.) und das Allgemeine Gleichbehandlungsgesetz (AGG).
Und gegen die Europäische Menschenrechtskonvention und die internationalen Anti-Rassismus-Konvention
Warum ist Racial Profiling so ein großes Thema ist, wenn es eigentlich verboten ist?
In Deutschland kein explizites Verbot, aber implizit Handlungsspielräume für Racial Profiling
Und hier kommt auch das Stichwort Predictive Policing zum Tragen, die Vorhersagende Polizeiarbeit
Kurzer Ausflug in die Science-Fiction: Der Minderheiten-Bericht von Philip K. Dick, eine Kurzgeschichte aus dem Jahr 1956
Behandelt das Thema der Verbrechensbekämpfung basierend auf Visionen über zukünftige Ereignisse
Straftaten werden seltener begangen, weil die Verbrecher vorher verhaftet werden können
Philip K. Dick nimmt in seiner Erzählung bereits wesentliche Problematiken vorweg
Kann jemand schuldig sein, der nichts getan hat? Wie sehr ist das System dahinter vorgeprägt?
Diese Frage muss sich auch das Predictive Policing gefallen lassen
Dabei wird aus den Daten die Wahrscheinlichkeit für zukünftige Straftaten berechnet.
Auf dieser Berechnung können dann Polizeieinsätze koordiniert werden
Warum ist Predictive Policing aber beim Thema Racial Profiling relevant?
Das hat vor allem damit zu tun, wie stark Rassismus in unseren Gesellschaften verankert ist.
Man spricht hierbei vor allem von strukturellem oder auch institutionellem Rassismus
Racial Profiling entsteht dort, wo Menschen oder Maschinen von unüberprüften Vorannahmen ausgehen
Daten aus der Vergangenheit, die wir dafür heranziehen, müssen also genau angesehen werden

Struktureller Rassismus als Grundlage von Racial Profiling (00:09:23)

Rassismus ist für Betroffene nicht nur psychisch belastend, sondern bedroht auch ihr Leben
Beispiel aus den USA: BIPoc mit Diabetes sind häufiger von Amputationen betroffen
Weiteres sehr aktuelles Beispiel aus den USA: Schwarze sterben in Amerika häufiger an Covid-19
Und das Ganze steigert sich so weit, dass Schwarze häufiger durch die Polizei getötet werden
Die Washington Post erfasst seit 2015 alle Fälle von durch die Polizei getöteten Menschen
In absoluten zahlen, hat es vor allem weiße Menschen getroffen
Anders sieht es aus, wenn man sich aber Bevölkerungsanteile ansieht, demnach sind:
31 Schwarze/Million Schwarze, 23 Hispanic/Million Hispanic, 13 Weiße/Million Weiße, 4 "Andere"/Million "Andere" getötet worden
Zeigt sehr deutlich einen vorhandenen strukturellen Rassismus für Polizeigewalt in den USA
Deswegen schauen wir auch besonders auf die USA, da ist das Thema lange präsent und untersucht
Deswegen hätten wir es gut gefunden, wenn die Studie vom Innenministerium nicht abgesagt worden wäre
Struktureller Rassismus ist eine Grundbedingung für Racial Profiling und Polizeigewalt
Wie es dazu kommt, wurde in ihrem Sammelband zum Thema Racial Profiling sehr gut auf den Punkt gebracht:
Meinung: Racial Profiling stützt sich auf körperliche, religiöse oder kulturelle Unterschiede
Aber: Mithilfe von Racial Profiling werden Praktiken der Rassifizierung legitimiert und normalisiert
Racial Profiling ist: struktureller Rassismus, Alltagsrassismus, Produktion und Reproduktion von Rassismus durch institutionelle Praktiken des Rechtsstaats.
Und wie verhält es sich jetzt aber in der Realität mit Racial Profiling?

Wie verschlimmert Predictive Policing Diskriminierungen? (00:13:51)

