Original title: Rovnost před zákonem a disparity v trestání
Translated title: Equility before the law and sentencing disparities
Authors: Švub, Ondřej ; Montag, Josef (advisor) ; Čihák, Jakub (referee)
Document type: Master’s theses
Year: 2026
Language: cze
Abstract: [cze] [eng]
66 Rovnost před zákonem a disparity v trestání Abstrakt Tato diplomová práce zkoumá fenomén recidivy z hlediska využití metod strojového učení a jejich srovnání s jednoduchým statistickým modelem. Cílem je posoudit, zda komplexnější algoritmy (logistická regrese, modely založené na rozhodovacích stromech a jednoduchá neuronová síť) přinášejí významné a obhajitelné zlepšení výkonnosti oproti jednoduchému statistickému modelu a jaké jsou nároky na jejich nasazení z pohledu právního rámce. Důležitým zjištěním práce je, že i relativně jednoduché metody strojového učení představují značné zlepšení oproti základnímu statistickému modelu. První část práce vymezuje teoretické základy rovnosti a posuzování recidivy v trestním právu. Dále analyzuje nový regulatorní rámec pro umělou inteligenci a jeho dopady na vývoj, testování a nasazení prediktivních modelů v oblasti trestní justice. Tento rámec vyžaduje splnění řady povinností (řízení rizik, správa dat, dokumentace, hodnocení dopadů na základní práva, lidský dohled) a současně stanoví zakázané praktiky, které je nutno při návrhu a provozu modelů zohlednit. Práce popisuje moderní metody a přibližuje nejznámější nástroj pro predikci recidivy COMPAS, včetně vysvětlení jeho fungování a kritiky z řad odborné veřejnosti. Zmiňuje též další přístupy využívané v praxi,... 67 Equality before the law and sentencing disparities Abstract The thesis examines the phenomenon of recidivism through the lens of machine learning methods and compares them with a simple statistical model. The aim is to assess whether more complex algorithms (logistic regression, tree-based models, and a simple neural network) deliver a significant and defensible improvement in performance over a simple statistical model, and what regulatory requirements govern their deployment. An important finding is that even relatively simple machine learning methods yield substantial improvements over the baseline statistical model. The first part delineates the theoretical foundations of equality and the assessment of recidivism in criminal law. It further analyzes the new regulatory framework for artificial intelligence and its implications for the development, testing, and deployment of predictive models in criminal justice. This framework imposes a range of obligations (risk management, data governance, documentation, fundamental-rights impact assessment, human oversight) and simultaneously defines prohibited practices that must be considered in the design and operation of models. The thesis introduces modern methods and presents the best-known practical tool, COMPAS, including an explanation of its functioning...
Keywords: AI Act; machine learning; recidivism; recidivism prediction; sentencing; nařízení o umělé inteligenci; predikce recidivy; recidiva; strojové učení; trestání

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/207561

Permalink: http://www.nusl.cz/ntk/nusl-697367


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses