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 В рубрике:
СОВРЕМЕННЫЕ ПРОБЛЕМЫ КРИМИНОЛОГИИ
Год: 2026 Том: 20 Номер журнала: 4
Страницы: 3-
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
Извините, полный текст статьи временно недоступен