Künstliche Intelligenz und Strafzumessung

Name: Künstliche Intelligenz und Strafzumessung | Wie der Einsatz technischer Hilfsmittel für eine gerechtere Sanktionspraxis im digitalen Zeitalter sorgen könnte
Brand: Nomos
Price: 124.0 EUR
Availability: OnlineOnly

Wie der Einsatz technischer Hilfsmittel für eine gerechtere Sanktionspraxis im digitalen Zeitalter sorgen könnte

Benedikt Kohn(Autor*in)

Nomos (Verlag)

1. Auflage

Erschienen am 11. Oktober 2021

440 Seiten

E-Book

PDF mit Adobe-DRM

Systemvoraussetzungen

978-3-7489-1283-5 (ISBN)

124,00 €inkl. 7% MwSt.

Systemvoraussetzungen

für PDF mit Adobe-DRM

E-Book Einzellizenz

Als Download verfügbar

Beschreibung

Weitere Details

Weitere Ausgaben

Inhalt

Cover
Einleitung
Teil 1: Künstliche Intelligenz
I. Auf der Suche nach einer Begriffsbestimmung
1. Fehlende Basis: Was ist Intelligenz?
2. Definitionsversuche: Was ist Künstliche Intelligenz?
3. Grund des Scheiterns: Heterogenität des Forschungsfeldes
4. Annäherung an den Begriff: Eine Arbeitsdefinition
II. Geschichte der Künstlichen Intelligenz
1. Vorgeschichte der KI-Forschung
a) Erste Visionen: Antike
b) Die Grundsteine: Mittelalter und das Zeitalter der Aufklärung
c) Automatisierung: Zeitalter der Industrialisierung
d) Der Durchbruch: Computerzeitalter
2. Beginn der KI-Forschung
a) Der Startschuss: Turing als "Vater der KI-Forschung"
b) Die Geburt des KI-Begriffes: "Dartmouth Summer Project"
3. Entwicklungsphasen der KI-Forschung
a) Frühe Forschung: Mitte der 1950er bis Mitte der 1960er Jahre
aa) Die Anfangsphase: Ehrgeizige Ziele
bb) Fortschritt durch Heuristik: Das erste KI-Programm
b) Spielerische Entwicklung: Mitte der 1960er bis 1970er Jahre
aa) KI als Gegner: Erprobung in Brettspielen
bb) Verstärkte Spezialisierung
c) Der Schritt in die Realität: Mitte der 1970er bis Ende der 1980er Jahre
aa) Expertensysteme
bb) "KI-Winter"
III. Die KI der Neuzeit
1. Maschinelles Lernen (machine learning)
a) Formen des Lernens
b) Symbolbasiertes Maschinelles Lernen
2. Tiefes Lernen (deep learning)
a) Rückbesinnung auf einen alten Forschungszweig
b) Funktionsweise von Künstlichen Neuronalen Netzen
aa) Künstliche Neuronen und deren Verbindungen
bb) Training der Künstlichen Neuronalen Netze
IV. Ergebnis
Teil 2: Strafzumessung
I. Die Strafzumessung in der Theorie
1. Strafzumessung im engeren Sinne: Entscheidung über die Strafhöhe
a) Strafzumessung und Gesetzgebung: Vage Vorgaben
aa) Der gesetzliche Strafrahmen
bb) § 46 StGB
(1) Die Grundlagenformel: § 46 Abs. 1 S. 1 StGB
(2) Die Abwägung und der Katalog des § 46 Abs. 2 StGB
b) Strafzumessung durch den Richter: Die Entscheidung im Einzelnen
aa) Phasen der Strafzumessung
bb) Strafzwecke
(1) Absolute Strafzwecke: Sühne und Vergeltung
(2) Relative Strafzwecke
(a) Generalprävention
(aa) Negative Generalprävention
(bb) Positive Generalprävention
(b) Spezialprävention
(aa) Negative Spezialprävention
(bb) Positive Spezialprävention
(3) Vereinigungstheorien
(a) Klassische Vereinigungstheorien
(b) Empiriebasierte Vereinigungstheorien
(aa) Theorie der verhältnismäßigen Generalprävention
(bb) Theorie der retributiven Generalprävention
cc) Strafzumessungstheorien
(1) Vorstellung der Strafzumessungstheorien
(a) Theorie der Punktstrafe
(b) Theorie der Strafe als sozialer Gestaltungsakt
(c) Theorie der generalpräventiven Strafzumessung
(d) Stellenwerttheorie
(e) Tatproportionalitätslehre
(f) Schuldrahmenlehre (Spielraumtheorie)
(2) Einsatzmöglichkeiten Künstlicher Intelligenz im Rahmen der Strafzumessungstheorien
(a) Theorie der Punktstrafe
(b) Theorie der Strafe als sozialer Gestaltungsakt
(c) Theorie der generalpräventiven Strafzumessung
(d) Stellenwerttheorie
(e) Tatproportionalitätslehre
(f) Schuldrahmenlehre (Spielraumtheorie)
dd) Problem der Umwertung: Der Einstieg in den Strafrahmen
2. Strafzumessung im weiteren Sinne: Sanktionswahl und Vollstreckungsentscheidung
a) Freiheitsstrafe oder Geldstrafe? § 47 StGB
b) Strafaussetzung zur Bewährung? § 56 StGB
c) Genügt eine Verwarnung? § 59 StGB
d) Einsatzmöglichkeiten Künstlicher Intelligenz bei der Strafzumessung im weiteren Sinne
II. Die Strafzumessung in der Praxis
1. Regionale Unterschiede
a) Bestandsaufnahme
aa) Empirische Befunde
bb) Erklärungsansätze
b) Auswirkungen
aa) Strafzumessungsunterschiede als Ausdruck unterschiedlicher Strafbedürfnisse?
(1) Strafzumessungsunterschiede als Wertungspluralität
(2) Örtliche Zuordnung möglich?
(3) Empirischer Nachweis fehlt
bb) Strafzumessungsunterschiede als gesellschaftliches Problem
(1) Vertrauensverlust in den Rechtsstaat
(2) Optimierungsgebot
(3) Kein Ausdruck von modernen Werten
(4) Unmut bei den Betroffenen
c) Zwischenergebnis
2. Menschliche Unvollkommenheit
a) Unbewusste Vorurteile
aa) Benachteiligung von Minderheiten?
bb) Einfluss von Geschlecht
b) Tagesform
aa) Hunger und Erschöpfung
bb) Schlafdefizite
c) Psychologische Effekte: Wahrnehmungs- und Beurteilungsfehler
aa) Selektive Verarbeitung von Informationen
bb) Ankereffekte in der Hauptverhandlung
d) Verdeckte Strafzumessungsgründe und schematische Beurteilung
aa) "Verdeckte" Strafzumessungsgründe
bb) "Schematisierung" der Strafzumessung
e) Zwischenergebnis
III. Ergebnis
Teil 3: Verwendung von KI in der juristischen Praxis
I. USA: Risk-Assessment-Tools zur Bestimmung der Strafe
1. Die Gründe für Risk-Assessment-Tools
2. Die Geschichte der Risk-Assessment-Tools
3. Der aktuelle Stand der Risk-Assessment-Tools
a) Arten von Systemen
b) Funktionsweise
c) Auswirkung
4. Atypische Verwendung von Risk-Assessment-Tools
5. Probleme und Kritik
a) Fairness
aa) Vorgeschichte
bb) ProPublica-Studie
cc) Reaktionen auf die Studie
dd) Zwischenergebnis
b) Genauigkeit
c) Transparenz
d) Zwischenergebnis
6. Die Grundsatzentscheidung der Rechtsprechung: Der Fall Loomis gegen Wisconsin
a) Gegenstand des Falles
b) Entscheidung des Supreme Courts of Wisconsin
c) Vorgaben des Supreme Courts of Wisconsin für die Nutzung von COMPAS
7. Zwischenergebnis
