Обчислювальне кримінологічне аргументування: поняття, можливості та перспективи використання

Карчевський М.В. Обчислювальне кримінологічне аргументування: поняття, можливості та перспективи використання. Вісник Луганського державного університету внутрішніх справ імені Е.О. Дідоренка. 2022. № 4(100).  С. 112-126. https://doi.org/10.33766/2524-0323.100.112-126

УДК: 343.9.018

Карчевський М. В., доктор юридичних наук, професор, перший проректор Луганського державного університету внутрішніх справ імені Е.О. Дідоренка (м. Івано-Франківськ, Україна), головний науковий співробітник відділу дослідження проблем кримінального права Науково-дослідного інституту вивчення проблем злочинності імені академіка В. В. Сташиса НАПрН України (м. Харків, Україна)

e-mail : comcriminal@gmail.com

ORCID iD: https://orcid.org/0000-0002-2693-3592

Комплекс проблемних питань дослідження злочинності з використанням інформаційних технологій пропонується об’єднати поняттям «обчислювальне кримінологічне аргументування» та визначити його наступним чином: процес обґрунтування положень про злочинність, її причини, особистість злочинця, заходи запобігання, який здійснюється шляхом методологічно послідовного отримання нових знань iз даних, що збираються та обробляються автоматизовано. Наводяться результати реалізованих дослідницьких проєктів, які дають можливість оцінити потенціал обчислювального кримінологічного аргументування: збір та розвідувальний аналіз даних соціальних медіа, використання спеціалізованих відкритих баз даних, моделювання протидії злочинності з використанням штучного суспільства, обчислювальний аналіз змісту законодавства про кримінальну відповідальність, відтворюване дослідження протидії злочинності за методологією data science.

Встановлено різницю направленості тенденцій розвитку законодавчого та правозастосовчого рівнів кримінально-правового регулювання: якщо кримінальне законодавство розвивається шляхом збільшення заборон та збільшення санкцій у вигляді позбавлення волі, то практика його застосування демонструє тенденції зменшення кількості засуджених та застосування штрафів частіше ніж позбавлення волі. Спостерігаються недостатня реалізація публічного інтересу в належному функціонуванні системи кримінальної юстиції, а також часткова примітивізація протидії злочинності.

Зроблено висновок про те, що застосування обчислювального кримінологічного аргументування в такій ситуації набуває особливої актуальності. Необхідне підвищення ефективності кримінально-правового регулювання як на правозастосовчому, так і на законодавчому рівнях, розвиток протидії злочинності має обов’язково передбачати збір та аналіз якомога більших обсягів даних щодо протидії злочинності. Це забезпечить можливість прийняття керованих даними (data driven) рішень щодо організації протидії злочинності в державі. Такі рішення, розроблені на підставі великої кількості даних, за методологією, яка забезпечує високий рівень довіри до результатів аналізу, здатні істотно раціоналізувати національний дискурс щодо протидії злочинності.

Ключові слова: data science, reproducible research, big data, ефективність протидії злочинності, обчислювальне кримінологічне аргументування (computational criminological reasoning).

Постановка проблеми. Науки про суспільство в цілому та кримінологія зокрема переживають істотне оновлення методології. Не в останню чергу це пов’язано з широким впровадженням інформаційних технологій. Дослідники отримали можливість працювати з надвеликими обсягами інформації, ставити завдання, які раніше неможливо було розв’язати. Водночас, виникає багато нових проблем щодо напрямів, доцільності та меж використання сучасних технологій дослідження суспільства.

Комплекс проблемних питань дослідження злочинності з використанням інформаційних технологій нами об’єднано поняттям «обчислювальне кримінологічне аргументування». Зроблено спробу практично дослідити використання такого аргументування.

Формулювання цілей. Метою цієї роботи є визначення обчислювального кримінологічного аргументування, демонстрація можливостей його застосування, формулювання перспектив подальшого використання.

Аналіз останніх досліджень і публікацій. Аргументування визначається як «процес обґрунтування людиною певного положення (твердження, гіпотези, концепції) з метою переконання в його істинності, слушності» [1, с. 36]. Відповідно до положень класичної науки, структура аргументування складається з тези, аргументів і демонстрації.

Правове аргументування є однією з актуальних проблем сучасної юридичної науки [2; 3; 4; 5; 6; 7; 8]. Кримінологічне аргументування є видом правового й стосується злочинності, її причин, особистості злочинця, заходів запобігання. Кримінологічне аргументування оперує положеннями, що відносяться як до кримінально-правового регулювання, так і до пов’язаних зі злочинністю соціальних процесів. Соціальна динаміка є необхідним контекстом аналізу даних про використання права.

Обчислювальне аргументування здійснюється шляхом використання інформаційних технологій для збирання, обробки, аналізу та візуалізації даних. Використання інформаційних технологій для дослідження соціальних процесів вивчається обчислювальною соціальною наукою (computational social science). Методи цієї науки поділяються на такі групи, як: автоматизація збору даних, аналіз соціальних систем, соціальні геоінформаційні системи, моделювання соціальних систем тощо [9]. Обчислювальна соціальна наука розглядається як міждисциплінарне поле, яке включає математику, статистику, науку про дані (data science) та, звичайно ж, науку про суспільство (social science) [10]. Своєю чергою, data science визначається як набір фундаментальних принципів вилучення інформації та знань із даних [11].

Логіка розглядає аргумент, як «думку, істинність якої уже встановлена раніше і яка може бути використана для обґрунтування істинності довільного положення» [12, с. 365]. Дані, отримані з використанням сучасних технологій, розглядаються як аргументи тоді, коли вони одержані з дотриманням відповідної методології. Такою, зокрема, є методологія проведення відтворюваного дослідження (reproducible research). Аналіз даних вважається відтворюваним, якщо набори аналітичних даних і комп’ютерний код, використаний для створення аналізу даних, надаються іншим для незалежного вивчення та аналізу [13]. У такий спосіб досягається відкритість дослідження й значно збільшується довіра до його результатів.

Отже, обчислювальне аргументування полягає в методологічно послідовному отриманні нових знань з даних, що збираються та обробляються автоматизовано. Варто зазначити, що розвиток логічних моделей правового аргументування на тепер відбувається саме на перетині сучасних інформаційних технологій, зокрема штучного інтелекту, та права[14].

Таким чином, обчислювальне кримінологічне аргументування визначимо як процес обґрунтування положень про злочинність, її причини, особистість злочинця, заходи запобігання, який здійснюється шляхом методологічно послідовного отримання нових знань з даних, що збираються та обробляються автоматизовано.

З позицій раціональної парадигми кримінального права, ефективними законодавчими рішеннями у сфері кримінально-правового регулювання слід вважати ті, що забезпечують баланс соціальної значимості охоронюваних благ та обґрунтованого обсягу необхідних соціальних видатків, а саме того обсягу видатків, який держава та суспільство можуть виділити на забезпечення кримінально-правового регулювання. Ефективними рішеннями на правозастосовному рівні кримінально-правового регулювання слід вважати ті, які прийняті відповідно до чинного законодавства та вимагають здійснення соціальних витрат, що відповідають небезпечності конкретного вчиненого кримінального правопорушення [15]. Належною реалізацією публічного інтересу у функціонуванні інститутів кримінальної юстиції будемо вважати таку, коли більшість рішень на законодавчому та правозастосовчому рівнях кримінально-правового регулювання є ефективними й забезпечують раціональне використання соціального ресурсу.

Виклад основного матеріалу. Сучасний рівень інформаційних технологій, їх доступність та поширеність дозволяють використовувати обчислювальне кримінологічне аргументування для аналізу протидії злочинності в Україні. Нами реалізовано дослідницькі проєкти, які дають можливість оцінити потенціал обчислювального кримінологічного аргументування.

Зокрема, реалізовано проєкти, які демонструють варіативність джерел інформації, що може бути використана для аналізу. Цілком зрозуміло, що для більшості завдань нами використано статистичні звіти, представлені офіційних інтернет-сайтах Офісу Генерального Прокурора України та Державної судової Адміністрації України. Водночас, ці та подібні джерела не єдині, які можна використовувати для обчислювального кримінологічного аргументування. Так відкрите програмне забезпечення Web Scraper [16] дозволяє автоматизовано збирати дані з різноманітних інтернет-джерел. Використовуючи його, нами здійснено збір коментарів до відео про розв’язання рф війни проти нашої Держави. Воно було розміщено на каналі YouTube одного із засобів масової інформації США [17]. На момент проведення аналізу відео мало більше пів мільйона переглядів та 2 129 коментарів. Завдяки середовищу для статистичних обчислень R [18] та бібліотеці для нього “tm” (text mining) [19], зібрані коментарі було трансформовано у перелік слів, які найчастіше вживалися у коментарях, обчислено кількість використання кожного з таких слів. Нарешті, із застосуванням одного з онлайн-сервісів побудови візуалізацій типу «хмара тегів» [20], було здійснено графічне представлення даних щодо частоти використаних слів[1]. Отриманий результат (Рис. 1) дає можливість швидко оцінити настрої аудиторії цього ЗМІ щодо злочинного розв’язання рф міжнародного збройного конфлікту. Переважними темами коментарів були підтримка України, небезпека шкоди цивільним особам, необхідність протидії агресії.

Рис. 1. «Хмара тегів» з коментарів до відео каналу «ABC News” про напад рф на Україну

Важливим джерелом даних для обчислювального кримінологічного аргументування можуть бути спеціалізовані відкриті бази даних. Наприклад, для дослідження жертв російської агресії в Україні нами було використано базу даних The Armed Conflict Location & Event Data Project (ACLED) [21]. Здійснивши запит із бази даних проєкту за ознаками простору та часу (Україна, 24.02.2022-28.10.2022), отримано інформацію про загиблих у результаті агресії рф, час смерті та географічні координати місць трагічних подій. Використавши модуль MS Excel 3D Maps [22], створено анімацію, яка дозволяє охарактеризувати географічний розподіл воєнних злочинів рф, вчинених протягом досліджуваного періоду (Рис. 2). Примітно, що тривалість вказаного відео становить 30 секунд, для його побудови взято масив даних приблизно з 10 тис. показників. Очевидно, що перегляд даних у вигляді таблиці, навіть протягом години, навряд чи забезпечить отримання уявлення про зміст даних краще ніж перегляд тридцятисекундного відео [23].

Рис. 2. Скріншот анімації даних з використанням MS Excel 3D Maps

Обчислювальне кримінологічне аргументування не обмежується тільки візуальним аналізом даних. З використанням методу агентного моделювання (agent based modelling) та програмного забезпечення NetLogo [24], нами було проведене пілотажне дослідження протидії злочинності на основі створення моделі суспільства (Рис. 3). Ключові положення, що характеризують даний метод, наступні: «агент – автономний обчислюваний об’єкт із певними властивостями та діями; агенте моделювання – вид обчислювального моделювання, де явище моделюється шляхом визначення агентів та їх взаємодії» [25, с. 1]. Реалізується таке моделювання шляхом використання спеціалізованого програмного забезпечення, яке дозволяє описати властивості агентів та обчислювати їх взаємодію. Результат застосування такого методу прийнято називати штучним суспільством (artificial society), що визначається як «створена з використанням комп’ютерної техніки симуляційна модель суспільства або групи людей, котра базується на агентах та зазвичай обмежена їх взаємодією в конкретній ситуації» [26]. Шляхом комп’ютерного моделювання було підтверджено важливу гіпотезу: посилення покарання є менш ефективним, ніж заходи, не пов’язані з репресією [27].

Рис. 3. Інтерфейс користувача розробленої нами моделі

Перспективним напрямом дослідження є обчислювальний аналіз законодавчих текстів. Так нами було розроблено автоматизовану систему дослідження законодавчої оцінки суспільної небезпечності кримінальних правопорушень «InContext». У процесі використання системи виявлено випадки розбалансованості санкцій кримінально-правових норм, а також встановлено, що провідним трендом розвитку кримінального законодавства є розширення предмету кримінально-правового регулювання та посилення суворості санкцій [28].

Рис. 4. Візуалізація суворості санкцій КК України системою “InContext”

З використанням розробленої методології автоматизованого порівняння суворості санкцій КК було підготовлено доповідь для робочої групи з розробки нового Кримінального кодексу України [29]. Для аналізу обрано першу редакцію КК (2001 рік), редакцію, що передувала імплементації інституту кримінальних проступків (2019 рік), чинну на момент дослідження редакцію (2021 рік). Порівняння дозволило дійти висновку, що в цілому підходи до законодавчої оцінки небезпечності кримінальних правопорушень з 2001 року суттєво не змінилися. Одночасно зі збільшенням кількості законодавчих визначень нетяжких і тяжких злочинів істотної зміни в законодавчій оцінці небезпечності посягань не спостерігається. Візуалізації середніх значень суворості санкцій статей Особливої частини за розділами по роках свідчать про збереження підходів до законодавчої оцінки небезпечності посягань, закладених розробниками КК 2001 року. Гіпотеза про значну розбалансованість санкцій у процесі внесення змін до КК протягом 2001-2021 рр. не підтвердилася. Попри наявні одиничні приклади, законодавча оцінка небезпечності кримінальних правопорушень залишається стабільною.

Також проведено дослідження правозасотовочого кримінально-правового регулювання [30]. У відповідності до методології відтворюваних досліджень, програмним шляхом нами були зібрані, очищені та візуалізовані дані статистичних звітів Офісу Генерального Прокурора та Державної судової адміністрації України. Усі вхідні дані, програмні скрипти та отримані результати представлені у відкритому доступі [31], розроблено вебзастосунок (Рис. 5) для роботи з отриманими результатами [32]. Було інтегровано та забезпечено можливість аналізу відомостей про більше ніж сто показників протидії злочинності, по кожній статті Особливої частини КК України за 9 років (2013-2021). Загальний обсяг набору даних склав близько 980 тисяч показників.

Рис. 5. Інтерфейс вебзастосунку “Протидія злочинності в Україні: інфографіка”

Подальша робота із застосунком наочно продемонструвала сформульовану раніше тезу про необхідність розгляду даних щодо застосування певних норм кримінального права в контексті даних, що характеризують соціальні процеси. Наприклад, вибухове зростання з 2014 року злочинів проти основ національної безпеки пояснюється саме контекстом – військовою агресією рф проти України. Падіння облікованих правопорушень у сфері обігу наркотиків у 2016 році не свідчить про те, що в цей рік стало менше відповідних посягань, а відображає складні процеси реформування Національної поліції України. Тлумачення зростання кількості облікованих зґвалтувань та кількості осіб, засуджених за цей злочин, потребує розгляду даних процесів у контексті ратифікації Україною Стамбульської конвенції. Отже, обчислювальне кримінологічне аргументування, як і будь-яке кримінологічне дослідження, не зводиться до аналізу певних показників функціонування права, з необхідністю потребує їх розгляду в контексті відповідних соціальних процесів.

З використанням розробленого застосунку було здійснено аналіз основних тенденцій протидії злочинності в Україні. Отримано наступні висновки: разом із поступовим зменшенням кількості облікованих проваджень, зменшенням кількості засуджених осіб та пом’якшенням покарань, які призначаються, спостерігаються недостатня реалізація публічного інтересу в належному функціонуванні системи кримінальної юстиції, часткова примітивізація протидії злочинності, недостатність конструктивної професійної комунікації; існують ризики падіння рівня суспільної довіри до соціальних інститутів, які забезпечують дотримання законів, та, як наслідок, зростання злочинності [30].

Співставлення встановлених тенденцій розвитку законодавчого та правозастосовчого рівнів кримінально-правового регулювання свідчить про різницю у їх направленості. Якщо кримінальне законодавство розвивається шляхом збільшення заборон та збільшення санкцій у вигляді позбавлення волі, то практика його застосування демонструє тенденції зменшення кількості засуджених та застосування штрафів частіше, ніж позбавлення волі. Близько половини наявних у кодексі заборон не використовувалися жодного разу.

