Название статьи:
Машинное обучение и криминология: нормативно-техническое обеспечение интеграции
Авторы: Судакова Т.М., кандидат юридических наук, доцент, заведующий кафедрой уголовного права и криминологии Института юстиции, http://orcid.org/ 0000-0002-2613-1207, Байкальский государственный университет, 664003, Российская Федерация, г. Иркутск, ул. Ленина, 11,
krime@mail.ru Для цитирования:
Судакова Т.М. Машинное обучение и криминология: нормативно-техническое обеспечение интеграции / Т.М. Судакова. — DOI 10.17150/2500-4255.2026.20(4).399-408. — EDN MELRYU // Всероссийский криминологический журнал. — 2026. — Т. 20, № 4. — С. 399–408.
В рубрике:
СОВРЕМЕННЫЕ ПРОБЛЕМЫ КРИМИНОЛОГИИ
Год: 2026 Том: 20 Номер журнала: 4
Страницы: 399-408
Тип статьи: Научная статья
УДК: 343.9
DOI: 10.17150/2500-4255.2026.20(4).399-408; EDN: MELRYU
Аннотация:
Интеграция криминологии и вычислительных подходов в условиях нарастающей цифровизации должна реализовываться технологически как расширение спектра криминологических методов в условиях формирования особых нормативно-технических рамок. В них определяются допустимые способы получения, обработки, моделирования, интерпретации и прикладного использования криминологической информации. Это вызвано тем, что применение машинного обучения, интеллектуального анализа, больших данных, алгоритмического прогнозирования преступного поведения способны трансформировать не только процедуру исследования, но и сам механизм производства криминологического знания. Криминология постепенно наращивает потенциал для такого развития, где значимыми являются прогнозирование, вероятностные модели преступного поведения, вычислительная парадигма. В результате формируется модель криминологии, которую можно обозначить вычислительно-синергетической, где алгоритмы становятся инструментом выявления скрытых закономерностей преступности как сложноорганизованной системы. Речь идет о некой «алгоритмической эпистемологии» криминологических исследований, в рамках которой знание есть результат взаимодействия данных и алгоритмических моделей, с последующей интерпретацией полученной информации. Интеграция машинного обучения и криминологии представляет, таким образом, трансформацию эпистемологии криминологического знания и предлагает мощные инструменты для выявления ее скрытых закономерностей и прогнозирования преступности. Применение машинного обучения как технологии ИИ в криминологии является социотехнической задачей, поскольку ее эффективность базируется не только на точности алгоритмов, качестве данных, но и этико-правовых подходах к их разработке, как и на прозрачности принимаемых последующих управленческих решений. В данном контексте важна именно сбалансированность подхода, который бы учитывал аналитический потенциал данной технологии и риски, связанные с ее непродуманным внедрением в сферу теории и практики противодействия преступности.
Ключевые слова: машинное обучение, глубокое обучение, вычислительная криминология, алгоритмы машинного обучения, предиктивная аналитика
Информация о статье: Дата поступления 21 июля 2026 г. Дата принятия к публикации 20 августа 2026 г. Дата онлайн-размещения 31 августа 2026 г.
Список цитируемой литературы: - Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions / V. Mandalapu, L. Elluri, P. Vyas, N. Roy. - DOI 10.1109/ACCESS.2023.3286344 // IEEE Access. - 2023. - No. 11. - P. 60153-60170.
- Leveraging Transfer Learning with Deep Learning for Crime Prediction / U.M. Butt, S. Letchmunan, F.H. Hassan, T.W. Koh. - DOI 10.1371/journal.pone.0296486 // PLOS ONE. - 2024. - Vol. 19, no. 4. - P. 0296486.
- Transparent and Bias-Resilient AI Framework for Recidivism Prediction Using Deep Learning and Clustering Techniques in Criminal Justice / M. Cavus, M. Benli, U. Altuntas [et al.] // Applied Soft Computing. - 2025. - Vol. 176. - P. 113160.