II. China, Europa und der Rest der Welt: Unterschiedlicher Einsatz weltweit
1. Einsatz in China
a) Modernisierung des Rechtswesens durch KI-Unterstützungssysteme: Verwirklichung einer nationalen Strategie
b) Shanghai AI Assistive System on Criminal Cases (206 System)
aa) Die Entwicklung des 206 Systems: Interdisziplinäre Zusammenarbeit, KI und Big Data
bb) Die Funktionen des 206 Systems: Strafrechtliche Full-Service-Unterstützung
c) Shanghai AI Assistive System for Civil and Administrative cases (Civil and Administrative 206 System)
d) Zwischenergebnis
2. Einsatz in Europa
a) Estland: Projekt Künstlicher Richter
b) Niederlande und Großbritannien: Online Dispute Resolution durch KI
3. Einsatz im Rest der Welt
a) Malaysia: KI-Unterstützung für den Richter bei der Beurteilung von Drogendelikten und Vergewaltigungen
b) Indien: Aufsehen erregende Forderung des obersten Richters
c) Australien: Bringen drei Rechtslehrer den Stein ins Rollen?
III. Ansätze in Deutschland
1. Frühe Ansätze für den Einsatz von KI in der deutschen Rechtswissenschaft
a) Konkretisierung unbestimmter (Rechts-)Begriffe: Fuzzy Logik
b) Lösung von (Rechts-)Problemen durch Klassifizierung: Künstliche Neuronale Netze
2. Ansätze für den Einsatz von KI im Rahmen der Strafzumessung
a) Zunächst geringes Interesse an der Thematik Strafzumessung
b) Giannoulis' Decision-Support-System
3. Zwischenergebnis: Aktueller Stand und Ausblick
IV. Ergebnis
Teil 4: Verfassungsrechtliche Fragen des Einsatzes von KI
I. Art. 97 GG: Die richterliche Unabhängigkeit und KI
1. Grundlegendes zur Unabhängigkeit des Richters
a) Weites Verständnis sachlicher Unabhängigkeit
b) Die Unabhängigkeit von der Judikative selbst
2. Zulässigkeit von KI-Systemen im Rahmen der Strafzumessung
a) Bindende Entscheidungen: KI als Richterersatz
b) Strafmaßempfehlungen: KI als Unterstützung des Richters
aa) Erstellung des Systems unter maßgeblicher Beteiligung der Judikative
(1) Menschliche richterliche Empfehlungen in Bezug auf Art. 92, 97 Abs. 1 GG nicht zu beanstanden
(2) Nichts anderes kann für maschinelle Empfehlungen gelten
bb) Erstellung des Systems unter maßgeblicher Beteiligung der Legislative
cc) Erstellung des Systems unter maßgeblicher Beteiligung der Exekutive
c) Vorschläge des Computers und Möglichkeit des Abweichens mit Begründung
aa) Appetit in der Praxis
bb) Erstellung des Systems unter maßgeblicher Beteiligung der Legislative
cc) Erstellung des Systems unter maßgeblicher Beteiligung der Judikative
3. Zwischenergebnis
II. Art. 1 Abs. 1 GG: Angeklagter als Objekt?
1. Grundlegendes zur Menschenwürdegarantie
a) Menschenwürde als höchster Wert
b) Sachlicher Schutzbereich: Die Objektformel
2. Zulässigkeit von KI-Systemen im Rahmen der Strafzumessung
a) Fehlendes rechtliches Gehör nach Art. 103 Abs. 1 GG?
aa) Der Gewährleistungsgehalt von Art. 103 Abs. 1 GG
bb) Keine Beeinträchtigung durch unterstützenden Einsatz von KI bei der Strafzumessung
b) Verletzung des Schuldprinzips?