Застосування обчислювального кримінологічного аргументування в такій ситуації набуває особливої актуальності. Необхідне підвищення ефективності кримінально-правового регулювання як на правозастосовчому, так і на законодавчому рівнях, розвиток протидії злочинності має обов’язково передбачати збір та аналіз якомога більших обсягів даних щодо обліку кримінальних проваджень, часу прийняття рішень, регіональних особливостей роботи правоохоронців, призначених покарань, психометричних характеристик злочинців, особливостей їх посткримінальної поведінки тощо. Це забезпечить можливість прийняття обґрунтованих, так званих, керованих даними (data driven) рішень щодо організації протидії злочинності в державі.

Висновки.

  1. Комплекс проблемних питань дослідження злочинності з використанням інформаційних технологій пропонується об’єднати поняттям «обчислювальне кримінологічне аргументування» та визначити його наступним чином: процес обґрунтування положень про злочинність, її причини, особистість злочинця, заходи запобігання, який здійснюється шляхом методологічно послідовного отримання нових знань з даних, що збираються та обробляються автоматизовано.
  2. Здійснені нами дослідницькі проєкти наочно демонструють значний потенціал обчислювального кримінологічного аргументування. По-перше, воно дає можливість швидко оцінювати зміст достатньо великих об’ємів даних та реагувати на динамічні соціальні процеси. По-друге, властива обчислювальному аргументуванню методологія відтворюваних досліджень здатна якісно підвищити рівень довіри до результатів кримінологічних досліджень. Саме тому, по-третє, рішення, розроблені на підставі великої кількості даних, за методологією, яка забезпечує високий рівень довіри до результатів аналізу, здатні істотно раціоналізувати національний дискурс щодо протидії злочинності.
  3. Встановлені недостатність реалізації публічного інтересу в належному функціонуванні кримінальної юстиції, примітивізація протидії злочинності, різна направленість розвитку кримінального законодавства та практики його застосування, критично актуалізують проблему ефективності кримінально-правового регулювання та пошук шляхів її розв’язання. Одним із таких є впровадження обчислювального кримінологічного аргументування для прийняття рішень щодо протидії злочинності.

References:

  1. Filosofskij enciklopedichnij slovnik : enciklopediya (2002) NAN Ukrayini, In-t filosofiyi im. G. S. Skovorodi ; V. I. Shinkaruk (Ed.). Kyiv : Abris. [in Russian].

2. Rabinovych, P. M. (2016) Pravova arhumentatsiia: termino-poniattievyi instrumentarii doslidzhennia / P. M. Rabinovych, T. I. Dudash. Visnyk Natsionalnoi akademii pravovykh nauk Ukrainy – Bulletin of the National Academy of Legal Sciences of Ukraine, 2, 8-20. URL : http://nbuv.gov.ua/ UJRN/vapny_2016_2_3. [in Ukrainian].

3. Dudash,T. I. (2017) Osoblyvosti arhumentuvannia rishen Yevropeiskoho sudu z prav liudyny (do kharakterystyky metodolohichnykh pidkhodiv). Pravo Ukrainy – Law of Ukraine, 4, 86-95. [in Ukrainian].

4. Feteris, E. (1999) Foundamentals of Legal Argumentation: A Survey of Theories on Justification of Judicial Decisions. Argumentation Library. Vol. 1. [in English].

5. Shcherbyna, O. Yu. (2014) Do pytannia pro rozuminnia arhumentatsii u lohiko-iurydychnykh doslidzhenniakh. Humanitarni studii – Humanitarian studies, issue 21, 45–53. [in Ukrainian].

6. Stelmach, J., Brożek, B. (2010) Methods of Legal Reasoning. Law and Philosophy Library. Vol. 78. [in English].

7. Koziubra, M. I. (2013) Modeli (typy) yurydychnoi arhumentatsii. Naukovi zapysky NaUKMA. Seriia «Iurydychni nauky» – Naukma’s scientific notes. Series “Legal Sciences”, Vol. 144–145, 3–8. [in Ukrainian].

8. Kistianyk, V. I. (2012) Pravova arhumentatsiia: suchasni pidkhody do yi yi rozuminnia v zarubizhnykh doslidzhenniakh. Naukovi zapysky NaUKMA. Seriia «Iurydychni nauky» – Naukma’s scientific notes. Series “Legal Sciences”, vol. 129, 20–22. [in Ukrainian].

9. Cioffi-Revilla, C. (2010) Computational Social Science. Wiley Interdisciplinary Reviews Computational Statistics, 2(3). May 2010. P. 259-271. [in English].

10. Hox, J. J. (2017) Computational Social Science Methodology, Anyone? Methodology, 13, 3-12. URL : https://doi.org/10.1027/1614-2241/a000127.%5Bin English].

11. Provost, F., Fawcett, T. (2013) Data Science and its Relationship to Big Data and Data-Driven Decision Making. Big Data, Mar. 2013, 51-59. URL : http://doi.org/ 10.1089/big.2013.1508.[in English].

12. Konverskyi, A. Ye. (2017) Lohika: pidruchnyk. 2‐he vyd., vypravlene / A. Ye. Konverskyi. Kyiv : VPTs “Kyivskyi universytet”.[in Ukrainian].

13. Peng RD. (2011). Reproducible research in computational science. Science, 334(6060):1226–27. [in English].

14. Prakken, H., Sartor, G., (2015) Law and logic: A review from an argumentation perspective. Artificial Intelligence. Vol. 227, 214-245. URL : https:// doi.org/10.1016/j.artint.2015.06.005. [in English].

15. Karchevskyi, M. V., Kudinov, A. S. (2016) Efektyvnist kryminalnopravovoho rehuliuvannia v Ukraini. Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E. O. Didorenka – Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, 4, 101–114. URL : https://journal.lduvs. lg.ua/index.php/journal/article/view/537; Karchevskyi, M. V., Kudinov, A. S. (2017) Dosvid ekspertnoi otsinky kryzovykh yavyshch u sferi kryminalno-pravovoho rehuliuvannia. Visnyk Asotsiatsii kryminalnoho prava Ukrainy – Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, 1(8), 163-181. [in Ukrainian].

16. Web Scraper open free documentation. (N. d.) [Elektronic resurs] N. p. URL : https://www.webscraper.io/documentation. [in English].

17. Ukrainian civilians under Russian attack l WNT. (N. d.) ABC News Youtube chanel. N. p. URL : https://youtu.be/nBfjsLTxvH8. [in English].

18. R Core Team (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL : https://www.R-project.org/.%5Bin English].

19. Feinerer I., Kurt Hornik K., Meyer D. (2008). Text Mining Infrastructure in R. Journal of Statistical Software, 25(5): 1-54. URL : https://www.jstatsoft. org/v25/i05/.[in English].

20. WordsCloud.com – Free online Wordcloud generator. (N. d.) [Elektronic resurs] N. p. URL : https://www.wordclouds.com. [in English].

21. ACLED – brining clarity to crisis. (N. d.) [Elektronic resurs] N. p. URL : https://acleddata.com. [in English].

22. Get started with 3D Maps. (N. d.) Microsoft support. N. p. URL : https:// support. microsoft.com/en-us/office/get-started-with-3d-maps-6b56a50d-3c3e-4a9e-a527-eea 62a387030. [in English].

23. Zahybli cherez viiskovu ahresiiu rf proty Ukrainy (2022). Liutyi-zhovten, 2022. [Elektronic resurs] N. p. URL : https://youtu.be/pGx3nZfXAAI. [in English].

24. NetLogo – multi-agent programmable modeling environment. (N. d.) [Elektronic resurs] N. p. URL : https://ccl.northwestern.edu/netlogo/. [in English].

25. Wilensky U., Rand W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo MIT Press. [in English].

26. Branke, J. (2011). Artificial Societies. In: Sammut, C., Webb, G.I. (eds) Encyclopedia of Machine Learning. Springer, Boston, MA. URL : https:// doi.org/ 10.1007/978-0-387-30164-8_36. [in English].

27. Karchevskyi, M. V.(2020) Ahentne modeliuvannia – novi mozhlyvosti doslidzhennia zlochynnosti. Zabezpechennia pravoporiadku v umovakh koronakryzy : materialy panelnoi dyskusii IV Kharkiv. Mizhnar. yuryd. forumu, m. Kharkiv, 23–24 veres. 2020 r.Ensuring law and order in the conditions of the corona crisis: materials of the panel discussion of the Kharkiv Institute of Technology. International law form, Kharkiv, September, 23–24. 202, 93-98. / V. Ya. Tatsii, A. P. Hetman, Yu. H. Barabash, B. M. Holovkin (Eds.) . Kharkiv : Pravo. [in Ukrainian].

28. Karchevskyi, M. V., Odyntsova, O. V. (2019). Avtomatyzovana systema dlia doslidzhennia zakonodavchoi otsinky suspilnoi nebezpechnosti diiannia «In Context». Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E.O. Didorenka Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, issue 4(88), 92-101. URL : https://doi.org/10.33766/2524-0323. 88.92-101. [in Ukrainian].

29. Karchevskyi, M. V. (N. d.) Zahalna dynamika kryminalno-pravovoho rehuliuvannia na zakonodavchomu ta pravozastosovchomu rivniakh. [Elektronic resurs] N. p. URL : https://github.com/Nickolay78/Criminal_Code_of_Ukraine. [in Ukrainian].

30. Karchevskyi, M. V. (2022). Protydiia zlochynnosti v Ukraini u formati DATA SCIENCE. Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E.O. Didorenka – Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, issue 2(98), 202-227. URL : https://doi.org/10.33766/2524-0323.98. 202-227. [in Ukrainian].

31. Karchevskyi, M. V. (2021) Vkhidni dani, skrypty zbyrannia, ochyshchennia, obrobky ta pobudovy vizualizatsii dlia web-zastosunku. Interaktyvnyi dovidnyk “Protydiia zlochynnosti v Ukraini (2013-2021). N. p. URL : https://github.com/Nicko lay78/Combating-Crime-in-Ukraine-2013-2021. [in Ukrainian].

32. Karchevskyi M. V. (2021) Protydiia zlochynnosti v Ukraini : inforhrafika : interaktyvnyi dovidnyk. N. p.URL : https://karchevskiy.org/i-dovidnyk/. [in Ukrainian].

Karchevsky М. , Doctor of legal sciences, Professor, First vice-rector of E.O. Luhansk State University of Internal Affairs E.O. Didorenko (Ivano-Frankivsk, Ukraine), Chief researcher

of the criminal law research department of the Scientific Research Institute for the Study of Crime Problems named after academician V. V. Stashis of the National Academy of Sciences of Ukraine (Kharkiv, Ukraine)


[1] Розмір шрифту, яким надруковано слово, свідчить про частоту його використання.

ПРОТИДІЯ ЗЛОЧИННОСТІ В УКРАЇНІ У ФОРМАТІ DATA SCIENCE

Карчевський, М. В. (2022). ПРОТИДІЯ ЗЛОЧИННОСТІ В УКРАЇНІ У ФОРМАТІ DATA SCIENCE. Вісник Луганського державного університету внутрішніх справ імені Е.О. Дідоренка, 2(98), 202-227. https://doi.org/10.33766/2524-0323.98.202-227

УДК 343.1
Карчевський М. В., доктор юридичних наук, професор,
перший проректор Луганського державного університету внутрішніх справ імені Е.О. Дідоренка
e-mail : comcriminal@gmail.com
ORCID iD: https://orcid.org/0000-0002-2693-3592

Слайди до статті 

У статті запропонований огляд однієї з перших спроб систематизувати статистичні дані щодо протидії злочинності у форматі відтворюваного дослідження за методологією Data Science. Результатом розвідки став інтерактивний довідник «Протидія злочинності в Україні». Довідник представлено у вигляді вебзастосунку, який інтегрує й дає можливість аналізувати дані, що містяться у звітах Офісу Генерального прокурора України та Державної судової адміністрації за 2013–2021 роки. Він містить близько 5 тисяч візуалізацій, дозволяє здійснювати аналіз застосування кримінального законодавства за більше ніж 100 параметрами. Набір даних налічує близько 980 тисяч показників функціонування національної системи кримінальної юстиції. Передбачено окремий режим роботи застосунку, який дозволяє створювати власні візуалізації та набори даних, комбінувати параметри, визначати період спостережень, рівень узагальнення та необхідність обрахунку відносних значень. З використанням запропонованого застосунку здійснено аналіз основних тенденцій протидії злочинності в Україні, які можуть бути охарактеризовані наступним чином: разом із поступовим зменшенням кількості облікованих проваджень, зменшенням кількості засуджених осіб та пом’якшенням покарань, які призначаються, спостерігається недостатня реалізація публічного інтересу в належному функціонуванні системи кримінальної юстиції та недостатність конструктивної професійної комунікації; існують ризики падіння рівня суспільної довіри до соціальних інститутів, які забезпечують дотримання законів, та, як наслідок, зростання злочинності. Визначено, що попередження розвитку встановлених негативних тенденцій та мінімізація відповідних соціальних ризиків передбачає не тільки законотворчу та адміністративну роботу, необхідними також є раціоналізація протидії злочинності та зміна фокусу професійної комунікації у сфери кримінальної юстиції.

Ключові слова: data science, reproducible research, big data, протидія злочинності, кримінальна статистика.

Постановка проблеми. Статистичні дані дають змогу отримати уявлення про закономірності й тенденцій протидії злочинності. Їх аналіз є важливим складником процесу прийняття рішень у галузі кримінально-правового регулювання. Водночас однією з актуальних проблем сучасної науки про суспільство є криза реплікації. Результати багатьох досліджень неможливо отримати в спосіб їх повторення. Це ставить під сумнів зміст та обсяг знань про суспільство.

Головним наслідком кризи реплікації є втрата довіри до науки як такої. Неможливість відтворити дослідження нівелює якість наукових аргументів у суспільному дискурсі, піддає сумнівам доцільність їх використання. З іншого боку, процеси, скеровані на подолання проблем, зумовлених кризою реплікації, можуть розглядатися як шлях науки до нових репутаційних переваг [9]. Подолавши недовіру до результатів досліджень, наука спроможна закріпити позиції в соціальному дискурсі. Якісно новий рівень довіри до наукових розвідок здатна забезпечити можливість відтворення результатів дослідження, що досягається через використання відповідної методології.

Аналіз останніх досліджень і публікацій. «Зростаюча інтеграція технологій у наше життя надає доступ до безпрецедентних обсягів даних про повсякденну поведінку суспільства. Такі дані відкривають нові можливості для роботи в осмисленні наших складних соціальних систем у рамках нової дисципліни, відомої як обчислювальна соціальна наука (Computational Social Science)». Це зазначено в Маніфесті обчислювальної соціальної науки [7]. Методологія даної науки поділяється на такі групи, як: автоматизація збору даних, аналіз соціальних систем, соціальні геоінформаційні системи, моделювання соціальних систем тощо [2]. Дисципліна використовує комп’ютерне моделювання суспільства, дані, зібрані з мобільних та соціальних мереж, онлайн-експерименти із залученням сотень тисяч людей, для того щоб отримати відповіді на запитання, які раніше було неможливо дослідити. А. Манн влучно називає результати, що отримує дана наука, «поглядом на суспільство у великій розподільчій здатності (in high resolution)» [8].

Інтеграція інформатики та соціальних наук дає достатньо цікаві результати [3]. Методи обробки інформації ефективно застосовуються для розв’язання складних соціальних проблем. Серед них: встановлення особливостей внутрішньої структури соціальних груп на основі мережевого аналізу [12], автоматизована обробка звернень у системах електронного урядування (e-government) [5], алгоритмізація визначення фейкових новин [1], розв’язання проблем оптимізації оборони [13] тощо.

Обчислювальна соціальна наука розглядається як міждисциплінарне поле, яке включає математику, статистику, науку про дані (data science) та, звичайно ж, науку про суспільство (social science) [6]. Своєю чергою, data science визначається як набір фундаментальних принципів вилучення інформації та знань з даних [10]. Більш влучне визначення, на нашу думку, використовується у професійній сертифікаційній програмі «Аналіз даних від Google» – область досліджень, яка застосовує необроблені дані для створення нових способів моделювання та розуміння невідомого [4].

До основ ефективного запобігання суспільно небезпечним діянням обґрунтовано відноситься аналіз кількісних та якісних показників кримінальних правопорушень [16]. Запропоноване обґрунтування відокремленого існування «доказової кримінально-правової політики», при якій «впровадження засобів кримінально-правового впливу можливе тільки в тому випадку, якщо ефективність такого впровадження доведена» [28]. Одним із векторів розвитку прикладної кримінології є впровадження нових інструментів роботи з великими даними [20]. Розробка сучасної стратегії зменшення можливостей вчинення злочинів, можлива лише шляхом постійного моніторингу криміногенної ситуації в Україні, на підставі якого необхідно створити достовірну інформаційну модель аналізованої ситуації [14]. У цьому контексті використання методології Data Science для досліджень у сфері протидії злочинності слід розглядати як перспективне та затребуване. Саме таке дослідження нами проведено. Його результатом став інтерактивний довідник «Протидія злочинності в Україні» [24]. Його представлено у вигляді вебзастосунку, який інтегрує й дає можливість аналізувати дані, що містяться у звітах Офісу Генерального прокурора України та Державної судової адміністрації за 2013–2021 роки[1].

Формулювання цілей. Метою цієї роботи дослідження можливостей аналізу даних кримінальної статистики у форматі Data Science, формулювання на цьому ґрунті висновків щодо тенденцій кримінально-правового регулювання в Україні.

Виклад основного матеріалу. Методологія дослідження містить юридичний, алгоритмічний і технічний складники.

Юридичний полягає в тому, що вхідні дані ми розглядаємо з усталених і найбільш поширених позицій правової науки. Зокрема, це має відношення до змісту використовуваних у дослідженні понять «кримінальне правопорушення», «обліковане правопорушення», «вирок, що набрав чинності» тощо. Розгляд процесу протидії злочинності зумовлений змістом аналізованих статистичних звітів. Подаємо в загальних рисах розгляд процесу протидії злочинності, представлений у статистичних звітах. Певні події правоохоронні органи обліковують як такі, що потребують дослідження в межах кримінальних проваджень. У результаті досудового розслідування таких подій може бути прийнято рішення про скерування матеріалів провадження до суду. У такому разі можливі чотири варіанти: скерування матеріалів з обвинувальним актом, скерування клопотання про звільнення від кримінальної відповідальності, скерування клопотання про застосування примусових заходів медичного характеру, скерування клопотання про застосування примусових заходів виховного характеру. Розгляд матеріалів провадження в суді закінчується набранням чинності певним судовим рішенням. Такі рішення також можуть бути чотирьох різновидів: про засудження особи, про виправдання особи, про застосування примусових заходів медичного характеру та про закриття справи. Якщо особа визнається винною, реалізація кримінальної відповідальності може відбуватися в репресивній (призначення покарання) або ліберальній (звільнення від покарання) формах.

Також зауважимо щодо змін досліджуваних форм звітності. По-перше, до 2017 року Державна судова адміністрація обліковувала окремо покарання, призначені за сукупністю злочинів і сукупністю вироків. До звітів вносилися дані щодо покарань, призначених за одиничні злочини, та дані щодо остаточно призначених покарань у разі сукупності. Починаючи з 2018 року такий розподіл не ведеться. У розділі «Призначене покарання» обліковуються дані як щодо призначених покарань за одиничні злочини, так й остаточно призначені покарання за сукупністю злочинів і сукупністю вироків. Отже, використаний масив даних щодо призначених покарань є неоднорідним, така особливість має істотне значення для інтерпретації результатів. По-друге, до переліку підстав закриття справ до 2017 року належали, зокрема, закриття справи за відсутністю події, складу злочину чи недоведеністю обвинувачення та у зв’язку із застосуванням примусових заходів виховного характеру до неповнолітнього. Водночас, починаючи з 2018 року, обліковуються такі підстави закриття справ як відмова прокурора або потерпілого, його представника від обвинувачення в кримінальному провадженні та наявність вироку або ухвали про закриття кримінального провадження в тому самому обвинуваченні.

Алгоритмічний складник стосується особливостей проведення відтворюваного дослідження (reproducible research). Останнє передбачає здійснення певної послідовності дій, які виконує дослідник, та які згодом можуть повторити ті, хто відтворюють дослідження, що приводить до певного результату. Організація дослідження у такий спосіб забезпечує високий рівень довіри до результатів. У нашому разі ця послідовність така: збір даних; трансформація даних у форму, яка дає змогу автоматизованої обробки; автоматизована обробка даних; візуалізація; інтерпретація результатів. Збір даних відбувається в спосіб завантаження звітів, представлених на офіційних інтернет-представництвах Офісу Генерального прокурора України та Державної судової адміністрації України. Посилання на звіти додано до відповідних програмних скриптів. Їх виконання дає змогу отримати локальні копії вхідних даних. Трансформація даних у цьому дослідженні полягала в перетворенні звітів на дані, придатні для автоматизованого опрацювання («чисті» дані). На підставі аналізу особливостей структури вхідних звітів було розроблено скрипти очищення даних, виконання яких дало змогу отримати файли, що містять тільки показники кримінально-правового регулювання, властиві певним статтям Особливої частини КК. У цих файлах відсутні елементи, які утруднюють автоматизовану обробку (розмітка таблиць, підсумкові рядки, заголовки тощо). Скрипти автоматизованої обробки створюють з отриманих на попередньому етапі «чистих» даних добірки та узагальнення для дальших візуалізацій. Візуалізація здійснюється знову ж таки через виконання скриптів, що використовують добірки, отримані на попередньому етапі, і стандартні бібліотеки графічного представлення даних.

Технічний складник полягає в характеристиці застосованого програмного забезпечення. Для виконання завдань дослідження використовувалася мова програмування R, середа розробки програмного забезпечення з відкритим вихідним кодом RSudio. Розробку оболонки вебзастосунку здійснено з використанням Shiny R – програмного середовища для створення інтерактивних програмних продуктів із графічним інтерфейсом на основі мови програмування R. В онлайн-додатках до цієї розвідки представлено вихідні дані, дані, придатні до автоматизованої обробки, програмні коди для отримання первинних даних, їх обробки і візуалізації [18]. Усі використані програмні продукти та дані представлено у вільному доступі, що є додатковою гарантією можливості відтворення здійсненого дослідження

Таким чином, вихідним положенням нашого аналізу є розгляд кримінально-правового регулювання в контексті раціональної парадигми кримінального права. Ґрунтуючись на результатах досліджень проблем ефективності кримінально-правового регулювання (праці В. І. Борисова, А. Е. Жалінського, А. А. Музики, О. М. Костенка та ін.), сформульовано такі засади оцінки ефективності кримінально-правового регулювання:

1. Із позицій раціональної парадигми – оптимальний стан кримінального права визначається його відповідністю реальним соціальним потребам, відповідністю соціальних видатків на його реалізацію значимості та захищеності охоронюваних благ. При цьому до соціальних видатків належать не тільки матеріальні витрати на утримання правоохоронної та судової системи, а й інші соціальні наслідки застосування кримінального права – криміналізація суспільства, демографічні та соціально-культурні наслідки тощо.

2. Кримінально-правове регулювання здійснюється на двох рівнях – нормативному (законодавчому, правотворчому) та індивідуальному (правозастосовному), тобто включає як законотворення, так і правозастосування. Суб’єктами кримінально-правового регулювання на правотворчому рівні виступають Верховна Рада України, Конституційний Суд України (у частині визнання неконституційними окремих положень кримінального законодавства); на правозастосовному рівні – суди загальної юрисдикції [32].

3. Ураховуючи зазначене, ефективним (у контексті прагматичної парадигми) кримінально-правове регулювання є тоді, коли обсяг фактичних соціальних витрат на його реалізацію відповідає обсягу необхідних соціальних витрат, зумовленому законотворчою та правозастосовною діяльністю у сфері кримінально-правого регулювання.

Отже, ефективними законодавчими рішеннями у сфері кримінально-правового регулювання слід вважати такі, які забезпечують баланс соціальної значимості охоронюваних благ та обґрунтованого обсягу необхідних соціальних видатків, а саме того обсягу видатків, який держава та суспільство можуть виділити на забезпечення кримінально-правового регулювання. Ефективними рішеннями на правозастосовному рівні кримінально-правового регулювання слід вважати такі, які прийняті відповідно до чинного законодавства та вимагають здійснення соціальних витрат, що відповідають небезпечності конкретного вчиненого кримінального правопорушення [23; 25]. Належною реалізацією публічного інтересу у функціонуванні інститутів кримінальної юстиції слід вважати таку, коли більшість рішень на законодавчому та правозастосовчому рівнях кримінально-правового регулювання є ефективними й забезпечують раціональне використання соціального ресурсу.

Ключові тенденції, що характеризують кримінально-правове регулювання в Україні в період із 2013 по 2021 роки, такі: зменшення кількості облікованих проваджень (Рис. 1) і засуджених осіб, зменшення суворості покарань, що призначаються[2].

Рис.1.

Зменшення суворості покарань полягає в поступовому збільшенні частки штрафів у структурі призначених покарань. До 2016 року найчастіше призначалося позбавлення волі, але, починаючи з 2016 року, штрафи переважають, їх частка є найбільшою та складає від 38 % до 50 % (Рис. 2).

Рис. 2.

Можна вважати, що все означене свідчить про стійке зростання ефективності національного кримінально-правового регулювання. Менш суворі покарання забезпечують більш результативну протидію злочинності. Є підстави прогнозувати дальше стабільне зменшення злочинності. Водночас така гіпотеза пояснює далеко не всі встановлені характеристики національного кримінально-правового регулювання.

Найбільшу кількість осіб засуджено за кримінальні правопорушення проти власності, проти життя та здоров’я та сфері обігу наркотиків (Рис. 3).

Рис. 3

Причому, серед судових рішень щодо застосування ст. 125 КК, переважають рішення про закриття справ (Рис. 4,5).

Рис. 4.

Рис. 5.

Такий стан речей актуалізує проблему раціонального використання соціальних ресурсів для здійснення кримінально-правового регулювання. Чи можна вважати ефективним кримінально-правове регулювання у певній сфері, коли більшість судових рішень чисельнішої групи (рішень за ст. 125 КК) стосуються закриття справ? Актуальною видається оптимізація обсягів кримінально-правового регулювання у сфері правопорушень проти здоров’я.

Серед засуджених за кримінальні правопорушення проти власності найбільшу кількість засуджено за крадіжку, грабіж та шахрайство (Рис. 6)

Рис. 6.

Динаміка засуджених за крадіжку, грабіж та шахрайство характеризується зменшенням частки засуджених за кримінальні правопорушення, вчинені у складі груп (Рис. 7).

За очевидної відсутності фактичних даних про зменшення частки групових посягань на власність дана тенденція може свідчити про тривожне спрощення кримінально-правової протидії злочинним посяганням на власність. Сукупність судових рішень усе менше відбиває фактичні посягання на власність. До суду «доходять» переважно «прості» випадки вчинення посягань однією особою. Водночас більш небезпечні форми посягань на власність (вчинені групою осіб) не отримують відповідного представлення на рівні судових рішень

Рис. 7

Одна з гострих соціальних проблем – наркотизація [11]. Аналіз відповідного сегмента правозастосовчого рівня кримінально-правового регулювання свідчить про те, що кількість облікованих проваджень щодо кримінальних правопорушень, передбачених Розділом XIIІ Особливої частини КК, із 2013 по 2016 роки зменшується з 33 до 23 тисяч, а з 2017 по 2021 роки становить 28-29 тисяч. Подібну динаміку повторює і кількість засуджених осіб, яка з 2011 по 2016 роки зменшується з 18 до 9 тисяч і тримається на такому ж рівні (Рис. 8).

Рис. 8


Видається, що означені коливання пов’язані радше з процесами реформування підрозділів Національної поліції щодо протидії незаконному обігу наркотиків, а загальне падіння показників обліку й засудження не свідчить про те, що відповідна соціальна проблема набула меншої гостроти. Такий висновок підтверджує і динаміка засудження за кримінальні правопорушення, передбачені статтями 307 та 309 (Pис. 9).

Рис. 9.

 У 2013 році за незаконні дії, пов’язані зі збутом наркотиків, було засуджено 3 363 особи, а за подібні дії, але не пов’язані зі збутом, – 12 468 осіб. У 2021 році подібні показники становили 7 145 та 585 осіб відповідно. Тобто, якщо в 2013 році на один розглянутий у суді факт збуту наркотиків припадало чотири факти незаконних дій, не пов’язаних зі збутом, то у 2021 році відповідне співвідношення становило 1 до 12. Зрозуміло, що засудження за збут наркотичних засобів потребує якісно іншого рівня складності досудового розслідування та судового розгляду. З огляду на зазначене, визнаємо, що динаміка протидії другій за поширеністю групі кримінальних правопорушень є такою, що свідчить радше про недостатню реалізацію публічного інтересу в належній кримінальній юстиції, ніж про зниження рівня відповідної злочинності.

Протидія кримінальним правопорушенням у сфері службової діяльності. Погодимося з висловленими у вітчизняній науці положеннями щодо виключної небезпечності та критично необхідної ефективності протидії корупції [30; 17; 21]. Водночас, у процесі дослідження правозастосовчого рівня кримінально-правової протидії корупції нами було встановлено, що протягом досліджуваного періоду суттєво змінилася структура засуджених осіб за кримінально-правовою кваліфікацією. Якщо до 2018 року більшість осіб засуджували за отримання неправомірної вигоди, то, починаючи з 2018 року, за пропозицію неправомірної вигоди Абсолютні значення ще більш промовисті: у 2013 році за отримання неправомірної вигоди засуджено 731 особу, за пропозицію – 80; у 2021 році за отримання неправомірної вигоди засуджено 99 осіб, за пропозицію – 843 (Рис. 10).

Процес був поступовим, відповідні тенденції зменшення / збільшення кількості засуджених осіб прослідковувалися протягом усього періоду спостережень. Крім того, за даними ДСА, починаючи з 2019 року серед засуджених за правопорушення, передбачені Розділом XVII Особливої частини, найбільшою є частка «працездатні, які не працювали і не навчалися». Розмір цієї частки збільшується від 34 % у 2019 році, до 47 % у 2021 (Рис. 11).

Рис. 10

Чи означає це, що головною проблемою протидії корупції в Україні стала пропозиція неправомірної вигоди? Чи відповідають результати функціонування кримінальної юстиції реальній соціальній ситуації? Чи можна стверджувати, що соціальні ресурси, які виділяються на протидію корупції, використовуються раціонально?

Рис. 11

Для відповіді на поставлені запитання ми провели розвідувальний контент-аналіз обвинувальних вироків за ст. 369 КК, які було винесено в 2020 році та представлено в базі інформаційно-аналітичної системи «Закон-онлайн». За названими ознаками було встановлено 404 судові рішення. Перші п’ять мали майже тотожні обставини та стосувалися пропозиції неправомірної вигоди поліцейським (прикордонникам) під час виконання ними службових обов’язків у складі добових нарядів (охорона громадського порядку, виконання обов’язків на пункті пропуску через державний кордон тощо). У всіх судових рішеннях йшлося про угоду щодо визнання винуватості. Вироки ухвалили судді судів Чернігівської, Сумської, Луганської, Волинської та Рівненської областей [15]. Тотожність обставин і географічний розподіл дають змогу розглядати отриману добірку судових рішень як репрезентативну для розвідувального аналізу.

Що ж до сформульованих запитань про відповідність фактичної судової практики соціальному запиту протидії корупції, вважаємо, що було отримано досить даних для негативної відповіді. Навряд чи сукупність актів застосування кримінального права, майже 4/5 якої являє собою засудження по угоді за пропозицію правоохоронцеві в складі добового наряду незначної неправомірної вигоди є такою, що відповідає соціальній потребі протидії корупції. У такому контексті зменшення кількості осіб, засуджених за кримінальні правопорушення у сфері службової діяльності, навряд чи свідчить про високу ефективність кримінально-правової протидії корупції. Водночас, враховуючи, що корупція розглядається як одна з умов з найбільшим впливом на збільшення рівня злочинності [19], встановлені тенденції є достатньо тривожними.


