Für die Prognose der Höhe des Strafmass wird der RandomForestRegressor, für die Prognose der Sanktionsart und Vollzugsform wird der RandomForestClassifier und für die Eruierung der Präjudizen der KNeighborsRegressor der frei verfügbaren Python-Programmbibliothek scikit-learn verwendet. Die KI-Modelle wurden letztmals am 14.10.26 auf der Basis von 523 zugrunde liegenden Urteilen gebildet.
Eine Erklärung der Funktionsweise der genannten und hier verwendeten KI-Systeme findet sich hier.
| Wichtigkeit | Merkmal |
|---|---|
| 43,5 % | Betäubungsmittelmenge |
| 34,8 % | Rolle |
| 7,7 % | mengenmässige Qualifikation |
| 3,2 % | Deliktsdauer in Monaten |
| 3,1 % | Nebenverurteilungsscore |
| 2,9 % | Deliktsertrag |
| 1,2 % | bandenmässige Qualifikation |
| 1,2 % | gewerbsmässige Qualifikation |
| 0,8 % | einschlägige Vorstrafe |
| 0,7 % | mehrfache Begehung |
| 0,5 % | Vorstrafe |
| 0,4 % | Privilegierung Anstaltentreffen |
| 0,2 % | Beschaffungskriminalität |
| Wichtigkeit | Merkmal |
|---|---|
| 40,5 % | Betäubungsmittelmenge |
| 12,5 % | Rolle |
| 9,0 % | Deliktsdauer in Monaten |
| 8,4 % | Deliktsertrag |
| 7,5 % | Nebenverurteilungsscore |
| 5,5 % | einschlägige Vorstrafe |
| 3,9 % | Vorstrafe |
| 2,7 % | Privilegierung Anstaltentreffen |
| 2,4 % | mehrfache Begehung |
| 2,2 % | mengenmässige Qualifikation |
| 1,8 % | gewerbsmässige Qualifikation |
| 1,8 % | bandenmässige Qualifikation |
| 1,8 % | Beschaffungskriminalität |
| Wichtigkeit | Merkmal |
|---|---|
| 31,1 % | Betäubungsmittelmenge |
| 16,2 % | mengenmässige Qualifikation |
| 13,6 % | Rolle |
| 9,1 % | Deliktsertrag |
| 7,8 % | Deliktsdauer in Monaten |
| 6,8 % | Nebenverurteilungsscore |
| 4,6 % | Vorstrafe |
| 4,3 % | einschlägige Vorstrafe |
| 2,9 % | gewerbsmässige Qualifikation |
| 2,0 % | mehrfache Begehung |
| 0,8 % | Privilegierung Anstaltentreffen |
| 0,5 % | Beschaffungskriminalität |
| 0,3 % | bandenmässige Qualifikation |
Wenn das KI-Modell lediglich auf Basis der 184 Zürcher Gerichtsurteile trainiert wird, dann hat besteht bei der Prognose des Strafmass eine durchschnittliche Fehlerquote von 9,68 Monatseinheiten.
Folgende Urteilsmerkmale würde ein rein auf Zürcher Urteilen trainiertes KI-Modell für die Bildung des Strafmass in nachfolgendem Ausmass für relevant halten:
| Wichtigkeit | Merkmal |
|---|---|
| 64,3 % | Betäubungsmittelmenge |
| 10,6 % | Rolle |
| 6,6 % | mengenmässige Qualifikation |
| 4,4 % | Nebenverurteilungsscore |
| 4,3 % | Deliktsdauer in Monaten |
| 3,9 % | Deliktsertrag |
| 1,7 % | mehrfache Begehung |
| 1,2 % | Vorstrafe |
| 0,9 % | gewerbsmässige Qualifikation |
| 0,9 % | einschlägige Vorstrafe |
| 0,6 % | bandenmässige Qualifikation |
| 0,5 % | Beschaffungskriminalität |
| 0,2 % | Privilegierung Anstaltentreffen |
Wenn das KI-Modell lediglich auf Basis der 184 Zürcher Gerichtsurteile trainiert wird, diesem aber die illegitimen Strafzumessungskriterien Geschlecht, Nationalität und Gericht bekanntgegeben werden, dann besteht bei der Prognose des Strafmass eine durchschnittliche Fehlerquote von 9,66 Monatseinheiten.