c) Objektstellung des Angeklagten durch Einsatz eines Computers?
d) Keine automatisierten Einzelfallentscheidungen: Wertung des Art. 22 DSGVO
aa) Gewährleistungsgehalt von Art. 22 DSGVO
bb) Einsatz von KI bei der Strafzumessung als Fall von Art. 22 Abs. 1 DSGVO?
(1) Beeinträchtigung durch bindende maschinelle Entscheidung
(2) Keine Beeinträchtigung durch unterstützenden Einsatz
3. Zwischenergebnis
III. Art. 101 Abs. 1 S. 2 GG: Das Recht auf die gesetzliche KI?
1. Grundlegendes zum Recht auf den gesetzlichen Richter
a) Allgemeines
b) Materieller Gehalt
2. Zulässigkeit von KI-Systemen im Rahmen der Strafzumessung
a) Ersetzung des Richters durch bindende Entscheidung
b) Unterstützungs-Tool für den Richter
3. Zwischenergebnis
IV. Ergebnis
Teil 5: Praktische Probleme des Einsatzes von Künstlicher Intelligenz bei der Strafzumessung
I. Fehlende (digitale) Infrastruktur
1. Notwendige Maßnahmen: Elektronische Datenerfassung und flächendeckender Aufbau von IT
2. Beitrag der Wissenschaft
a) Notwendigkeit einer verstärkten interdisziplinären Zusammenarbeit
b) Smart-Sentencing-Database des Legal Tech Lab Cologne
3. Beitrag der Politik: (Zu) große Defizite bei E-Government und E-Justice
4. Zwischenergebnis
II. Vertrauen in Entscheidungen Künstlicher Intelligenz
1. Vertrauen der Bevölkerung in Künstliche Intelligenz
a) Problematik
aa) "Algorithm Aversion".
bb) .oder "Algorithm Appreciation"?
cc) Starke negative Auswirkung von Fehlern
dd) Zwischenergebnis
b) Umgang mit KI in der Deutschen Bevölkerung
aa) Große Skepsis gegenüber automatisierten Entscheidungen - vor allem im Bereich der Justiz
bb) Überwiegend negative Assoziationen mit Algorithmen
cc) Erklärungsversuche
c) Umgang mit KI in der Europäischen Bevölkerung
aa) Erkennen von mehr Vorteilen als Problemen - trotz geringer Kenntnis über Algorithmen und ihre Einsatzfelder
bb) Gemischte Assoziationen mit Algorithmen
cc) Große Skepsis gegenüber automatisierten Entscheidungen nährt den Wunsch nach Kontrolle
d) Konsequenz für Akzeptanz der Strafzumessungsentscheidung
e) Lösungsansätze
aa) Dauerhafte Qualität
bb) Transparenz
cc) Kontrolle
dd) Gesellschaftlicher Diskurs
2. Umgang mit der Anwendung von KI-Unterstützung
a) Einführung in die Problematik
b) Genauigkeit und Einschätzung der Leistung
aa) Ergebnisse
bb) Fehlerhafter Umgang von Menschen mit automatisierten Entscheidungen
cc) Zwischenergebnis
c) Verwendung der Entscheidungshilfen
aa) Das "Wie" der Verwendung
bb) Das "Ob" der Verwendung
3. Zwischenergebnis
III. Unvoreingenommenheit und Fairness?
1. Voreingenommenheit: Frage nach der Neutralität von Maschinen
a) Einfallstor Training: "Polluted Data"
aa) Verschmutzte Daten und deren Auswirkungen
bb) Die Entstehung von verschmutzten Datensätzen
cc) Problem: Proxy-Variablen
b) Einfallstor Mensch
2. Fairness: Das Dilemma
a) Darstellung des Dilemmas
aa) Was ist Fairness?
bb) Error-Rate-Balance
cc) Predictive Parity
dd) Zwingendes Ergebnis
b) Auflösung des Fairness-Dilemmas
aa) Vermeidung der Problematik