Не менш болісна соціальна проблема – безпека дорожнього руху. За даними Національної поліції, із 2017 року в ДТП гине приблизно дев’ять-десять осіб щодня. За даними Державної судової адміністрації, аналогічний період характеризується зменшенням кількості засуджених із 2 300 до 1 751 особи та збільшенням закритих справ із 1 772 до 2 278. Майже дзеркальна та, з огляду на специфіку показників, «герметична» зміна. При цьому переважна частина справ закривається у зв’язку з примиренням винного з потерпілим (Рис. 12).

Рис. 12.

Знову ж таки, можна сформулювати непросте запитання: зафіксована статистикою зміна тактики кримінально-правового забезпечення безпеки дорожнього руху – це соціальний тренд, що свідчить про більшу схильність потерпілих від ДТП до примирення, чи статистика відображає зростання непрофесійності досудового розслідування та впливу неформальних практик під час судового розгляду?

Період спостережень охоплює 8 років війни з рф (з 2014 по 2021 рік), і в цьому контексті значний інтерес має аналіз ефективності кримінально-правового регулювання у сфері основ національної безпеки. У вітчизняній науці представлено змістовний аналіз відповідних норм кримінального законодавства [26; 27; 31; 33]. Водночас, здійснений нами аналіз дозволяє проаналізувати проблему під кутом відображеного в кримінальній статистиці практичного досвіду застосування норм, що містяться в першому розділі Особливої частини КК. Починаючи з 2014 року, щороку обліковується близько 500 проваджень щодо правопорушень, передбачених Розділом І Особливої частини КК. Така кількість дорівнює близько 0,1 % від облікованих проваджень. Щороку за дані правопорушення засуджується до 200, частка серед всіх засуджених – від 0,1 до 0,3% (Рис. 13).

Рис. 13.

Обліковуються, головним чином, провадження щодо правопорушень, передбачених ст.ст. 110, 111 та 109 КК. Переважна кількість засуджених – за злочини, передбачені ст. 110 КК. До того ж 2019-2021 роки характеризуються найбільшою кількістю таких засуджених (Рис. 14).

Рис. 14

При тому, судові рішення, пов’язані з використанням статей Розділу І Особливої частини КК, характеризуються найменшим рівнем використання репресивної форми відповідальності серед усіх розділів Особливої частини КК. За період спостережень (2013-2014) середній рівень використання репресивної форми склав близько 60 %, у випадках засудження за злочини проти основ
національної безпеки – 14 % (Рис. 15).

Рис. 15.

Використання статті 110 КК (найбільша кількість засуджених серед всіх статей Розділу І КК) характеризується тим, що кількість засуджених до кількості облікованих проваджень відноситься як 3 до 5-ти. Водночас кількість осіб, яким призначено реальне покарання, до кількості облікованих проваджень – у співвідношенні 1 до 20 (Рис. 16).

Рис. 16.


Починаючи з 2017 року частка жінок серед засуджених за злочини, передбачені Розділом І Особливої частини КК, є найбільшою серед часток засуджених жінок за правопорушення, передбачені іншими розділами (Рис. 17).

Рис. 17.

За період спостережень частка жінок серед засуджених складає 12 %, для злочинів проти основ національної безпеки – більше 50 % (Рис.18).

Рис. 18.


Частка жінок засуджених за ст. 110 КК сягає 70 % (Рис. 19).

Рис. 19.


Часка засуджених, які вчинили злочин у віці понад 50 років, є найбільшою для засуджених за статтями Розділу І, та складає 38 % (Рис. 20).

Рис. 20.


Частка засуджених за злочини, передбачені Розділом І, віком від 50 років поступово збільшувалася з 2014 року (Рис. 21).

Рис. 21.

Починаючи з 2019 року, майже половина засуджених за ст. 110 КК, вчинили злочин у віці понад 50 років (Рис. 22).. Частка засуджених пенсіонерів є найбільшою для злочинів, передбачених Розділом І Особливої частини, та складає 17%.

Рис. 22.

Отже, використання кримінально-правових норм, що передбачають відповідальність за злочини проти основ національної безпеки характеризується:

  • найнижчим рівнем використання реальних покарань – 14 % (середній –60 %);
  • найбільшою часткою жінок серед засуджених – більше 50 % (середній рівень 12 %);
  • найбільшою часткою засуджених, які вчинили злочин у віці понад 50 років, – 38 %);
  • найбільшою часткою пенсіонерів серед засуджених – близько 17 %.

Необхідність ефективного кримінально-правового регулювання у сфері національної безпеки є очевидною. Наявний досвід: а) наочно демонструє небезпеку включення до сфери кримінальної юстиції діянь зі спірною суспільною небезпечністю; б) вкотре актуалізує проблематику нечітких формулювань заборон та необхідності законодавчої визначеності [див. 22]; додає нових аргументів до дискусії щодо спеціальних видів звільнення від кримінальної відповідальності [див. 29]. Оновлення законодавства про кримінальну відповідальність має відбуватися в тому числі шляхом формулювання законодавчих запобіжників неефективного правозастосування. Можливо, є сенс не збільшувати обсяг кримінально-правового регулювання, а навпаки – скорочувати, фокусуючи зусилля правозастовчого рівня на дійсно небезпечних проявах

Наведені дані не вичерпують прикладів неоднозначних тенденцій фактичної практики кримінально-правового регулювання в контексті наявних соціальних потреб. Згадаймо, наприклад, зменшення кількості засуджених за незаконне поводження зі зброєю з одночасним збільшенням кількості закритих справ в умовах «чорного» ринку зброї, що зростає. Водночас звернемо увагу на загальну характеристику професійного дискурсу у сфері кримінальної юстиції. Досить усталеною є думка про те, що працівники правоохоронних органів проводять тривалу роботу щодо документування злочинних дій, а коли матеріали опиняються в суді, то використання неформальних практик дає змогу уникнути покарання. Не менш поширеною є й оцінка діяльності працівників правоохоронних органів як непрофесійної. Якість проведення досудового розслідування постійно падає, суди отримують такі матеріали, які унеможливлюють притягнення до відповідальності й призначення справедливого покарання. Тобто професійна комунікація фокусується на перекладанні відповідальності за неефективні дії щодо протидії злочинності між суб’єктами кримінально-правового регулювання. Водночас проведене дослідження об’єктивно показує поступове зменшення суворості покарання, зменшення частки обвинувальних вироків і кількості облікованих кримінальних проваджень, які не завжди зумовлені об’єктивними процесами зменшення злочинності.

Отже, як антитеза до висловленої попередньо гіпотези про загалом позитивну оцінку тенденцій та прогнозу протидії злочинності, може бути сформульована така інтерпретація результатів дослідження: через відсутність конструктивної професійної комунікації правоохоронних органів, прокуратури та судів публічний інтерес у належному функціонуванні системи кримінальної юстиції реалізовується не цілком. Непрофесійні дії під час обліку кримінальних проваджень, досудового розслідування та судового розгляду істотно зменшують ефективність протидії злочинності. Розповсюдження непрофесійних дій створює широке корупційне поле, критично збільшуючи можливість уникнення покарання. Є підстави прогнозувати падіння рівня суспільної довіри до соціальних інститутів, які забезпечують дотримання законів, та, як наслідок, зростання злочинності.

На наше переконання, реальний стан справ почасти передають як перша, так і друга гіпотези. Дійсно, спостерігається певне зменшення рівня злочинності, але водночас фактично існують означені негативні процеси у сфері кримінальної юстиції. Мінімізація ризиків розвитку цих процесів, окрім традиційних заходів (законодавчих, організаційних, адміністративних, технічних, інфраструктурних тощо), передбачає передусім зміну фокусу професійної комунікації, що має бути скерована не на пошук «слабких ланок», а на ефективну реалізацію публічного інтересу належного функціонування кримінальної юстиції.

Висновки. Розв’язана рфвійна проти нашої Держави змінила всі соціальні процеси, не виключенням є й протидія злочинності. На кінець травня 2022 структура облікованих проваджень істотно відрізняється від тенденцій описаних раніше. Загальна кількість облікованих проваджень склала 130 144. Кримінальних правопорушень проти власності – 40 573 (31,2 %, до 2022 року –близько 50 %). Кримінальних правопорушення проти миру, безпеки людства та міжнародного правопорядку – 15 096 (11,6 %, до 2022 року – до 0,1 %). Кримінальних правопорушень проти основ національної безпеки України – 7 178 (5,5 %, до 2022 року – до 0,2 %). Водночас проблема ефективного кримінально-правового регулювання в умовах війни набуває ще більшої актуальності, перемога потребує раціонального використання соціальних ресурсів. Встановлені в процесі дослідження тенденції дозволяють сформулювати основні напрями розв’язання даної проблеми.

Підсумовуючи вищевикладене, зазначимо:

  1. Методологія Data Science може використовуватися для досліджень у сфері кримінально-правового регулювання.
  2. Забезпечена цією методологією можливість здійснення відтворюваних досліджень істотно підвищує довіру до результатів наукової роботи.
  3. Основні тенденції протидії злочинності в Україні можуть бути охарактеризовані наступним чином: разом з поступовим зменшенням кількості облікованих проваджень, зменшенням кількості засуджених осіб та пом’якшенням покарань, які призначаються, спостерігається недостатня реалізація публічного інтересу в належному, ефективному функціонуванні системи кримінальної юстиції та недостатність конструктивної професійної комунікації.
  4. Існують ризики падіння рівня суспільної довіри до соціальних інститутів, які забезпечують дотримання законів, та, як наслідок, зростання злочинності.
  5. Попередження розвитку встановлених негативних тенденцій та мінімізація відповідних соціальних ризиків потребує не тільки законодавчої та адміністративної роботи. Необхідні: раціоналізація протидії злочинності шляхом прийняття рішень на основі аналізу фактичного стану речей та їх впровадження у сферу практичної кримінально-правової політики; зміна фокусу професійної комунікації, вона має бути скерована на ефективну реалізацію публічного інтересу належного функціонування кримінальної юстиції.

References:

1. Bodunde, Akinyemi, Oluwakemi, Adewusi, Adedoyin, Oyebade (2020) An Improved Classification Model for Fake News Detection in Social Media. International Journal of Information Technology and Computer Science (IJITCS), vol. 12, 1, 34-43. DOI : 10.5815/ijitcs.2020.01.05. [in English].

2. Cioffi-Revilla, C. (2010) Computational Social Science. Wiley Interdisciplinary Reviews Computational Statistics, 2(3), May, 259-271. [in English]/

3. Edelmann, A., Wolff, T., Montagne, D., Bail, C. A. (2020) Computational Social Science and Sociology. The Annual Review of Sociology, 46, 61–81. URL : https:// doi.org/10.1146/annurev-soc-121919-054621. [in English].

4. Foundations: Data, Data, Everywhere by Google. [Internet resource] N. d. N. p. URL : https://www.coursera.org/learn/foundations-data/home/info. [in English].

5. Gunay, Y. (2020) Iskandarli Applying Clustering and Topic Modeling to Automatic Analysis of Citizens. Comments in E-Government. International Journal of Information Technology and Computer Science (IJITCS), vol. 12, 6, 1-10. DOI : 10.5815/ ijitcs.2020.06.01. [in English].

6. Hox, J. J. (2017) Computational Social Science Methodology, Anyone? Methodology, 13, 3-12. URL : https://doi.org/10.1027/1614-2241/a000127. [in English]

7. R. Conte, N. Gilbert, G. Bonelli, C. Cioffi-Revilla, G. Deffuant, J. Kertesz, V. Loreto, S. Moat, J. Nadal, A. Sanchez, A. Nowak, A. Flache, M. San Miguel, & D. Helbing (2012) Manifesto of Computational Social Science. European Physical Journal Special Topics (EPJST), vol. 214, issue 1, 325-346. URL : https://www.bibsonomy. org/publication/20c26ecde5981441fee65c48864bb02b6/everyaware_bib. [in English]

8. Mann, A. (2016) Core Concept: Computational social science. PNAS, January 19, 113 (3), 468-470. URL : https://doi.org/10.1073/pnas.1524881113. [in English]

9. Mede, N. G., Schäfer, M. S., Ziegler, R., & Weißkopf, M. (2021) The “replication crisis” in the public eye: Germans’ awareness and perceptions of the (ir)reproducibility of scientific research. Public Understanding of Science, 30 (1), 91–102. URL : https://doi.org/10.1177/0963662520954370. [in English]

10. Provost, F., Fawcett, T. (2013) Data Science and its Relationship to Big Data and Data-Driven Decision Making. Big Data, March 2013, 51-59. URL : http://doi. org/10.1089/big.2013.1508. [in English]

11. Ruslan Semenovych Orlovskyi, Anatoliy Trokhymovych Komziuk Bohdan Mykhailovich Orlovskyi, Taisa Vasylivna Rodionova. (2020) Contemporary forms and methods of counteracting narcotization of the youth. Amazonia Investiga, vol. 9, issue 28, 377-385. URL : https://amazoniainvestiga.info/index.php/amazonia/article/view/ 1332. [in English]

12. Sepide Fotoohi, Shahram Saeidi (2019) “Discovering the Maximum Clique in Social Networks Using Artificial Bee Colony Optimization Method”. International Journal of Information Technology and Computer Science (IJITCS), vol. 11, No. 10, 1-11. DOI: 10.5815/ijitcs.2019.10.01. [in English]

13. Tanmoy, Hazra, CRS, Kumar, Manisha, J. Nene (2017) Strategies for Searching Targets Using Mobile Sensors in Defense Scenarios. International Journal of Information Technology and Computer Science (IJITCS) Vol. 9, 5, 61-70. DOI : 10. 5815/ijitcs.2017.05.08. [in English]

14. Batyrhareieva, V. S., Babenko, A. M. (2020) Analiz suchasnoi kryminohennoi sytuatsii v Ukraini yak informatsiina model dlia rozrobky stratehii zmenshennia mozhlyvostei vchynennia zlochyniv. Arkhiv kryminolohii ta sudovykh nauk – Archive of Criminological and Judicial Sciences, 1, 39–54. URL : https://archive-criminology. com.ua/index.php/journal/article/view/2. [in Ukrainian].

15. Vyrok vid 06.05.2020 u spravi № 733/359/20 Bakhmatskyi raionnyi sud Chernihivskoi oblasti [Internet resource] (2020) N. p. URL : https://youcontrol.com. ua/ru/catalog/court-document/102944679/ ; Vyrok vid 22.09.2020 u spravi № 585/ 1976/20 Romenskyi miskraionnyi sud Sumskoi oblasti [Internet resource] (2020) N. p. URL : https://youcontrol.com.ua/catalog/court-document/99590195/ ; Vyrok vid 03.11. 2020 u spravi № 423/2591/20 Lysychanskyi miskyi sud Luhanskoi oblasti [Internet resource] (2020) N. p. URL : https://youcontrol.com.ua/catalog/court-document/ 96403383/ ; Vyrok vid 17.12.2020 u spravi № 162/686/20 Liubeshivskyi raionnyi sud Volynskoi oblasti [Internet resource] (2020) N. p. URL : https://lbs.vl.court.gov. ua/sud0309/ ; Vyrok vid 17.07.2020 u spravi № 566/1640/19 Mlynivskyi raionnyi sud Rivnenskoi oblasti (2020) N. p. URL : https://youcontrol. com.ua/ru/catalog/court-document/102944679. [in Ukrainian].

16. Vozniuk, A. A. (2016) Kontseptualni zasady zapobihannia suspilno nebezpechnym diianniam. Naukovyi visnyk Natsionalnoi akademii vnutrishnikh sprav- Scientific Bulletin of the National Academy of Internal Affairs, 2 (99), 156–165. URL : https://scientbul.naiau.kiev.ua/index.php/scientbul/article/view/179. [in Ukrainian].