Studie aus März 2019 der New York University School of Law and NYU’s AI Now Institute
Besagt: Predictive Policing hat ein großes Risiko bestehnde Diskriminierungen noch zu verschlimmern
Grund: Predictive Policing Systeme werden mit dirty data gefüttert
Es gibt in den USA viele Jurisdiktionen in denen die Polizeiarbeit voreingenommen ist
Voreingenommen wird auch in den Statistiken gerne als biased bezeichnet
Voreingenommenheit bezieht sich hier auf bestimmte Gruppen
Beispiel: Polizei Chicago versucht Opfer/Täter von Tötungsdelikten oder Schießereien vorherzusagen
Ergebnis: Es sind die Gruppen betroffen, gegen die die Polizei vorher schon voreingenommen war
Wie wirkt sich Voreingenommenheit aus?
Angenommen es gibt 3 Plätze in einer Stadt, auf denen gleich viel Kriminalität passiert
Hat die Polizei ein Vorurteil bzgl. eines Platzes, kontrolliert diesen daher mehr
So wird sie dort mehr Kriminaliät entdecken als auf den anderen Plätzen
Wenn mehr entdeckt wird, taucht auch mehr in der Statistik auf
Das Predictive Policing System soll jetzt auf diesen Statistiken Vorhersagen treffen
Ergebnis wird sein: Platz hat mehr Kriminalität, sollte häufiger kontrolliert werden
Und das lässt sich genauso auf Racial Profiling anwenden
Zum Beispiel wenn dieser Platz in einem Wohnviertel liegt, in dem vor allem Schwarze Menschen leben
Wie verschlimmert Predicitve Policing dann bestehende Diskrimienierung?
Polizeiarbeit konzentriert sich stärker auf diesen Platz, Vorhersage führt zu mehr Kontrollen
Verlagert sich dann nicht die Kriminalität zu anderen Plätzen wechseln? Hebt sich das nicht auf?
In dem Moment wo es ganze Wohngebiete betrifft, greift das nicht, das Gebiet ist zu groß
Korruptes Vorgehen der Polizei ist ebenfalls ein Thema bei dirty data
Verhält sich die Polizei an einem Ort korrupt, überträgt sich das auch in die vorhandenen Daten
Somit werden Menschen die ohnehin unter der Korruption zu leiden haben, noch weiter diskriminiert
Fazit: Bei Predictive Policing Systemen, muss man sich fehlerhafter Eingangsdaten bewusst sein

Was ist der Implicit Racial Bias? (00:20:01)

Dissertation über Racial Profiling in Deutschland verweist auf Implicit Racial Bias als eine Grundbedingung von Racial Profiling
Beispiel darin: Eine vom Psychologen Joshua Corell entwickelte Testreihe, die 2002 publiziert wurde
Experimente: Videosimulation, in der auf eine Person entweder geschossen oder nicht geschossen wird
Inhalt: Gezeigt wird eine unbewaffnete Person mit harmlosen Gegenstand oder eine bewaffnete Person
Die gezeigten Personen sind entweder Schwarz oder weiß
Ergebnis: Es wird eher auf Schwarze unbewaffnete, als auf weiße bewaffnete Personen geschossen
Auch dann, wenn der Proband selber Schwarz war
Erklärung: Schwarze Teilnehmer sind als "Teil der US-amerikanischen Gesellschaft"
Sie sind den gleichen negativen Stereotypen ausgesetzt und übernehmen den Implicit Bias
Auswirkung des Implicit (Racial) Bias
Ein Schwarzer Mensch wird fünfmal so oft grundlos von der Polizei angehalten wie ein weißer Mensch
Schwarze haben eine doppelt so hohe Wahrscheinlichkeit, verhaften zu werden wie weiße Menschen

Wie wirken sich Personenbezogene Vorhersagen aus? (00:22:41)

Vorhin im Beispiel bezog sich Predictive Policing auf Orte
Das Beispiel der Polizei Chicago bezog sich aber auf ein andere Variante für Vorhersagen auf Basis:
Von Alter, Geschlecht, verheiratet/ledig, Drogenerfahrungen, bereits kriminell auffällig oder nicht
Es ist explizit in den USA verboten die Hautfarbe, bzw. "race" (Begriff nicht 1:1 ins Deutsche übersetzbar) zu erfassen
Aber: Dieser Aspekt ist trotzdem in den anderen Punkten codiert
Kontrolliert man Schwarze Jugendliche häufiger auf Drogen, werden sie häufiger damit erwischt
Damit tauchen sie auch häufiger in der Statistik auf, als weiße Jugendliche
Selbst wenn Schwarze Jugendliche insgesamt seltener Drogen nehmen, werden sie häufiger erwischt
Wer in der Statistik steht, wird dann auch öfter persönlich von Predictive Policing betroffen sein
Bei einem Verhältnis von 5:1 werden Schwarze stärker in der Statistik auffallen, auch wenn Weiße doppelt so oft kriminell sind.
Beispiel: Polizei Chicago nutzte personenbezogene Vorhersagen, für Gefährdergespräche
Wenn eine so vorgewarnte Person später tatsächlich straffällig wurde, fiel das Strafmaß höher aus
Auch, wenn der Grund des Gefährdergesprächs ein anderer Sachverhalt war, als die begangene Straftat
Auch das ist ein Beispiel für sich verstärkende Diskriminierung durch Predicdiv Policing
Müssen uns bewusst sein, dass die Systeme zu missbräuchlichen Schlüssen führen können
Das führt hier dazu, dass jemand zusätzlich für etwas bestraft wird, das er nicht getan hat
Fazit: Predictiv Policing verstärkt Diskriminiering weiter, wenn die Systeme auf Basis bisheriger Polizeiarbeit trainiert werden
Heißt auch: Aktuell kann Predictive Policing nicht objectiver sein, als der Mensch selbst