bb) Gesellschaftspolitische Auseinandersetzung mit der Problematik
3. Filter: Voreingenommenheit bei der Verarbeitung des Ergebnisses
4. Bewertung der Ergebnisse
a) Vorurteilsfreie maschinelle Entscheidungen als gesamtgesellschaftliche Aufgabe
b) Maschinelle Entscheidungen als Fortschritt gegenüber rein menschlichen
IV. Herstellen von Transparenz: Der Blick hinter die "Black Box"
1. Begriffsbestimmung von Transparenz
a) Transparenz - mehr als die Offenlegung technischer Details
b) Formen der Erklärung
aa) Mögliche Ansätze der Erklärung von KI
bb) Notwendigkeit einer Kombination von Erklärungsformen
c) Zwischenergebnis
2. Allgemeine Darstellung des Systems
a) Belehrung über Bestehen und Tragweite der maschinellen Entscheidungsfindung
b) Notwendigkeit der Offenlegung des zugrunde liegenden Algorithmus?
aa) Kein Anspruch auf Offenlegung aus dem Informationsfreiheitsgesetz bei privaten Herstellern
bb) Zurückhaltung in Rechtsprechung und Wissenschaft
cc) Interesse an Offenlegung überwiegt
c) Zwischenergebnis
3. Erklärung der konkreten Entscheidung
a) Erklärung durch Erkläralgorithmen
b) Erklärung durch Kontrafaktuale
4. Zwischenergebnis
V. Überwachung und Kontrolle
1. Überwachung des Systems: Qualitätssicherung durch technische und organisatorische Maßnahmen
a) Technische und organisatorische Maßnahmen
b) Qualitätssicherung bei Erstellung und Kontrolle durch die Öffentlichkeit
2. Überprüfung der Strafzumessungsentscheidung
a) Aktuell: Eingeschränkte Überprüfungsmöglichkeit in der Revision
b) Revisionsgerichtliche Strafmaßüberprüfung - quo vadis?
3. Einbeziehung der Anwender: Schulung und Gebrauchshinweise
a) Schulung der Verwender
b) Gebrauchshinweise
4. Zwischenergebnis
VI. Ergebnis
Teil 6: Aufbau eines KI-Systems für die Strafzumessung
I. Vorüberlegungen zum Einsatz eines KI-Systems
1. Mögliche Einsatzfelder von KI im Rahmen der Strafzumessung
a) Stärken von KI: Überlegenheit bei Bewertungs- und Prognoseentscheidungen
aa) Generelle Studien zur Überlegenheit von maschinellen Prognosen
bb) Studien zur Überlegenheit von Risk-Assessment-Tools in den USA
cc) Abweichung von maschinellen Risk-Assessment-Entscheidungen
b) Folgen der Überlegenheit von KI für den möglichen Einsatz bei der Strafzumessung
aa) Frage des "Ob": Einsatz im Rahmen der Strafzumessung sinnvoll
bb) Frage des "Wie": An welcher Stelle kann KI helfen?
(1) Phasen der Strafzumessung und mögliche Einsatzfelder
(2) Sinnvollste Einsatzfelder
2. Kein Einsatz im Bereich des Jugendstrafrechts
a) Wertungen der DSGVO widersprechen automatisierten Entscheidungen
b) Konzeption des Jugendstrafrechts für automatisierte Entscheidungen ungeeignet
3. Beschränkung auf bestimmte Deliktsbereiche
a) Einsatz bei schematisierten Massendelikten?
b) Einsatz bei seltenen Delikten?
c) Stufenweiser Einsatz sinnvoll
II. Aufbau eines Systems für die Strafzumessung im engeren Sinne
1. Gründen einer unabhängigen Expertenkommission
a) Zusammensetzung der Kommission
aa) Zusammensetzungsmöglichkeiten