17. Vozniuk, A. A. (2020) Koruptsiini kryminalni pravoporushennia: kontseptualni problemy v konteksti reformuvannia kryminalnoho zakonodavstva Ukrainy. Yurydychnyi chasopys Natsionalnoi akademii vnutrishnikh spravJuridical chapters of the National Academy of Internal Affairs, 2 (20), 21–32. DOI : https://doi. org/10.33270/04202002.21. URL : https://ojs.naiau.kiev.ua/index.php.lawjournal/arti cle/view/1288. [in Ukrainian]

18. Karchevskyi, M. V. (2021) Vkhidni dani, skrypty zbyrannia, ochyshchennia, obrobky ta pobudovy vizualizatsii dlia web-zastosunku. Interaktyvnyi dovidnyk “Protydiia zlochynnosti v Ukraini (2013-2021) Interactive guide “Anti-malice in Ukraine (2013-2021)”. N. p. URL : https://github.com/Nicko lay78/Combating-Crime-in-Ukraine-2013-2021. [in Ukrainian]

19. Holovkin, B. M. (2020) Pro determinatsiiu zlochynnosti. Chasopys Kyivskoho universytetu prava – Chapters of the Kyiv University of Law, 1, 274–280. URL : http:// kul.kiev.ua//images//A/Chasopis/ CHAS20_1.pdf. [in Ukrainian]

20. Holovkin, B. M. (2020) Teperishnie i maibutnie kryminolohii. Problemy zakonnostiProblems of legality, vyp. 149, 168–184. URL : http://plaw.nlu.edu.ua/issue/ view/12367/6456.

21. Holovkin, B. M. (2018) Mekhanizm zapobihannia koruptsii. Chasopys Kyivskoho universytetu prava – Chasopis of Kyiv University of Law, 4, 254–260. URL : http://nbuv.gov.ua/UJRN/ Chkup_2018_4_55. [in Ukrainian]

22. Zahynei-Zabolotenko, Z. A. (2020) Vyznachenist vs nevyznachenist kry minalnoho zakonodavstva Ukrainy. Pravo Ukrainy Law of Ukraine, 67–80. URL : https://pravoua.com.ua/ua/store/pravoukr/pravo_2020_2/pravo_2020_2-s4/. [in Ukrainian]

23. Karchevskyi, M. V., Kudinov, A. S. Efektyvnist kryminalno-pravovoho rehuliuvannia v Ukraini. Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E. O. Didorenka – Journal of the Lugansk State University of Internal Affairs named after E. О. Dydorenko, S. 101–114. URL : https://journal.lduvs.lg.ua/index. php/journal/article/view/537. [in Ukrainian]

24. Karchevskyi, M. V. (2021) Protydiia zlochynnosti v Ukraini : inforhrafika : interaktyvnyi dovidnyk. N. p. URL : https://karchevskiy.org/i-dovidnyk/.%5Bin Ukrainian]

25. Karchevskyi, M. V., Kudinov, A. S. Dosvid ekspertnoi otsinky kryzovykh yavyshch u sferi kryminalno-pravovoho rehuliuvannia. Visnyk Asotsiatsii kryminalnoho prava Ukrainy – Journal of the Ukrainian Association of Criminal Law, 1(8), 163–181. [in Ukrainian]

26. Kvasha, O. O. (2018) Pravo na samozakhyst v konteksti protydii zlochynnym posiahanniam na natsionalnu bezpeku Ukrainy. Pravova derzhava, vyp. 292-267. Kyiv: In-t derzhavy i prava im. V. M. Koretskoho NAN Ukrainy. URL : http://pravova-der zhava.org.ua/ua/zmist-nomeriv/pravova-derjava.vipusk-29-_2018.html. [in Ukrainian]

27. Kvasha O. O., Haponchuk V. V. Publichni zaklyky do vchynennia zlochyniv proty osnov natsionalnoi bezpeky Ukrainy (chch. 2, 3 st. 109, st. 110 KK Ukrainy). Derzhava i pravo: Zbirnyk naukovykh prats. Seriia Yurydychni nauky State and Law: Collection of scientific works. Series of La., 83. Kyiv : Vyd-vo «Iurydychna dumka», 2019, 243-257. URL : http://idpnan.org.ua/ua/vidavn29. icha_dijalnist/derjava_i_pravo. html. [in Ukrainian]

28. Kozych, I. V. Kryminalno-pravova polityka: funktsii ta funktsionuvannia : monohrafiia / Ihor Vasylovych Kozych. Ivano-Frankivsk, Suprun V. P. [in Ukrainian]

29. Lutsenko, Yu. V. (2018) Kryminalni ta kryminalni protsesualni aspekty zvilnennia vid kryminalnoi vidpovidalnosti za zlochyny, pidslidni orhanam bezpeky. Nashe pravo Our right, 2, 96–104. URL : http://nashe-pravo.unesco-socio.in.ua/wp-content/ uploads/archive/NP-2018-2/NP-2018-2.pdf. [in Ukrainian]

31. Lutsenko, Yu. V. (2020) Protydiia zlochynnosti v suchasnykh umovakh. Sotsialno-pravovi studii – Sotsial’no-legal studii, vyp. 1(7), 79–84. URL : http://www. sls.lvduvs.edu.ua/docu-ments_pdf/arhiv/sps_01(7)_2020/12.pdf. [in Ukrainian].

31. Lutsenko, Yu. V. Poniattia ta zmist voiennoi bezpeky Ukrainy u svitli suchasnykh vyklykiv ta zahroz. Aktualni problemy mizhnarodnykh vidnosyn – Actual Problems of International Relations, vyp. 137, 33‒47. URL : http://apir.iir.edu.ua/index. php/apmv/article/view/3650. [in Ukrainian]

32. Naden, O. V. (2012) Teoretychni osnovy kryminalno-pravovoho rehuliuvannia v Ukraini : monohrafiia / O. V. Naden ; Nats. un-t «Iuryd. akad. Ukrainy im. Yaroslava Mudroho». Kharkiv : Pravo. [in Ukrainian]

33. Yanko V. M. (2019) Kryminalna vidpovidalnist za zlochyny proty osnov suverenitetu ukrainskoho narodu [Tekst] : monohrafiia / V. M. Yanko. Sievierodonetsk: RVV LDUVS im. E. O. Didorenka. [in Ukrainian]

Стаття надійшла до редколегії 06.06.2022

Karchevsky M., Doctor of Law, Professor, First Vice-Rector of the Luhansk State University of Internal Affairs named after E.O. Dydorenko (Sievierodonetsk, Ukraine)

COMBATING CRIME IN UKRAINE IN DATA SCIENCE FORMAT

The article presents a review of one of the first attempts to systematize statistical data on combating crime in the format of a reproducible research using the Data Science methodology. The result of the investigation was the interactive guide “Combating crime in Ukraine”. The directory is presented in the form of a web application that integrates and provides an opportunity to analyze the data contained in the reports of the Office of the Prosecutor General of Ukraine and the State Judicial Administration for 2013–2021. It contains about 5,000 visualizations, allows analysis of the application of criminal legislation more than 100 parameters.

The data set includes about 980,000 indicators of the functioning of the national criminal justice system. A separate mode of operation of the application is provided, which allows you to create your own visualizations and data sets, combine parameters, determine the observation period, the level of generalization and the need to calculate relative values.

Using the suggested application, an analysis of the main trends in combating crime in Ukraine was carried out, which can be characterized as follows: at the same time the gradual decrease in the number of recorded proceedings, the decrease in the number of convicted persons and the mitigation of punishments that are imposed, there is an insufficient realization of the public interest in the proper functioning of criminal justice system and lack of constructive professional communication; there are risks of a fall in the level of public trust in social institutions that ensure compliance with laws and, as a result, an increase in crime.

It was determined that prevention of the development of established negative trends and minimization of relevant social risks requires not only legislative and administrative work, but also the rationalization of combating crime and changing the focus of professional communication in the field of criminal justice.

Keywords: Data Science, reproducible research, big data, combating crime, criminal statistics.


[1] У довіднику систематизовано щорічні статистичні звіти (2013-2021) Офісу Генерального Прокурора України та Державної судової адміністрації України: Єдиний звіт про кримінальні правопорушення. Форма №1 (ОГП); Звіт про осіб, притягнутих до кримінальної відповідальності та види кримінального покарання. Форма №6 (ДСА); Звіт про склад засуджених. Форма № 7 (ДСА).

[2] Тут і далі наводитимуться візуалізації з інтерактивного довідника: Карчевський М. В. Протидія злочинності в Україні: інфографіка [14].

Протидія корупції: інновації та імітації

Інновації та імітації можуть розглядатися як найбільші виклики протидії корупції в нашій країні.

Інновації. Поява технологій розподіленого зберігання даних (BlockChain) та заснованих на таких технологіях криптовалютних платіжних систем істотно змінює процес протидії злочинності. Трансформуються форми корупції, з’являються нові види неправомірної вигоди, оновлюються методи легалізації злочинних доходів. Водночас, як будь-який соціальний процес, поширення криптовалюти та технології BlockChain має діалектичні наслідки. З одного боку, криптовалюти стали новим інструментом злочинців. З іншого – наявність у відкритому доступі всієї бази даних транзакцій у системі криптовалюти дає правоохоронцям принципово нові інструменти боротьби зі злочинністю[1]. Крім цього, BlockChain, який забезпечує наднадійне зберігання вважливих даних, розглядається як один з ефективних засобів протидії корупції[2], створюючи нові можливості для реалізації проєктів електронної демократії.

Таким чином, вплив віртуальних активів на протидію корупції слід розглядати у трьох вимірах: 1) новий вид неправомірної вигоди; 2) нові можливості протидії злочинності; 3) антикорупційний потенціал технологій розподіленого зберігання даних.

На вересень 2021 року у Єдиному державному реєстрі судових рішень було обліковано 52 обвинувальних вироки, що стосувалися використання криптовалюти. 36 – використання криптовалюти для незаконного обігу наркотиків, 11 – розповсюдження шкідливого програмного забезпечення для прихованого майнінга криптовалюти, 4 – продаж даних, 1 – шахрайство. Очевидно, що така кількість судових рішень є вкрай незначною і сама по собі не може свідчити про значний рівень використання криптовалюти злочинцями в Україні. Водночас, актуальні експертні дослідження свідчать про те, що рівень використання криптовалюти у національному сегменті злочинності є значним. Відповідно до The Chainalysis 2021 Crypto Crime Report [4] Україна посідає третє місце (після РФ та США) за обсягом транзакцій на електронні гаманці, асоційовані з інтернет магазинами наркотиків, які функціонують в darknet. Загальний обсяг транзакцій з України на гаманці інтернет магазинів та з гаманців інтернет магазинів на Україну склав у 2020 році близько $100 млн.

Поза увагою міжнародних експертів не залишилося й прийняття в Україні Закону «Про віртуальні активи». Оглядачка Foreign Policy Елізабет Броу розмірковує про перспективи легалізації віртуальних активів в Україні та зазначає наступне: «…до значного рівня корумпованості додається інструмент, який надає корупціонерам нові можливості … на кінець березня 2021 року українські державні службовці задекларували 46,351 біткоїнів, що складає близько $1.7 мільярда … Україна намагається отримати $2.2 мільярди від МВФ у 2021 році». Та підсумовує: «Велика ставка Києва на цифрові гроші може мати негативні наслідки і погіршити корупційні проблеми країни»[5].

Враховуючи зазначене, вкрай важливою є мінімізація корупційних ризиків легалізації національного ринку криптовалют. Основними напрямами роботи тут мають стати: локалізація успішних практик правоохоронних органів, законодавче забезпечення та використання антикорупційного потенціалу BlockChain.

Технологічне оновлення злочинної діяльності потребує актуалізації професійних компетенцій правоохоронців, працівників прокуратури та судів. Структуру необхідних знань та навичок можна визначити наступним чином: 1) встановлення ознак використання віртуальних активів у злочинній діяльності; 2) блокчейн аналітика; 3) персоналізація власників віртуальних активів та вилучення віртуальних активів.

Перша складова стосується загальних знань принципів функціонування криптовалютних платіжних систем. Наприклад як може виглядати публічна адреса електронного гаманця або геш транзакція певної криптовалюти, якими бувають та як можуть виглядати засоби доступу до електронних гаманців, що собою представляє послідовність для відновлення доступу до гаманця (seed) та як її можна використати у подальшому розслідуванні.

Друга відноситься до нових можливостей, які надають правоохоронцям наявні у відкритому доступі розподілені бази даних про транзакції в криптовалютних платіжних системах. Це вміння та навички пошуку даних про транзакції, узагальнення даних пошук опосередкованих зв’язків тощо. Такими є використання OSINT підходів та спеціалізованого програмного забезпечення. Наприклад, існує ресурс Bitcoin Abuse Database (https://www.bitcoinabuse.com) який надає інформацію про встановлені адреси електронних гаманців, що використовуються у протиправній діяльності. Програмне забезпечення Walletexplorer.com, Graphsense.info, Chainanalysis дозволяє аналізувати взаємозв’язки між транзакціями, встановлювати в решті-решт схеми потоків кримінальних фінансів.

Третя складова необхідних знань стосується фіксації операцій з віртуальними активами та їх вилучення. Сьогодні правоохоронні органи не мають порядку, який би передбачав алгоритм фіксації операцій з криптовалютою, так само як і способів вилучення віртуальних активів. Водночас, легалізація ринку віртуальних активів вимагає термінового усунення цієї прогалини. Загалом, існуючі кримінальні процесуальні засоби у вигляді НС(Р)Д дозволяють цілком впоратись з виявленням та фіксацією інформації про криптовалюти, шляхом поєднання двох основних способів фіксації інформації про підготовку або вчинення злочинів із використанням інформаційно-телекомунікаційних технологій: візуальний, пов’язаний із зовнішнім сприйняттям (візуальним оглядом) інформації, розміщеної на веб ресурсі, яка подається на пристрій виведення інформації (монітор)); технологічний, пов’язаний із застосуванням можливостей спеціального програмного забезпечення для фіксації даних.

Що ж до збереження та використання у кримінальному процесі вилучених віртуальних активів, то сьогодні відсутні організаційно-методичні можливості фіксації операцій з криптовалютами та їх вилучення для подальшого використання у кримінальному процесі. Враховуючи важливість та необхідність виявлення, документування та процесуального використання відомостей щодо незаконних операцій під час вчинення кримінально караних діянь предметом розрахунку в яких виступає криптовалюта доцільно розглянути можливість розробки відповідного порядку (настанови, інструкції) у якому передбачити тактичні аспекти фіксації з використанням комплексу НС(Р)Д та алгоритм дій щодо вилучення криптовалюти та її збереження до прийняття рішення по справі.

Доцільним є введення у правоохоронних органах посад розпорядників віртуальних активів та фінансового обліку таких даних. Адже, сьогодні факти вчинення злочинів з використанням криптовалют не отримують належного реагування через відсутність організаційно-технічного забезпечення вказаного процесу. Зокрема, навіть у випадку фіксації операції з криптовалютою під час вчинення злочину та її документальним підтвердженням технічно відсутня можливість вилучення криптовалюти та блокування електронного гаманця. Єдиним виходом у даній ситуації є створення окремого електронного гаманця, розпорядником якого буде правоохоронний орган в особі окремого співробітника й на якому буде зберігатись вилучена криптовалюта до відповідного рішення у справі. Власне вилучення криптовалюти пропонується організовувати як транзакцію на електронний гаманець, що контролюється правоохоронними органами.

Нарешті, як зазначалося раніше, вплив технологій blockchain на протидію корупції не обмежується новими аспектами злочинної діяльності та відповідними компетенціями правоохоронців. Важливою складовою соціального впливу нових технологій є можливість інноваційних антикорупційних проєктів. Так, у листопаді 2018 року повідомлялося про успішне завершення експерименту з віддаленого голосування за допомогою BloсkChain платформи Voatz. Експеримент відбувся у Західній Вірджинії. Зазначалося, що в процесі проміжних виборів віддалено змогли проголосувати 144 військових, які знаходилися в 24 країнах[6]. Крім США подібні електоральні платформи використовують у Японії, Швейцарії, Південній Кореї[7], Каталонії[8], Таїланді [9] тощо. Влада Канади запустила тестову версію системи, яка через BloсkChain забезпечує прозорість розподілу державних грантів[10]. Австрія використовує дану технологію для організації аукціону державних облігацій[11].

Від інновацій перейдемо до імітацій. Проведене нами дослідження національної кримінальної статистики [13] дозволило встановити важливі тенденції протидії злочинності в Україні. Було встановлено, що протягом 2013-2020 років суттєво змінилася структура засуджених осіб за кримінально-правовою кваліфікацією. Якщо до 2018 року більшість осіб засуджували за отримання неправомірної вигоди, то починаючи з 2018 року – за пропозицію неправомірної вигоди. Абсолютні значення ще більш промовисті: у 2014 році за отримання неправомірної вигоди засуджено 445 осіб, за пропозицію – 106; у 2020 році за отримання неправомірної вигоди засуджено менше 81 осіб, за пропозицію – 598. До того ж процес був поступовим, відповідні тенденції зменшення / збільшення кількості засуджених осіб прослідковувалися протягом усього періоду спостережень. Чи означає це, що головною проблемою протидії корупції в Україні стала пропозиція неправомірної вигоди? Чи відповідає офіційна статистика реальній соціальній ситуації?

Для відповіді на поставлені запитання ми провели розвідувальний контент-аналіз обвинувальних вироків за ст. 369 КК, які було винесено в 2020 році та представлено в базі інформаційно-аналітичної системи «Закон-онлайн». За названими ознаками було встановлено 404 судові рішення. Перші п’ять мали майже тотожні обставини та стосувалися пропозиції неправомірної вигоди поліцейським (прикордонникам) під час виконання ними службових обов’язків у складі добових нарядів (охорона громадського порядку, виконання обов’язків на пункті пропуску через державний кордон тощо). У всіх судових рішеннях йшлося про угоду щодо визнання винуватості. Вироки ухвалили судді судів Чернігівської, Сумської, Луганської, Волинської та Рівненської областей[3]. Тотожність обставин і географічний розподіл дають змогу розглядати отриману добірку судових рішень як репрезентативну для розвідувального аналізу.

Що ж до сформульованих запитань про відповідність фактичної судової практики соціальному запиту протидії корупції, вважаємо, що було отримано досить даних для негативної відповіді. Навряд чи сукупність актів застосування кримінального права, майже 4/5 якої являє собою засудження по угоді за пропозицію правоохоронцеві в складі добового наряду незначної неправомірної вигоди є такою, що відповідає соціальній потребі протидії корупції. У такому контексті зменшення кількості осіб, засуджених за кримінальні правопорушення у сфері службової діяльності, навряд чи свідчить про високу ефективність кримінально-правової протидії корупції.

В якості пропозицій для продовження дискусії пропонуємо наступні:

  • в Україні існує нагальна потреба мінімізації корупційних ризиків легалізації криптовалютного ринку;
  • водночас, аналіз статистичних даних свідчить про недостатню ефективність кримінально-правової протидії корупції в Україні;
  • усвідомлення фактичних тенденцій дозволить сформулювати прагматичне розуміння подальшого розвитку протидії корупції

ЛІТЕРАТУРА

  1. Sedgwick K. Bitcoin is Great for Criminals. It’s Even Better for Law Enforcement. Bitcoin.com. 16.07.2018. URL : https://news.bitcoin.com/bitcoin-is-great-for-criminals-its-even-better-for-law-enforcement/
  2. Santiso C. Can blockchain help in the fight against corruption? World Economic Forum. 12.03.2018. URL : https://www.weforum.org/agenda/2018/03/will-blockchain-curb-corruption/ (дата звернення 19.12.2018)
  3. Вирок від 06.05.2020 у справі № 733/359/20 Бахмацький районний суд Чернігівської області. Вирок від 22.09.2020 у справі № 585/1976/20 Роменський міськрайонний суд Сумської області. Вирок від 03.11.2020 у справі № 423/2591/20 Лисичанський міський суд Луганської області. Вирок від 17.12.2020 у справі № 162/686/20 Любешівський районний суд Волинської області. Вирок від 17.07.2020 у справі № 566/1640/19 Млинівський районний суд Рівненської області.
  4. Grauer K., Updegrave H. The Chainalysis 2021 Crypto Crime Report. – https://go.chainalysis.com/2021-Crypto-Crime-Report.html
  5. Braw E. Ukraine Wants to Be Cryptocurrency Central // Foreign Poicy. – 02.06.2021. – https://foreignpolicy.com/2021/06/02/ukraine-wants-to-be-cryptocurrency-central/
  6. Власти Западной Виргинии объявили об успешном эксперименте с блокчейн-голосованием. ForkLog. 17.11.2018. URL : https://forklog.com/vlasti-zapadnoj-virginii-obyavili-ob-uspeshnom-eksperimente-s-blokchejn-golosovaniem-na-promezhutochnyh-vyborah/ (дата звернення 19.12.2018).
  7. Бердникова Д. В Южной Корее испытают систему голосования на блокчейне. Хайтек+. 30.11.2018. URL : https://hightech.plus/2018/11/30/v-yuzhnoi-koree-ispitayut-sistemu-golosovaniya-na-blokcheine (дата звернення 19.12.2018).
  8. Каталония переведет выборы на блокчейн. LetKnow. 20.11.2018. URL : https://letknow.news/news/kataloniya-perevedet-vybory-na-blokcheyn-13827.html (дата звернення 19.12.2018).
  9. В Таиланде создали систему для проведения выборов с помощью технологии блокчейн. Anycoin.news. 04.01.2019. URL : https://anycoin.news/2019/01/03/v-tailande-sozdali-sistemu-dlya-provedeniya-vyborov-s-pomoshhyu-tehnologii-blokchejn/ (дата звернення 04.01.2019).
  10. Окашин Р. Канада применит блокчейн для контроля за правительственными грантами. Хайтек. 29.01.2018. URL : https://hightech.fm/2018/01/29/blockchain_canada (дата звернення 19.12.2018).
  11. Горулько Д. Австрия выпустит гособлигации на сумму €1,15 млрд на блокчейне. Hash Telegraph. 27.09.2018 URL : https://hashtelegraph.com/avstrija-vypustit-gosobligacii-na-summu-e115-mlrd-na-blokchejne/ (дата звернення 19.12.2018).
  12. Song J. Why Blockchain is Hard. Medium. 14.05.2018 URL : https://medium.com/@jimmysong/why-blockchain-is-hard-60416ea4c5c (дата звернення 19.09.2018).
  13. Карчевський М.В. Протидія злочинності в Україні (2013-2020): інфографіка. –Київ : ВАІТЕ, 2021. – 312 с. – https://karchevskiy.org/2021/09/10/reproducible-research/

Протидія злочинності в форматі Data Science

Карчевський М.В. Протидія злочинності в Україні (2013-2020): інфографіка. –
Київ : ВАІТЕ, 2021. – 312 с.

Завантажити

Доступність інформаційних технологій та даних офіційної кримінальної статистики дають нагоду використовувати методологію Data Science, здійснюючи цілком відтворювані кримінологічні дослідження. Саме таке дослідження пропонуємо ми. Подані в праці візуалізації дають змогу охарактеризувати зміст даних щодо протидії злочинності в Україні, що містяться у звітах Офісу Генерального прокурора України та Державної судової адміністрації за 2013–2020 роки. Результати роботи може бути використано для формулювання висновків щодо загальних тенденцій протидії злочинності в Україні, а також як емпірична база й підґрунтя побудови гіпотез дальших досліджень. Усі дані оброблялися лише автоматизовано. На їх підставі, знову ж таки програмним способом, будувалися візуалізації, що використовуються для формулювання висновків.  В онлайн-додатках до цієї розвідки представлено вихідні дані, дані, придатні до автоматизованої обробки, програмні коди  для отримання первинних даних, їх обробки й візуалізації, графічні файли візуалізацій.

Освіта 2.0?

Виступ на коференції “Освіта 2.0” у Луганському державному університету внутрішніх справ імені Е.О. Дідоренка. 23.12.2020

Дистанційне навчання стало атрибутом сучасної освіти. Вищі навчальні заклади активно використовують спеціалізовані мережеві ресурси. Чи це позитивно? Які це матиме наслідки? Якою буде освіта після завершення пандемії?

Сучасні інформаційні технології дозволяють розширити доступ до вищої освіти, включити більше людей до раціонального суспільного дискурсу та, в решті решт, певним чином оздоровити суспільну обстановку. Разом з цим, можливості багатьох педагогічних новацій часто переоцінювались, необґрунтовано розглядались як розв’язання майже всіх проблем якості освіти.

Так, свого часу була мода на різноманітні форми комп’ютеризованого тестування, але практика його широкого впровадження наочно продемонструвала серйозні обмеження цієї технології. Тестування, звичайно, дозволяє перевірити рівень знань, «натаскати» студентів, але воно не в змозі замінити спілкування з викладачем під час іспитів, а навчання, орієнтоване на тестування, не забезпечить розвитку креативних здібностей студента.

Лекції з використанням мультимедійних презентацій більш яскраві і це, на перший погляд, має сприяти пізнавальній активності. Однак, «презентації послаблюють в учнів волю до пізнання та розумової діяльності на уроці» [15]. Американський генерал Герберт МакМастер зазначав, що презентації небезпечні для військових оскільки «створюють ілюзію розуміння та контролю» [7], він заборонив презентації під час місії в Іраку та називав PowerPoint внутрішньою загрозою [13]. Слід погодитися з  Н.В. Карчевською та В.П. Карчевським: «… мультимедіа грає неоднозначну роль у сприйнятті студентами інформації в цілому і лекційної інформації зокрема. Матеріал лекції погано запам’ятовується не гарантується подальше зростання інтелектуального рівня студента» [11].

Отже будь-яка педагогічна новація має як переваги, так і очевидні недоліки. Технології дистанційного навчання – надпотужний засіб інтенсифікації освіти, але і негативні наслідки їх використання можуть бути значними.

В умовах недостатньо розвинутого механізму саморегуляції ринку праці, надмірне захоплення дистансом гарантовано приведе до відтоку студентів з вишів, які надають якісну освіту та у складному питанні вибору між кількістю студентів та якістю освітніх послуг обирають останню. Будуть мати місце: витіснення змістовної освітньої діяльності імітацією, різке погіршення якості освіти, невідновні втрати у педагогічному корпусі.

Значним потенціалом небезпеки характеризується глобалізація ринку освітніх послуг. Вже сьогодні багато талановитої молоді, не в останню чергу завдяки можливостям батьків, не обирають українські виші для отримання професії. Уявімо інтервенцію закордонних вишів до національного освітнього простору шляхом застосування технологій дистанційного навчання. Чи багато українських вишів залишиться? Чи буде можливість зберегти науково-педагогічний склад? Чи взагалі залишаться перспективи національної вищої освіти? Розмову тут слід продовжувати вже контексті національної безпеки.

Водночас, дистанційне навчання продовжить розвиватися, технологічний рівень освіти не повернеться до «допандемійного». Переважна більшість університетів отримала позитивний досвід використання дистанційних технологій[5]. Д. Райч, директор лабораторії навчаючих систем MIT, наводить висловлювання відомого інвестора у сфері ІТ проєктів М. Моу: «…джин не повернеться у пляшку… 100% студентів зараз навчаються онлайн… Ми впевнені, що дороги назад немає»[6]. У цьому контексті значний інтерес становить запропонована  М. Еймс класифікація позицій, яку можуть зайняти університети щодо ролі технологій в освіті[1]. На думку дослідниці вона може бути харизматичною, скептичною або практичною.

Перша полягає у баченні технологій як визначального чинника розвитку та існування університетів. Професор С. Геллоуей – можливо, головний прибічник такого підходу. Він актуалізує проблеми, порушені у роботі К. Кері «Кінець коледжу»[2], та передрікає крах менш престижних вишів. На думку С. Геллоуея, провідними університетами майбутнього стануть не Udacity та Coursera, а університети з Ліги плюща, які об’єднаються з крупними технокорпораціями[6].

З точки зору скептичної позиції технологізація освіти має бути мінімальною. Соціальна роль вишів і соціалізація студентів важніше ніж використання технологій в освіті. Прихильники такої позиції вводять в обіг поняття «лудитська педагогіка»[3, 9]. Н. Селуїн порушує питання довіри до технологій, наполягає на тому, що такі освітні новації як датафікація та освітня аналітика заслуговують критичної оцінки[8].  

Практична позиція є поміркованою. Освіту потрібно вдосконалювати, але істотний прогрес можливий лише поступово, не слід мислити утопічно. Університети пристосуються, але докорінних змін не відбудеться[6]. Саме ця позиція видається нам найбільш переконливою. Історія освіти чітко демонструє помилковість розгляду технологій як чогось більшого ніж просто інструмент. Очевидно, що технологічний детермінізм не може бути основою стратегії розвитку. Водночас, скептичне відношення до значення технологій також не вихід. Робота викладачів та студентів у 2020 році є беззаперечним практичним доказом того, що зараз освіта без технологій або неможлива, або обмежено ефективна. Отже, найбільш актуальним питанням слід вважати наступне: як максимально ефективно використовувати технологізацію освіти та забезпечити при цьому мінімізацію розвитку негативних наслідків.

Конструктивне розв’язання даного питання передбачає міркування головним чином у двох напрямах: межі та мета використання інформаційних освітніх технологій.

Щодо меж. Головною тенденцією сучасної вищої освіти є зменшення часу, який  студенти та викладачі проводять в аудиторіях, збільшення складової навчальних планів, що відводиться на самостійну роботу студентів. Отже ефективне використання часу, відведеного на аудиторну роботу, та організація змістовної самостійної роботи – сміливо можна відносити до пріоритетних завдань, що стоять перед педагогічними колективами вишів. Технології дистанційного навчання представляють собою достатньо ефективний засіб розв’язання даних завдань. У багатьох вишах використовується доволі проста та ефективна принципова схема. Студенти виконують дистанційні завдання, а викладач під час аудиторного заняття більше уваги приділяє виявленим помилкам та недолікам.

До напрямів освітньої діяльності де дистанційні технології можуть бути ефективними слід також віднести проведення позааудиторної роботи та післядипломну освіту.

Так, крім власне проведення занять змістовна дистанційна робота зі студентами може бути організована у формі он-лайн зустрічей з практикуючими фахівцями[16], конференцій[14], презентацій студентських проєктів [4], інтелектуальних змагань[10], вебінарів[18] тощо.

Використання дистанційних технологій у післядипломній освіті є найбільш перспективним. Наш досвід впровадження означених розробок у систему післядипломної освіти МВС[12] дозволяє стверджувати: 1) технології дистанційного навчання дозволяють максимально оптимально використовувати час фахівців, які бажають підвищити кваліфікацію; 2) дистанс забезпечує новий рівень професійної комунікації науково-педагогічного складу вишів та практичних працівників; 3) порівняно зі стаціонарними формами спеціалізації або підвищення кваліфікації, дистанційні дозволяють більш ефективно використовувати освітні бюджети організацій.

Водночас, технології дистанційного навчання мають природні обмеження. Вони є очевидно недоречними під час засвоєння дисциплін, що вимагають специфічного обладнання, індивідуальної роботи з викладачем, відпрацювання навичок, пов’язаних з безпосередньою комунікацією. Отже, визначення університетами раціональних меж використання дистанційних технологій дозволить якісно забезпечити освітній дискурс та максимально ефективно використовувати матеріальні ресурси.

Щодо мети та бачення перспективи. Питання не таке просте як здається. Дійсно, для чого використовувати інформаційні технології, якщо є можливість спілкування в аудиторії? На нашу думку тут слід замислитися над якістю освіти в контексті змін, що відбуваються у нашому суспільстві. Ненова дискусія про відповідність навчальних планів практичній професійній діяльності отримує, завдяки інформаційним освітнім технологіям, нові аргументи. Традиційна вища освіта залежить від (паразитує на) інерції соціального менеджменту. Для того, щоб отримати певну роботу необхідно отримати відповідний диплом про вищу освіту. Якщо такий підхід зміниться? Якщо працедавці перестануть довіряти дипломам і будуть приймати на роботу на основі, наприклад, певних сертифікацій? Оптимізація ринку професій та вимог до кваліфікацій працівників представляє собою виклик стабільності освітніх інституцій.

Для того, щоб зберегти позиції необхідно буде максимально швидко давати освітній відгук на оновлення професійної діяльності. Зрештою, основними індикаторами успішних освітніх закладів стане: збір надвеликих даних про навчання та тих, хто навчається;  забезпечення на ґрунті обробки цих даних неможливої для теперішньої освіти індивідуалізації та динамічної актуалізації освіти. Єдиним інструментом такої індивідуалізації та актуалізації можуть бути тільки інформаційні освітні технології. Саме так відбувається розвиток у більшості інших сфер діяльності людини. Медики розробляють нові ліки на ґрунті аналізу надвеликих обсягів медичних даних та впритул наблизилися до «персональних ліків». Успішність проєктів ІТ компаній залежить від індивідуалізації послуг і досягається розробкою алгоритмів та збором персональних даних. Політики використовують надскладні механізми аналізу електоральної поведінки. В їх основі знову ж таки великі дані та індивідуалізація.

Для продовження дискусії пропонуються наступні положення:

  • ефективність  інформаційних технологій в освіті залежить від чіткого визначення меж їх застосування;
  • еволюція освіти потребує розв’язання проблем індивідуалізації та актуалізації змісту;
  • незалежно від епідемій, наявності/відсутності інших обставин, що обмежують безпосереднє спілкування, технології дистанційного навчання будуть розвиватися та використовуватися оскільки саме вони є інструментом для розв’язання проблем індивідуалізації та актуалізації змісту освіти.

ЛІТЕРАТУРА

  1. Ames M. The Charisma Machine. The Life, Death, and Legacy of One Laptop per Child. – MIT Press, 2019. – 328 p.
  2. Carey K. The End of College: Creating the Future of Learning and the University of Everywhere Paperback. – Riverhead Books, 2016. – 288 p.
  3. Halves T. Toward a Luddite Pedagogy // Hybrid Pedagogy. – 26.08.2014. – Mode of access : https://hybridpedagogy.org/toward-luddite-pedagogy/
  4. Legal issues of environmental protection and environmental rights // Луганський державний університет внутрішніх справ імені Е.О. Дідоренка. – 11.12.2020. – Режим доступу : https://lduvs.edu.ua/2020/12/legal-issues-of-environmental-protection-and-environmental-rights/
  5. Rashid S, Yadav SS. Impact of Covid-19 Pandemic on Higher Education and Research. Indian Journal of Human Development. 2020;14(2):340-343. doi:10.1177/0973703020946700
  6. Reich J. Ed-Tech Mania Is Back. Utopia-minded tech gurus promise they’ll solve all of academe’s problems. They won’t // The Chronicle of Higher Educatuion. – 14.09.2020. – Mode of access: https://www.chronicle.com/article/ed-tech-mania-is-back?fbclid=IwAR13h2aORkG68ggqpsVm0MOLFUapVwABuwcgMf2pNZ027ZmtslWMRZSE2so&cid2=gen_login_refresh&cid=gen_sign_in
  7. Russell R.L. Want to reform military education? An easy 1st step would be banning PowerPoint [Electronic resource] / Richard L. Russell // Foreign Policy – 4.03.2014/ – Mode of access: http://foreignpolicy.com/2014/03/04/want-to-reform-military-education-an-easy-1st-step-would-be-banning-powerpoint/
  8. Selwyn N. Distrusting Educational Technology. Critical Questions for Changing Times. – Routledge, 2013. – 208 p.
  9. Watters A. “Luddite Sensibilities” and the Future of Education // Hack Education. – 29.07.2020. – Mode of access : http://hackeducation.com/2020/07/29/luddite-sensibilities
  10. Друга гра історико-правових дебатів “Olimpys” // Луганський державний університет внутрішніх справ імені Е.О. Дідоренка. – 11.12.2020. – Режим доступу : https://lduvs.edu.ua/2020/12/druga-gra-istoryko-pravovyh-debativ-olimpys/
  11. Карчевский В.П., Карчевская Н.В. Особенности лекции с использованием му-льтимедиа. – Інтеграція освіти, науки та виробництва. Збірник наукових статей та матеріали міжнародної науково-практичної конференції 28-29 квітня 2009. Луганськ-Стаханов с.89-97
  12. Карчевський М. В. Можливості та межі використання технологій дистанційного навчання в системі вищої юридичної освіти. Вісник Луганського державного університету внутрішніх справ ім. Е. О. Дідоренка. 2015. № 1. С. 171-178
  13. Лашков А. Почему ученые, политики и бизнесмены отказываются от слайдов в презентациях [Электронный ресурс] / Александр Лашков // Siliconrus.com/ – 14.05.2014. – Режим доступа: http://siliconrus.com/2014/05/powerpoint-problem/
  14. Молоді поліцейські долучилися до обговорення причин антикорупційної кризи в України // Луганський державний університет внутрішніх справ імені Е.О. Дідоренка. – 18.12.2020. – Режим доступу : https://lduvs.edu.ua/2020/12/molodi-policzejski-doluchylysya-do-obgovorennya-prychyn-antykorupczijnoyi-kryzy-v-ukrayiny/
  15. Пашкова Е. Запись в блоге «Презентация на уроке» [Электронный ресурс] / Екатерина Пашкова // Сообщество взаимопомощи учителей Pedsovet.su. – 11.12.2007. – Режим доступа http://pedsovet.su/forum/78-79-1
  16. Проблеми кваліфікації та розслідування вмисних убивств // Луганський державний університет внутрішніх справ імені Е.О. Дідоренка. – 17.12.2020. – Режим доступу : https://lduvs.edu.ua/2020/12/problemy-kvalifikacziyi-ta-rozsliduvannya-vmysnyh-ubyvstv/
  17. Райч Д., Шевчук Р. Цифровая революция в образовании: почему не стоит ждать чуда от новых технологий // Нож. – 9.11.2020. – Режим доступа: https://knife.media/era-of-online-education/
  18. Участь представників університету в міжнародній серії вебінарів «Empowering Youth with conflict analysis skills – empowering community» // Луганський державний університет внутрішніх справ імені Е.О. Дідоренка. – 23.12.2020. – Режим доступу : https://lduvs.edu.ua/2020/12/uchast-predstavnykiv-universytetu-v-mizhnarodnij-seriyi-vebinariv-empowering-youth-with-conflict-analysis-skills-empowering-community/



Штучний інтелект та протидія злочинності

Виступ у ЛДУВС ім. Е.О. Дідоренка 13.11.2020

Питання, порушене в назві, є надзвичайно актуальним, але потребує уточнення. Найбільш поширеною класифікацією технологій штучного інтелекту є їх поділ на «сильний» та «слабкий» штучний інтелект. Сильний являє собою гіпотетичний пристрій, який має здатність мислити, усвідомлювати оточуючий світ та себе як особистість, виконувати всі завдання, як і людина, або навіть перевищувати її інтелектуальні здібності. Слабкий штучний інтелект орієнтований на вирішення одного або кількох завдань, які виконує людина. Наприклад, керування транспортним засобом, або гра в шахи [19].

На сьогодні очевидно, що сильний штучний інтелект є гіпотетичною технологією та залишатиметься в такій стадії ще невизначений час. Можливо, технології сильного штучного інтелекту отримають статус суб’єкта права, виникнуть нові сфери юстиції. Крім традиційної юстиції, можна буде казати про появу двох нових видів, умовно назвемо їх «змішана юстиція» та «юстиція штучного інтелекту». До змішаної юстиції будуть відноситися форми вирішення правових спорів між фізичними, юридичними особами, суспільством та роботами. До юстиції штучного інтелекту належатимуть форми вирішення правових спорів між роботами. Крім цього, функціонування даної системи юстиції буде забезпечувати протидію роботам, що являють загрозу для соціального розвитку та стабільності. Швидше за все копіювати людську систему юстиції для штучного інтелекту не будуть. Принципово різні фізичні характеристики та потреби вимагають апріорі відмовитися від такого підходу. Водночас створення даної системи стане необхідною умовою для того, щоб забезпечити людству можливість контролювати розвиток суспільних процесів. Скоріше за все, юстиція штучного інтелекту буде створена на основі роботів. Фізичних та інтелектуальних даних людини, очевидно, стане недостатньо для ефективного функціонування даної системи юстиції. Створення такої системи буде потребувати узагальнення в чіткі алгоритми досвіду, отриманого за час існування традиційної юстиції. Таке узагальнення, можливо, стане одним із основних напрямків майбутньої юридичної науки.

Імовірно, зміни у юстиції відбуватимуться за іншим сценарієм. На тепер очевидно тільки те, що вплив технологій сильного штучного інтелекту на протидію злочинності може бути досліджений виключно гіпотетично.

Водночас, значний інтерес має огляд можливостей використання так званого «слабкого» штучного інтелекту у сфері протидії злочинності. Автори дослідження Artificial Intelligence in the Context of Crime and Criminal Justice, здійсненого Korean Institute of Criminology, Canada Research Chair in Cybersecurity, ICCC та Université de Montréal [5] визначають чотири загальні групи ризиків використання таких технологій: таємниця приватного життя, підштовхування до певних дій, дискримінація, непрозорість.

Обробка з використанням технологій штучного інтелекту великих обсягів інформації, які генеруються під час повсякденної діяльності сучасної людини, створює нові небезпеки для прайвесі. Так у відомій роботі М. Косінскі аргументував, що 68 «лайків» у Фейсбук вистачить для того, щоб із досить великою точністю встановити тип особистості, стать, колір шкіри та політичні уподобання [16]. Також у контексті ризиків для таємниці приватного життя досить часто наводиться приклад роботи програми лояльності мережі супермаркетів Target (США). Алгоритм, що використовувала мережа, за історією покупок молодої жінки передбачив її вагітність та почав надсилати їй акційні пропозиції товарів для новонароджених до того, як про вагітність дізналася сама жінка [10].

Наступна група ризиків пов’язана з можливістю впливу на поведінку людини шляхом персоналізації контенту соціальних медіа та інших джерел інформації. Ця тема достатньо добре досліджена на прикладах роботи алгоритмів, що генерують стрічки новин соціальних медіа, персональних рекомендацій під час здійснення пошукових запитів, так званої таргетованої реклами. У подібному контексті варто пригадати й відому ситуацію з передвиборчою кампанією Д. Трампа та використанням для цього інформаційних профілів 87 млн. американців, отриманих Cambridge Analytica шляхом аналізу активності користувачів Facebook [15].

Ризик дискримінації пов’язаний із принципами роботи «слабкого» штучного інтелекту. Такі технології працюють шляхом порівняння отриманих даних із великим обсягом інформації опрацьованою системою під час так званого процесу «навчання». Цей процес, у найбільш загальних рисах, полягає в тому що певні дані, наприклад, рукописні символи, позначаються так, як їх має розпізнавати алгоритм, та завантажуються до системи. Такі дані прийнято називати навчальними. Потім генерується набір тестових даних і здійснюється перевірка роботи системи, наскільки правильно система розпізнає тестові дані. Коли досягається необхідний рівень точності розпізнавання, система вводиться в експлуатацію. Важливо й те, що протягом експлуатації система постійно корегує свою роботу й підвищує точність результатів. Можна сказати, що ризик дискримінації закладений у самому принципі функціонування «слабкого» штучного інтелекту, який буде використовуватися для розв’язання соціальних задач. Очевидно, що в будь- якій сфері діяльності людини існує певна упередженість. Якщо результати цієї діяльності стануть навчальним набором даних, отримаємо систему штучного інтелекту, яка буде повторювати людську упередженість, ба більше, з кожним новим рішенням упередженість буде помножуватися. Прикладом означеної проблеми може слугувати упередженість автоматизованих систем відбору персоналу. «Навчальний» набір даних для таких систем, як правило, являє собою відомості щодо успішних випадків підбору персоналу. Оскільки цей процес у багатьох сферах не є гендерно нейтральним, існує ризик отримати системи, які будуть помножувати гендрену нерівність під час функціонування. Широко відомим є приклад такої упередженості в роботі алгоритму найму працівників компанії Amazon [1].

Нарешті непрозорість полягає в тому, що переважна більшість проектів у сфері штучного інтелекту є комерційними. Через це виробники тримають у таємниці особливості алгоритмів, оскільки саме вони забезпечують конкурентні переваги на ринку відповідних послуг. Як зазначалося раніше, системи штучного інтелекту здійснюють постійне вдосконалення своєї роботи, спираючись на її поточні результати. З часом відповідь на питання, чому система зробила такий вибір, стане дуже складною. Необхідно буде проаналізувати не тільки навчальний і тестовий набори, але й з’ясувати кожне прийняте рішення та оцінити його вплив на розвиток системи. В умовах обмеженого доступу до алгоритмів таке завдання стає практично неможливим.

Названі загальні ризики автори згаданого дослідження [5] інтерпретують у трьох напрямах, що складають, на їхню думку, зміст впливу технологій штучного інтелекту на кримінальну юстицію: вчинення злочинів, діяльність правоохоронців, здійснення правосуддя.

Аксіомою є те, що злочинці використовують технологічні досягнення. Розробки у сфері штучного інтелекту не є винятком. Фахівці зазначають, що для успішної реалізації проектів на основі штучного інтелекту необхідні: доступ до значних об’ємів структурованих даних, спеціальне програмне забезпечення та знання, відповідне обладнання. Сучасний рівень інформатизації суспільства дозволяє зробити висновок про те, що всі ці складові є доступними значній кількості суб’єктів. Надвеликі обсяги інформації, специфічне програмне забезпечення численні онлайн курси з технологій штучного інтелекту широко представлені у вільному доступі. До того ж існує достатньо розгалужений кримінальний ринок даних. Обладнання достатньої потужності завдяки успіхам технології представлено на легальному ринку за доступною ціною. Усе це дозволяє прогнозувати широке використання технологій штучного інтелекту для злочинних цілей [5, с. 33-37].

Означені вище загальні ризики для таємниці приватного життя, а також впливу на поведінку людей шляхом формування персонального інформаційного середовища можуть бути використані для профілювання значної кількості людей із метою подальшого шахрайства шляхом автоматизованого фішигу або вішингу. Вірогідними можуть стати масштабні кібератаки на основі автоматизованого виявлення уразливостей комп’ютерних систем та їх знову ж таки автоматизованого використання. Протиправне використання технологій штучного інтелекту можливе також шляхом створення високоякісних підробок відео- або аудіоконтенту, розробки надскладних схем легалізації доходів, здобутих злочинним шляхом тощо [5, с. 40-56].

Використання технологій штучного інтелекту здатне не тільки значно збільшити масштаби традиційної злочинності, можливою є поява принципово нових видів кримінальних правопорушень. Ідеться про так звані «змагальні» атаки (adversarial attacks) та «отруєння» штучного інтелекту.

Перші полягають у відшукуванні недосконалостей створених систем розпізнавання образів або мовлення (звуку) та подальшому їх використанні для приведення пристроїв зі штучним інтелектом у некоректний режим роботи. Принцип здійснення такої атаки добре ілюструє випадок зі «зламом» американської платформи онлайн-навчання Edgenuity. Запропоновані учням завдання передбачали написання коротких повідомлень. Користувачі помітили, що система оцінює письмові роботи майже миттєво, отже, робить це автоматично. Ба більше, максимальний бал можна отримати, якщо, замість відповіді, вводити набір слів, які мають відношення до теми. У такий спосіб переважна більшість учнів отримала найвищий бал. Уразливість системи штучного інтелекту, яка полягала у відсутності можливості відмежовувати текст від набору ключових слів, була використана для компрометації цієї системи [3]. Зрозуміло, що наслідки змагальних атак можуть бути більш небезпечними. Як приклад подібних дій досить часто згадують наклеювання стрічок на знаки дорожнього руху, які приводять до порушень оцінки дорожньої обстановки системами автономного керування транспортними засобами. Такі атаки можуть полягати й у розробці засобів для порушення систем розпізнавання обличчя чи ідентифікації голосу, для аналізу систем автоматизованого виявлення шахрайських операцій в платіжних системах із метою подальшого приховування подібних операцій тощо.

«Отруєння» штучного інтелекту полягає у втручанні в процес розробки пристроїв шляхом внесення змін до так званих «навчальних» наборів даних. У результаті подібних дій пристрій зі штучним інтелектом у певних ситуаціях функціонує у спосіб, який значно відрізняється від запланованого розробниками [5, с. 58-60].