- Мещерякова Н.Н. Методология познания цифрового общества / Н.Н. Мещерякова. - DOI 10.26425/2658-347X-2020-2-17-26. - EDN LQLHGX // Цифровая социология. - 2020. - Т. 3, № 2. - С. 17-26.
- Щекотин Е.В. Цифровые технологии в социальных науках: предмет и метод цифровой социологии / Е.В. Щекотин. - DOI 10.35854/2219-6242-2020-1-49-59. - EDN EVEDKP // Социология и право. - 2020. - № 1 (47). - С. 49-59.
- Романов А.С. Основы построения систем искусственного интеллекта и машинного обучения : метод. указ. / А.С. Романов, А.М. Федотова, А.В. Куртукова. - Томск : В-Спектр, 2023. - 106 с.
- Царькова Е.Г. К вопросу применения методов машинного обучения при анализе криминогенной обстановки в регионах Российской Федерации / Е.Г. Царькова. - DOI 10.24412/2076-1503-2024-6-631-635. - EDN XPOPNY // Образование и право. - 2024. - № 6. - С. 631-637.
- Криминогенность как объект математического анализа: модельно-прогностический подход : монография / В.Н. Босюк, В.В. Бондарь, Н.Н. Гощина [и др.]. - Санкт-Петербург : Наукоемкие технологии, 2025. - 60 с.
- Safat W. Empirical Analysis for Crime Prediction and Forecasting Using Machine Learning and Deep Learning Techniques / W. Safat, S. Asghar, S. Gillani. - DOI 10.1109/access.2021.3078117. - EDN PWMOXP // IEEE Access. - 2021. - Vol. 9. - P. 70080-70094.
- Design of a Real-Time Crime Monitoring System Using Deep Learning Techniques / Md Muktadir Mukto, Mahamudul Hasan, Md Maiyaz Al Mahmud [et al.] // Intelligent Systems with Applications. - 2024. - Vol. 21. - P. 200311.
- Deep Neuro-Fuzzy System for Violence Detection / Sidharth Mishra, Vishal Jain, Yash Ajay Saraf [et al.]. - DOI 10.1016/j.neucom.2024.129007 // Neurocomputing. - 2025. - Vol. 619. - P. 129007.
- Yingjie Du. Spatio-Temporal Prediction of Terrorist Attacks Based on GCN-LSTM / Du. Yingjie, Ding Ning, Lv. Hongyu. - DOI 10.1016/j.jnlssr.2025.02.005 // Journal of Safety Science and Resilience. - 2025. - Vol. 6, no. 1.
- Морозова В.О. Модели и алгоритмы оценки и прогнозирования показателей, используемых при осуществлении аналитической работы сотрудниками правоохранительных органов : автореф. дис. … канд. техн. наук : 1.2.2 / В.О. Морозова. - Воронеж, 2023. - 18 с.
- Рыбаков С.Ю. Обнаружение и классификация компьютерных атак методами мультифрактального анализа и машинного обучения : дис. … канд. техн. наук : 2.3.6 / С.Ю. Рыбаков. - Санкт-Петербург, 2025. - 157 с.
- Воробьев И.А. Исследования по разработке методов противодействия мошенничеству в финансовых организациях с применением машинного обучения : дис. … канд. техн. наук : 2.3.6 / И.А. Воробьев. - Москва, 2024. 160 с.
- Кузнецова Н.А. Разработка методики применения статистических методов и алгоритмов машинного обучения для выявления признаков мошенничества и искажений в бухгалтерской и финансовой отчетности экономических субъектов / Н.А. Кузнецова // Вестник евразийской науки. - 2025. - Т. 17, № s4. - URL: https://esj.today/PDF/11FAVN425.pdf.
- Актуальные проблемы правовой аналитики и цифровых технологий : учеб. пособие / А.Я. Минин, Е.Л. Болотовa, А.И. Глушков [и др.]. - Москва : МПГУ, 2025. - 228 с.