Folgende Urteilsmerkmale würde ein rein auf Zürcher Urteilen trainiertes KI-Modell bei Kenntnis der illegitimen Strafzumessungskriterien Geschlecht, Nationalität und Gericht für die Bildung des Strafmass in nachfolgendem Ausmass für relevant halten:
| Wichtigkeit | Merkmal |
|---|---|
| 63,0 % | Betäubungsmittelmenge |
| 8,6 % | Rolle |
| 6,6 % | mengenmässige Qualifikation |
| 3,9 % | Nebenverurteilungsscore |
| 3,9 % | Deliktsertrag |
| 2,9 % | Deliktsdauer in Monaten |
| 2,3 % | Gericht |
| 1,9 % | Nationalität |
| 1,6 % | mehrfache Begehung |
| 0,9 % | gewerbsmässige Qualifikation |
| 0,9 % | bandenmässige Qualifikation |
| 0,9 % | Geschlecht |
| 0,9 % | Vorstrafe |
| 0,7 % | einschlägige Vorstrafe |
| 0,4 % | Privilegierung Anstaltentreffen |
| 0,4 % | Beschaffungskriminalität |
| 0,1 % | Gericht_bezirksgericht hinwil |
| 0,1 % | Gericht_bezirksgericht zürich, 7. abteilung |
| 0,0 % | Gericht_bezirksgerichts bülach |
| 0,0 % | Gericht_bezirksgericht zürich, 2. abteilung |
| 0,0 % | Gericht_bezirksgerichtes bülach |
| 0,0 % | Gericht_bezirksgericht andelfingen |
| 0 % | Gericht_obergericht zürich |
Wenn das KI-Modell lediglich auf Basis der 64 Berner Gerichtsurteile trainiert wird, dann besteht bei der Prognose des Strafmass eine durchschnittliche Fehlerquote von 12,38 Monatseinheiten.
Folgende Urteilsmerkmale würde ein rein auf Berner Urteilen trainiertes KI-Modell für die Bildung des Strafmass in nachfolgendem Ausmass für relevant halten:
| Wichtigkeit | Merkmal |
|---|---|
| 58,9 % | Betäubungsmittelmenge |
| 20,8 % | bandenmässige Qualifikation |
| 6,4 % | Rolle |
| 4,2 % | Deliktsdauer in Monaten |
| 2,8 % | Nebenverurteilungsscore |
| 2,3 % | gewerbsmässige Qualifikation |
| 1,3 % | Vorstrafe |
| 0,9 % | Privilegierung Anstaltentreffen |
| 0,7 % | Deliktsertrag |
| 0,6 % | mehrfache Begehung |
| 0,5 % | einschlägige Vorstrafe |
| 0,4 % | mengenmässige Qualifikation |
| 0,2 % | Beschaffungskriminalität |
Wenn das KI-Modell lediglich auf Basis der 64 Berner Gerichtsurteile trainiert wird, diesem aber die illegitimen Strafzumessungskriterien Geschlecht, Nationalität und Gericht bekanntgegeben werden, dann besteht bei der Prognose des Strafmass eine durchschnittliche Fehlerquote von 11,90 Monatseinheiten.
Folgende Urteilsmerkmale würde ein rein auf Berner Urteilen trainiertes KI-Modell bei Kenntnis der illegitimen Strafzumessungskriterien Geschlecht, Nationalität und Gericht für die Bildung des Strafmass in nachfolgendem Ausmass für relevant halten:
| Wichtigkeit | Merkmal |
|---|---|
| 52,7 % | Betäubungsmittelmenge |
| 23 % | bandenmässige Qualifikation |
| 7,2 % | Rolle |
| 3,8 % | Deliktsdauer in Monaten |
| 2,7 % | gewerbsmässige Qualifikation |
| 2,2 % | Nationalität |
| 1,8 % | Nebenverurteilungsscore |
| 1,3 % | Vorstrafe |
| 1,2 % | Privilegierung Anstaltentreffen |
| 0,9 % | Gericht |
| 0,8 % | Geschlecht |
| 0,6 % | mehrfache Begehung |
| 0,6 % | einschlägige Vorstrafe |
| 0,5 % | mengenmässige Qualifikation |
| 0,5 % | Deliktsertrag |
| 0,2 % | Beschaffungskriminalität |