Algorithmen und Entscheidungen über Haftentlassungen (00:27:05)

Predicitve Policing ist auch die Basis für Entscheidungsfindung bei (vorzeitigen) Haftentlassungen
Die Entscheidungen bauen auch auf Daten aus der Polizeiarbeit auf, daher hier das gleiche Problem
Haftentlassungen sind an zwei Punkten interessant:
1. Personen auf Kaution freilassen, 2. verurteilte Person frühzeitig aus der Haft entlassen
Kaution: In Cook County/Illinois haben Richter 30 Sekunden, für die Entscheidung Kaution vs. Haft
Bei so wenig Zeit pro Fall, ist die Wahrscheinlichkeit hoch, dass einer computergestützten Entscheidung über Wahrscheinlichkeiten blind vertraut wird
Es bleibt keine Zeit darüber nachzudenken, ob der vorliegende Fall vielleicht anders aussieht
Haftentlassungen: Hierzu werden in einigen Jurisdiktionen der USA bereits Systeme verwendet
Idee: Man entlässt Personen mit geringer Wahrscheinlichkeit wieder straffällig zu werden früher
Beispiel: Es wird behauptet ein System im Bundesstaat Washington lag in 70% der Fälle richtig
Personen mit einem geringen Rückfälligkeitsrisiko wurden zu 10% wieder straffällig
Personen mit einem hohen Rückfälligkeitsrisiko wudren zu 47% wieder straffällig
Moralische Frage: Wenn weniger als die Hälfte der Personen, denen ein hohes Risiko bescheinigt wird, wieder straffällig werden, wie ist es dann zu rechtfertigen, dass die Mehrheit der Personen dafür bestraft wird, was andere tun, indem sie Länger im Gefängnis verbleiben?
Weiterer Kritikpunkt: Der Algorithmus ist nicht transparent
Datengrundlage und Entscheidungsfindung sind von außen nicht nachvollziehbar
Wie kann man dann Entscheidungen auf dieser Grundlage rechtfertigen, vernünftig begründbar?
Wichtig wäre: beim Einsatz eines solchen Systems das ganze Verfahren transparent zu machen

Will man so einen Algorithmus überhaupt haben? (00:32:18)

Haben ja gesehen, dass es auch mit Bewusstsein über Implicit Bias schwer ist, ihn rauszuhalten
Wenn das aber die Grundlage ist, wie kann so ein System dann sinnvoll funktionieren?
Wenn man davon ausgeht, dass man eine neutrale Datengrundlage hat und einen nachvollziehbaren Algorithmus, würde dieser dann nicht bessere Entscheidungen treffen als der Mensch?
Was hieße nachvollziehbarer Algorithmus aber überhaupt, wenn es um maschinelles Lernen geht?
Neuronale Netze: Ungeeignet, da sie langfristig nicht nachvollziehbar zu Entscheidungen kommen
Entscheidungsbäume: Bilden eine nachvollziehbare Entscheidung ab
Nachvollziehbare Entscheidungen sind wichtig, um gegen Entscheidungen Einspruch einlegen zu können
Weil ein System vielleicht doch noch/wieder einen Bias haben kann
Problem: Verbreitete Einstellung zu Computern: Der Computer sagt etwas, also hat er recht
Könnte auch beim Predictive Policing zum Problem werden: Man schiebt die Antwortung von sich weg
Andere sagen, man sollte in solchen Systemen den Bias aktiv einführen, zum Beispiel "race"
Das soll für einen Ausgleich in der Entscheidungsfindung sorgen, aber das kann auch schwierig werden
Vorschlag ist: Wenn Schwarze Menschen 5x so häufig kontrolliert werden, setzt man Werte anders
Beispiel: Wahrscheinlichkeiten werden bei weißen mit 70% und mit Schwarzen mit 90-95% angegeben
So könnte Faktor des Racial Bias ausgleichen
Funktioniert aber nur, wenn vorher der Racial Bias auch analysiert wurde und bekannt ist
Ist das so möglich? Dürfte man das überhaupt machen? (Stichwort: Gleichheit der Menschen)
Schwierig einzuschätzen, wie sich das in der rechtlichen Situation jeweils darstellen lässt
Aber Gedanken darüber und mögliche Konsequenzen dazu zu betrachten, ist wichtig

Kurzer Blick auf Deutschland (00:40:42)

Wir haben uns bisher hauptsächlich auf Amerika bezogen, weil das Thema dort sehr groß ist
Und das mussten schon viel zu viele Menschen selbst erfahren
Die Auswirkungen sind sehr drastisch für das gesamte Leben und sind immer wieder sehr erschreckend
Das heißt aber nicht, dass es das in anderen Ländern nicht gibt
Struktureller Rassismus und Racial Profiling wird auch in Deutschland erlebt
Weil wir darüber aus Betroffenensicht nicht sprechen können und uns das auch nicht anmaßen wollen
haben wir eine kleine Sammlung von weiteren Quellen, Artikeln und Podcasts zusammengestellt
Besonders hervorheben möchten wir hier aber trotzdem zwei Beispiele aus dem Alltag
Kontrollen im Zug: Am 7. Juli berichtete der Bundestagsabgeordnete Karamba Diaby, dass er zusammen mit einer weiteren Schwarzen Person im Zug nach seinem Ausweis kontrolliert wurde, aber keine einzige weiter Person im Wagon kontrolliert wurde
Typisches Beispiel für Racial Profiling in Deutschland
Wer auf Twitter ist, kann unter #RacialProfiling leider viele weitere Beispiele finden
Kontrollen auf Plätzen: Barakat H. wird als Anwohner seit Jahren in St. Pauli regelmäßig von der Polizei kontrolliert
Einige Polizisten kennen ihn bereits mit Namen und lassen es dennoch nicht
Es gibt bereits eine gerichtlich erwirkte Dienstanweisung, die diese Kontrollen untersagt
Dennoch finden sie weiterhin statt

Wie wirkt sich Racial Profiling auf Betroffene aus? (00:43:42)

Ständige Kontrollen oder die Angst davor hat Folgen und ist belastend
Darauf macht die Bundeszentrale für Politische Bildung in einem kurzen Dossier zum Thema aufmerksam:
Öffentliche Demütigung, physische und psychosoziale Verletzungen und Krisen
Racial Profiling beansprucht viel Zeit und Energie, produziert psychischen und körperlichen Stress
Wird von vielen Betroffenen als Gewalt erlebt, kann langanhaltende psychische Belastungen auslösen
Es gibt keine unabhängigen Beschwerdestellen
Wie kommt es immer wieder dazu, wo es doch gegen verschiedene Gesetze und Konventionen verstößt?
Ein Grund: Es gibt gesetzlichen Bestimmungen, die den agierenden Institutionen Befugnisse einräumen
Diese können im Sinne des Racial Profiling diskrimminierend eingesetzt werden
Anlasslose Kontrollen, die auf äußerlichen Merkmalen oder Orten wie Ländergrenzen beruhen
Dazu eine Studie vom Deutschen Institut für Menschenrechte, die von Hendrik Cremer durchgeführt wurde
"Racial Profiling" – Menschenrechtswidrige Personenkontrollen nach § 22 Abs. 1 a Bundespolizeigesetz
Zum Beispiel wird dort explizit festgehalten:

Dass die Bundespolizei im Rahmen von § 22 Abs. 1 a BPolG diskriminierende Personenkontrollen vornimmt, dass es zu grund- und menschenrechtswidrigem Verhalten kommt, liegt vor allem in der Norm selbst begründet. Die Norm ist darauf angelegt, dass die Bundespolizisten anhand von Pauschalverdächtigungen selektive und damit rassistische Personenkontrollen vornehmen.

Diese Studie empfiehlt daher auch die Streichung von 22 Abs. 1a BPolG.
Es wird empfohlen, dass dieses Thema in der Ausbildung der Polizei eine größere Rolle spielen soll

Fazit: Sei ein antirassistischer Data Scientist (00:47:07)

