evidoria

← Retour à la liste

Bonne pratique Importée

MiDAS — l'Algorithme Automatisé de Détection de Fraude au Chômage du Michigan Qui a Accusé à Tort des Dizaines de Milliers de Personnes

États-Unis d'Amérique · Lansing · Voir le profil de États-Unis d'Amérique

Preuves: Descriptif / auto-déclaré Top 97% 20/100 · Demandez à Evidence Copilot à propos de cette pratique

Le système MiDAS du Michigan a statué automatiquement sur des fraudes au chômage sans contrôle humain (2013-2015), accusant à tort plus de 34 000 personnes avec ~85% d'erreurs ; accord de 20 millions de dollars en 2022.

85 % (approx.)
Taux d'erreur des décisions de fraude (2013-2015)
34000 people (more than)
Personnes accusées à tort de fraude (2013-2015)
20000000 USD
Montant du règlement du recours collectif (2022-2024)
78000000 USD (approx.)
Coût engagé pour remplacer MiDAS par un système avec examen humain (2022-2024)

Détails

Maturité
Abandonnée
Promoteur
Michigan Unemployment Insurance Agency (Michigan Department of Labor and Economic Opportunity)
Période
2013–2015 (deployment); 2015–2024 (litigation and settlement)
Mots-clés
unemployment insurance, fraud detection, benefits administration

Contexte

L'Agence d'assurance chômage du Michigan a déployé le Michigan Integrated Data Automated System (MiDAS) en octobre 2013 pour détecter et statuer automatiquement sur les cas de fraude aux allocations chômage, remplaçant l'examen humain des dossiers par un algorithme croisant les données des demandeurs avec les registres salariaux des employeurs.

Résultats

Des enquêtes menées par Bridge Michigan, IEEE Spectrum et l'auditeur général de l'État ont révélé que le système émettait des décisions de fraude avec un taux d'erreur d'environ 85 %, imposant automatiquement des pénalités quadruplées et renvoyant les dossiers vers une saisie sur salaire sans qu'aucun humain n'examine les preuves sous-jacentes ; plus de 34 000 personnes ont été accusées à tort entre 2013 et 2015, certaines perdant leur logement ou déposant le bilan.

Conclusions

Un recours collectif qui a duré près de neuf ans (Bauserman contre l'Unemployment Insurance Agency) est allé deux fois devant la Cour suprême du Michigan ; l'État a accepté un règlement de 20 millions de dollars, finalisé entre 2022 et 2024, et l'Agence d'assurance chômage s'est engagée à consacrer environ 78 millions de dollars au remplacement de MiDAS par un système rétablissant l'examen humain des décisions de fraude.

Mise en œuvre

Coût indicatif
Très élevé (> 5 M€) — The state agreed to a $20 million class-action settlement (finalized 2022-2024) and committed roughly $78 million to replace MiDAS with a system restoring human review.
Délai jusqu’aux résultats
Long (> 3 ans) — MiDAS deployed October 2013, active fraud-flagging 2013-2015; Bauserman v. UIA litigation ran nearly nine years, reaching the Michigan Supreme Court twice, with settlement finalized 2022-2024.
Personnel et compétences
Michigan Unemployment Insurance Agency (Michigan Department of Labor and Economic Opportunity)

Conditions de réussite

  • Restoring mandatory human review of every fraud determination before penalties are imposed, as the state committed to do in the replacement system
  • An effective appeals process before penalties (quadrupled fines, wage garnishment) are applied
  • Independent, adversarial testing/auditing of automated fraud-detection accuracy before statewide rollout

Modes d’échec courants

  • No human review of algorithmic fraud determinations before quadrupled penalties and wage garnishment were imposed
  • Approximately 85% of fraud determinations were later found to be erroneous
  • No effective appeals process for accused claimants before financial harm occurred
  • Nearly nine years of litigation were required before the state acknowledged and remedied the harm

Où cela s’applique

Type de gouvernance
state government agency
Échelle
state (Michigan)
Niveau de revenu
high_income

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles