Résumé traduit en français : « Cette étude examine l’efficacité des algorithmes d’apprentissage automatique dans la prédiction de la récidive, en mettant l’accent sur l’impact des variables liées à l’ethnicité et à la localisation géographique. À partir d’un ensemble de données provenant des établissements carcéraux de l’État de Géorgie, nous évaluons les performances prédictives de six algorithmes, à la fois avec et sans l’inclusion de ces variables clés. Les résultats indiquent que la localisation géographique améliore généralement la précision des prédictions de manière plus constante que l’ethnicité, et ce, à travers les différents modèles analysés. Cette recherche met en évidence l’importance de la diversité méthodologique ainsi que le caractère complexe et dépendant du modèle des effets des facteurs sociodémographiques sur la prédiction de la récidive. Elle souligne le potentiel de l’apprentissage automatique en criminologie et en justice pénale pour offrir des analyses fines des comportements criminels, remettre en question certaines hypothèses traditionnelles et soutenir l’élaboration de politiques publiques fondées sur des données probantes. »