Schlagworte dieser Folge waren also: Racial Profiling, struktureller Rassismus, Predictive Policing
Es ist eindeutig, dass bestimmte Gruppen von Menschen auf eine Art und Weise benachteiligt sind, die diskrimminierend, rassistisch und lebensbedrohlich ist.
Sind deswegen aber die Daten rassistisch und diskriminierend? Nein. Es ist der Mensch.
Der Mensch, die die Strukturen geschaffen hat, in denen die Daten erhoben und interpretiert werden
Er interpretiert die Daten entsprechend seiner Gewohnheiten, Sozialisation oder seiner Überzeugungen
Auf dem Weg in eine Zukunft mit Big Data müssen wir diese Strukturen abschaffen
Daten sind ein Werkzeug und Werkzeuge können missbraucht – aber auch positiv eingestetzt werden
Daten könnten sogar helfen, Diskriminierung zu beenden, indem sie aufzeigen wo es strukturelle Diskriminierung gibt
Erst, wenn uns diese Strukturen auffallen, können wir sie verhindern
Es gilt, wie in jeder Folge: Kenne Dein Messverfahren.
Das heißt hier vor allem: Kenne die Geschichte der Daten und lerne mit ihr umzugehen.
Was können Data Scientists tun, um dagegen vorzugehen, dass Daten diskriminierend verwendet werden
Artikel auf Towards Data Science: 5 Steps to Take as an Antiracist Data Scientist
Data scientists sind Datenverwalter: sie sammeln, speichern, transformieren und visualisieren Daten
Mit ihrer Tätigkeit haben sie auch einen Einfluss darauf, wie die Daten benutzt werden
Nicht-Schwarze Data Scientists sollten, nicht nur nicht rassistisch, sondern antirassistisch sein
Bedeutet: aktiv zu werden, sich seiner Verantwortung bewusst werden und Wandel unterstützen
Die 5 Schritte, die empfohlen werden
1. Privilegien und tradierte Einstellungen erkennen, ändern und aktiv gegen Rassismen vorgehen
2. Lernen, wie Daten und Algorithmen benutzt werden, um Rassismus zu verfestigen
3. Eigene Arbeit hinterfragen und rassistische Entscheidungen und Algorithmen vermeiden
Beispiel: Sammlung an Fragen anzulegen, die man sich standardmäßig bei neuen Projekten stellt:
Wie wurden die Daten gesammelt? Lag eine Erlaubnis für die Datensammlung vor? Zu welchem Zweck?
Welcher Bias steckt in den Daten? Erzeugen sie einen neuen Bias? Wie werden Ergebnisse verstanden?
4. Diversität im Berufsfeld Data Science fördern:
Anonymisierte Einstellungsprozesse, Fördermöglichkeiten, Führungspositionen divers besetzen
5. Finanzielle Förderung an Organisationen spenden, die Data Awareness betreiben, Diversität fördern
Diese Schritte lassen sich auf anderen marginalisierten Gruppen und andere Berufsfelder übertragen
Dabei ist auch klar, dass nicht jeder in der Position ist alle diese Schritte umzusetzen
Aber sich das bewusst zu machen, kann auch schon eine große Hilfe sein, Handlungsspielräume zu sehen
Für einen Weg zu einer diversen Gesellschaft, damit andere nicht weiter ausgrenzt, sondern räume geöffnet werden, die bisher verschlossen sind

Nächstes Thema: Wetterprojekt am 26.09.2020 (00:53:32)

Beim Thema Predicitve Policing ging es jetzt auch schon um Wahrscheinlichkeitsaussagen
Wie man eigentlich Wahrscheinlichkeiten interpretieren kann, wird u.a. Thema der nächsten Folge
Thema: Wetterprojekt von Helena und Rebecca zur Darstellung von Wettervorhersagen
Wie läuft so ein Projekt? Zusammenarbeit, Designprozess, Konzeptentwicklung, Wahrscheinlichkeiten
Rebecca wird dazu als Gast in unserem Podcast zusammen mit Helena vom Projekt berichten

Call to Action (00:54:54)

Wenn ihr uns weiter hören möchtet, folgt uns auf Twitter unter @datenleben
Oder besucht unsere Webseite: www.datenleben.de
Hinterlasst gerne Fragen, Themenvorschläge oder Feedback
Ausserdem würden wir uns auch freuen, wenn jemand Lust hat unseren Podcast auf iTunes zu bewerten

Outro (00:55:37)

Schlagworte zur Folge

Racial Profiling, Predictive Policing, struktureller Rassismus, Betrachtung von Wahrscheinlichkeiten, dirty data

Quellen

Weiterführende Links

One Reply to “Folge 004: Racial Profiling”

Sebastian sagt:

13. November 2020 um 18:10 Uhr

Wow, als ich vor einigen Monaten den Jingle für euch komponiert habe, dachte ich „Spannender Podcast“, aber nicht dass es so politisch wird! Habe jetzt erst die ersten Folgen hören können und wollte euch aber unbedingt für diese tolle, nachdenkliche und spannende Arbeit danken! Macht weiter so, ich freue mich schon darauf, was weiter zu hören gewesen sein wird!

Antworten