bb) Vorzugswürdige Zusammensetzung
b) Vorbereitende Aufgaben der Kommission
aa) Auswahl der relevanten Strafzumessungsfaktoren
bb) Entwicklung von Skalen zur Quantifizierung der Strafzumessungsfaktoren
2. Beschaffung der Trainingsdaten
a) Training mittels ausgewählter realer Urteile
aa) Mögliche Vorgehensweise
bb) Legitimation des Rückgriffs auf frühere Urteile
(1) Rückgriff auf vergangene Entscheidungen bereits fester Bestandteil der Strafzumessungspraxis
(a) Strafzumessung durch reine Subsumption nicht denkbar
(b) Bereits heute Orientierung an vergangenen Urteilen
(2) Rückgriff auf vergangene Entscheidungen legitim
(a) Vergangene Entscheidungen als kristallisierte Wertvorstellung der Gesellschaft
(b) Vergangene Entscheidungen als "Rechtserkenntnisquelle"
(3) Rechtsprechung des BGH mit gemischten Signalen
(a) Ablehnung einer vergleichenden Orientierung
(b) Befürwortung einer vergleichenden Orientierung
(c) Fazit
b) Training mittels künstlich erstellter fiktiver Fälle
aa) Beurteilung von Sachverhalten durch die Kommission
bb) Empirische Untersuchungen zu Strafvorstellungen in der Bevölkerung
(1) Mögliche Vorgehensweise
(2) Legitimation der Einbeziehung von Strafvorstellungen in der Bevölkerung
(a) Problemaufriss
(b) Relevanz der Bevölkerungsmeinung für die Strafzumessungsentscheidung
(c) Anknüpfungspunkt der Berücksichtigung wissenschaftlicher Erkenntnisse bereits im Strafzumessungsrecht vorhanden
c) Berücksichtigung vergangener Urteile und Strafvorstellungen in der Bevölkerung
aa) Parallele Verwendung: Unterschiedliche Empfehlungen für den Richter
bb) Entscheidungsregel: Empfehlung des geringeren Strafmaßes bei groben Differenzen
cc) Gemischter Strafvorschlag: Training anhand vergangener Urteile und unter Berücksichtigung von Strafbedürfnissen der Bevölkerung
d) Zwischenergebnis
3. Entwicklung und Training eines Modells
a) Auswahl des Algorithmus
aa) Entscheidungsbäume und Random Forests: Transparenz trifft auf Genauigkeit
bb) Stützvektoren: Gute Ergebnisse mit wenig Trainingsdaten?
b) Hersteller des Modells
c) Einsatz von wissenschaftlich anerkannten statistischen Verfahren
III. Übernahme von US-amerikanischen Risk-Assessment-Tools für die Strafzumessung im weiteren Sinne?
1. Situation in den USA: Evidenzbasierte Strafjustiz
a) Entwicklung
b) Auswirkung
2. Situation in Deutschland nicht vergleichbar
a) Keine vergleichbare Entwicklung in Deutschland
b) Bewertung: Übernahme nicht sinnvoll - eigenes System begrüßenswert
IV. Ergebnis
Schluss
Literaturverzeichnis
Rechtsakts- und Rechtsprechungsverzeichnis
Deutsche Rechtsakte
Europäische Rechtsakte
US-amerikanische Rechtsakte
Sonstige Rechtsakte
Bundestag-Drucksachen
Entscheidungen des Bundesverfassungsgerichts
Entscheidungen des Bundesgerichtshofs
Entscheidungen US-amerikanischer Gerichte
Sonstige Gerichtsentscheidungen
Verzeichnis der Internetverweise
Zeitungsartikel
Sonstige Internetverweise

Systemvoraussetzungen

Als PDF speichern Als Link merken