Використання систем штучного інтелекту правоохоронними та судовими органами здатне забезпечити якісне оновлення їх діяльності. У зарубіжних країнах до практики правоохоронних органів впроваджені проекти, пов’язані із класифікацією та розпізнаванням об’єктів, розпізнаванням звукових сигналів (мови або, наприклад, системи визначення пострілів). Запропоновані технічні рішення для аналізу великих обсягів даних на основі алгоритмів машинного навчання. У такий спосіб здійснюється аналіз відомостей про телефонні або інтерент-з’єднання, про використання платіжних систем тощо. Подібні рішення використовуються як потужні інструменти розслідування злочинів. Розробляються системи прогнозування злочинності та оцінки ризику індивідуальної протиправної поведінки на основі штучного інтелекту.

Л. Еліот пропонує класифікацію рівнів автоматизації правозастосовчої діяльності. На його думку, їх сім. Рівень 0 – автоматизація відсутня. Рівень 1 – проста автоматизація, використання електронного документообігу, онлайн сервісів законодавчої інформації. Рівень 2 – розширена автоматизація, використання систем машинного навчання для класифікації даних щодо юридичної практики, пошукові запити до юридичних баз даних на основі нейролінгвістичного програмування. Рівень 3 – напівавтономні системи, експертні системи підтримки формулювання висновків для конкретних справ. Наприклад, суддя під час підготовки висновку по конкретній справі отримує пропозиції від автоматизованої системи, що ґрунтуються на попередній практиці щодо подібних випадків. Рівень 4 – галузева автономність, повністю автономні рішення для окремих галузей юридичної практики. Наприклад, автономна, без участі людини, система нотаріату. Рівень 5 – повна автономність. Існуюча система правозастосовчої діяльності є повністю автономною та функціонує на основі систем «сильного» штучного інтелекту, які повністю відтворюють людський інтелект. Рівень 6 – повна автономність на основі штучного інтелекту, який перевищує інтелект людини. Як справедливо зазначає автор, на сьогодні існують та є більш-менш розповсюдженими системи першого та другого рівнів. Як прототипи або в рамках експериментальної експлуатації  існують системи третього рівня [6]. Це, зокрема, згадані раніше системи прогнозування злочинності та оцінки ризику індивідуальної протиправної поведінки.

Проте через ризики дискримінації та непрозорості впровадження останніх викликає багато дискусій. Алгоритми оцінки кримінального ризику (criminal risk assessment algorithms) використовуються деякими судами для прийняття рішень щодо визначення виду покарання, доцільності перебування у в’язниці до суду, суворості вироків. Теоретично це зменшує упередженість, оскільки судді приймають рішення на основі обробки даних, а не власних, можливо, суб’єктивних, переконань. Притому постає надзвичайно важливе питання. Через те що базою для алгоритму є прийняті раніше рішення, він (алгоритм) може посилювати й увічнювати упередження, генерувати значно більшу кількість упереджених даних для подальших циклів ще більш упереджених рішень [8]. Наприклад, якщо перед суддею особа з невеликим доходом, алгоритм із дуже великою вірогідністю буде радити застосувати ув’язнення до суду. Наступного разу в подібній ситуації алгоритм буде більш категоричний, іншого – ще й ще…

Подібні проблеми існують і під час впровадження систем прогнозування злочинності. Ідея полягає в тому, що на підставі аналізу даних про зареєстровані кримінальні правопорушення системи визначають райони, які потребують посиленої уваги правоохоронців. У ці райони направляється більша кількість патрулів, чим має забезпечуватися ефективніше використання ресурсів та досягатися необхідний рівень безпеки громадян. Результати впровадження таких системи показали зворотній бік проблеми. Чим більше поліцейських направлялося в заданий район, тим більшою була кількість виявлених у цьому районі правопорушень. Алгоритм фіксував прийняте рішення як правильне і продовжував рекомендувати посилені наряди для визначених районів. У такий спосіб увічнювався «кримінальний» статус таких районів, але загальне використання ресурсів поліції не ставало більш ефективним, загальний рівень безпеки громадян не підвищувався.

Показовим є те, що в червні 2020 міська рада Санта Круз, американського міста, яке одним із перших почало застосовувати для потреб поліції технології розпізнавання обличчя та прогнозування злочинів, відмовилася від використання таких систем, ураховуючи численні прояви упередженості їхньої роботи та недостатню ефективність. Рішення полягало в забороні використовувати обидві технології, за винятком схвалення міською радою на основі «висновків про те, що технологія і дані, які використовуються для цієї технології, відповідають науково підтвердженим та рецензованим дослідженням, захищають і охороняють цивільне населення, права і свободи всіх людей і не увічнюють упередженість» [9].

Як приклад шкоди, заподіяної прогностичною поліцейською програмою, наводиться робота офісу шерифа округа Паско (США). Після того, як 15-річний підліток був затриманий за крадіжку велосипедів, алгоритм постійно направляв поліцію для перевірки його самого та його родини. За п’ять місяців поліція приходила до нього додому 21 раз. Вони перевіряли його в спортивній залі, відвідували батьків за місцем роботи. Газета Tampa Bay Times повідомляла, що за 5 років офіс шерифа здійснив більше12 500 аналогічних превентивних відвідувань [13].

Крім зазначених проблем із дискримінацією, багато питань виникає й через непрозорість функціонування зазначених систем. Як зауважувалося раніше, покрокове відстеження рішення, що приймається подібними системам, є доволі складною проблемою. І якщо такі ризики є допустимим під час, наприклад, автоматизованого перекладу текстів з остаточним їх редагуванням людиною, то в ситуації коли такі алгоритми використовуються у сфері юстиції, вони мають бути максимально відкритими та прозорими.

Зрештою отриманий досвід дозволяє фахівцям вважати, що недоліки прогностичного програмного забезпечення приводять до ситуації, коли вразливі члени суспільства стають об’єктом переслідувань із боку поліції, а це, своєю чергою, підриває довіру до поліції, створює більшу небезпеку [7].

Означені проблемні аспекти дозволяють авторам згаданого раніше дослідження[5] сформулювати низку критичних висновків щодо потенціальних можливостей використання технологій штучного інтелекту у сфері протидії злочинності. Найбільшої уваги, на нашу думку, заслуговують наступні.

По-перше, для побудови достатньо надійних систем «слабкого» штучного інтелекту необхідні великі обсяги даних. Водночас, даних, що збирають правоохоронні та судові органи, може бути недостатньо. Тут варто згадати запропонований нами критичний аналіз національних систем накопичення інформації про злочинність: наявна статистична інформація не дає можливості робити обґрунтовані висновки щодо стану кримінально-правового регулювання; дані щодо обліку правопорушень та судового розгляду неможливо інтегрувати; їх аналіз є обмежено ефективним [22].

По-друге, ризик непрозорості разом із разом із принципами машинного навчання, покладеними в основу наявних сьогодні технологій штучного інтелекту, робить неможливим використання досягнень сучасної кримінології. Велика частина знань, отриманих людством під час вивчення злочинності, опиняється через ці особливості поза межами автоматизованих прогнозів. Показовим тут є те, що один із найбільших поширених програмних продуктів, призначених для прогнозування злочинності, PredPol, використовує алгоритм, адаптованийі з принципово іншої сфери – сейсмології [5, с. 149].

По-третє, технології штучного інтелекту розвиваються дуже швидко. Наявне на сьогодні технічне рішення може виявитися застарілим уже через декілька років. Для того щоб упевнитися в цьому, достатньо порівняти роботу Google Translator сьогодні та, наприклад, п’ять років тому. У таких умовах масштабна імплементація технологій штучного інтелекту у сфері кримінальної юстиції може виявитися передчасною.

Технології штучного інтелекту, тим не менше, здатні забезпечити якісне оновлення протидії злочинності. Для чого вони мають використовуватися? Відповідь може бути сформульована таким чином: максимально можливий рівень індивідуалізації забезпечить принципово новий рівень ефективності кримінально-правового регулювання. Враховуючи зазначене, першочерговим кроком розвитку національної протидії злочинності в контексті використання технологій штучного інтелекту має стати збір та аналіз якомога більших обсягів даних щодо призначених покарань, психометричних характеристик злочинців, особливостей їх посткримінальної поведінки тощо. Наведені проблеми дискримінаційних рішень наявних сьогодні систем штучного інтелекту можуть бути подолані шляхом використання значно більшої кількості аргументів. Отже, для того щоб мати можливість забезпечити ефективне кримінально-правове регулювання та не залишатися осторонь світового наукового дискурсу, необхідно мати достатню кількість та якість даних. Паралельно із вдосконаленням національного кримінального законодавства має бути створена принципово нова система збору даних про стан кримінально-правового регулювання. Необхідним є якісно інший рівень накопичення даних щодо застосування закону та його впливу на поведінку засуджених, створення комплексної системи інформаційного забезпечення кримінально-правового регулювання [22].

Вплив технологій штучного інтелекту на протидію злочинності, на нашу думку, не вичерпуються оновленням злочинності та новими методами роботи правоохоронців і суддів. Самостійним сегментом тут слід вважати нові можливості в дослідженні злочинності. «Зростаюча інтеграція технологій у наше життя надає доступ до безпрецедентних обсягів даних про повсякденну поведінку суспільства. Такі дані відкривають нові можливості для роботи в напрямі розуміння наших складних соціальних систем у рамках нової дисципліни, відомої як обчислювальна соціальна наука (Computational Social Science)». Це зазначено у Маніфесті обчислювальної соціальної науки[11]. Методологія даної науки поділяється на такі групи, як: автоматизація збору даних, аналіз соціальних систем, соціальні геоінформаційні системи, моделювання соціальних систем тощо [4]. Дисципліна використовує комп’ютерне моделювання суспільства, дані, зібрані з мобільних та соціальних мереж, онлайн-експерименти із залученням сотень тисяч людей, для того щоб отримати відповіді на запитання, які раніше було неможливо дослідити. А. Манн влучно називає результати, що отримує дана наука, «поглядом на суспільство у великій розподільчій здатності (in high resolution)» [12].

Використання обчислювальної соціальної науки для розв’язання завдань, що стоять перед кримінологією, є достатньо перспективним. Наприклад, одним iз методів останньої групи є агентне моделювання (ABM, agent-based modeling). Ключові положення, що характеризують даний метод, наступні: «агент – автономний обчислюваний об’єкт із певними властивостями та діями; агенте моделювання – вид обчислювального моделювання, де явище моделюється шляхом визначення агентів та їх взаємодії» [18, с. 1]. Реалізується таке моделювання шляхом використання спеціалізованого програмного забезпечення, яке дозволяє описати властивості агентів та обчислювати результати їх взаємодії. Результат використання такого методу прийнято називати штучним суспільством (artificial society), що визначається як «створена з використанням комп’ютерної техніки симуляційна модель суспільства або групи людей, котра базується на агентах та зазвичай обмежена їх взаємодією в конкретній ситуації» [2].

З використанням програмного забезпечення NetLogo нами було створено модель протидії злочинності. Вихідний код моделі та демонстраційні матеріали представлено у вільному доступі [23; 21]. Хоча розробка моделі була пілотажним дослідженням, проте навіть на такому рівні вона дозволила підтвердити важливу гіпотезу: посилення покарання є менш ефективним, ніж заходи, не пов’язані з репресією. Сфера застосування методу агентного моделювання є достатньо широкою: дослідження феномену «кримінальної хвилі», встановлення порогових значень параметрів штучного суспільства, при яких здійснюється тотальна криміналізація, побудова гіпотез щодо найбільш ефективного використання суспільних ресурсів для протидії злочинності, вивчення проблем довіри до правоохоронних та судових органів, аналіз впливу щільності населення на рівень злочинності.

То ж для продовження дискусії пропонуємо наступні положення.

  1. Наукова дискусія щодо впливу штучного інтелекту на протидію злочинності як початкового аргументу має враховувати фактичний стан розвитку технологій.
  2. Вплив наявних технологій штучного інтелекту на протидію злочинності доцільно розглядати в таких вимірах: нові види злочинів, оновлення діяльності правоохоронних і судових органів, оновлення методів кримінологічних досліджень.
  3. Використання «слабкого» штучного інтелекту правоохоронними та судовими органами має значні обмеження, обумовлені принципами функціонування такої технології. Ці обмеження можуть бути подолані шляхом збільшення кількості аргументів для прийняття рішень.
  4. Першочерговим кроком впровадження національних систем штучного інтелекту у сфері протидії злочинності має стати створення системи комплексного інформаційного забезпечення кримінально-правового регулювання.
  5. Нові можливості, які отримує сучасна кримінологія в контексті розвитку обчислювальної соціальної науки, мають значні перспективи використання. Основним напрямом впровадження пропонується вважати наукову експертизу проєктів штучного інтелекту, які пропонується використовувати у сфері протидії злочинності з метою мінімізації ризиків негативних наслідків такого використання.

Використані джерела:


  1. 5 Examples of Biased Artificial Intelligence // Logically. 30.07. 2019. URL : https://www.logically.ai/articles/5-examples-of-biased-ai
  2. Branke J. Artificial Societies. URL:https://link.springer.com/referenceworkentry/10.1007%2F978-0-387-30164-8_36.
  3. Chin M. These students figured out their tests were graded by AI — and the easy way to cheat. “He’s getting all 100s” // The Verge. 2.09.2020. URL : https://www.theverge.com/2020/9/2/21419012/edgenuity-online-class-ai-grading-keyword-mashing-students-school-cheating-algorithm-glitch
  4. Cioffi-Revilla C. Computational Social Science // Wiley Interdisciplinary Reviews Computational Statistics 2(3). May 2010. P. 259-271.
  5. Dupont B., Stevens Y., Westermann H., Joyce M. Artificial Intelligence in the Context of Crime and Criminal Justice, Korean Institute of Criminology, Canada Research Chair in Cybersecurity, ICCC, Université de Montréal, (2018). URL:https://www.cicc-iccc.org/public/media/files/prod/publication/files/Artificial-Intelligence-in-the-Context-of-Crime-and-Criminal-Justice_KICICCC_2019.pdf.
  6. Eliot L. An Impact Model of AI on the Principles of Justice: Encompassing the Autonomous Levels of AI Legal Reasoning. URL:https://www.academia.edu/44020078/An_Impact_Model_of_AI_on_the_Principles_of_Justice_Encompassing_the_Autonomous_Levels_of_AI_Legal_Reasoning.
  7. Guariglia M. Technology Can’t Predict Crime, It Can Only Weaponize Proximity to Policing. Electronic Frontier Foundation. 3.09.2020. URL:https://www.eff.org/deeplinks/2020/09/technology-cant-predict-crime-it-can-only-weaponize-proximity-policing.
  8. Hao K. AI is sending people to jail—and getting it wrong. MIT Technology Review. 21.01.2019. URL:https://www.technologyreview.com/s/612775/algorithms-criminal-justice-ai/.
  9. Ibarra N. Santa Cruz becomes first U.S. city to approve ban on predictive policing. Santa Cruz Sentinel. 23.06.2020. URL:https://www.santacruzsentinel.com/2020/06/23/santa-cruz-becomes-first-u-s-city-to-approve-ban-on-predictive-policing/.
  10. Kashmir Hill, “How Target Figured Out A Teen Girl Was Pregnant Before Her Father Did”, Forbes (16 February 2012). URL:https://www.forbes.com/sites/kashmirhill/2012/02/16/how-target-figured-out-a-teen-girl-was-pregnant-before-her-father-did/.
  11. Manifesto of Computational Social Science R. Conte, N. Gilbert, G. Bonelli, C. Cioffi-Revilla, G. Deffuant, J. Kertesz, V. Loreto, S. Moat, J. Nadal, A. Sanchez, A. Nowak, A. Flache, M. San Miguel, and D. Helbing. European Physical Journal Special Topics EPJST (2012). URL:https://www.bibsonomy.org/publication/20c26ecde5981441fee65c48864bb02b6/everyaware_bib.
  12. Mann A. Core Concept: Computational social science // PNAS January 19, 2016 113 (3) 468-470; URL:https://doi.org/10.1073/pnas.1524881113.
  13. McGrory K., Bedi N. Targeted. The Tampa Bay Times. 3.09.2020 URL:https://projects.tampabay.com/projects/2020/investigations/police-pasco-sheriff-targeted/intelligence-led-policing/.
  14. McMullan A. I. Judges: The Future of Justice Hangs in the Balance. Medium. 14.02.2019. URL:https://medium.com/s/reasonable-doubt/a-i-judges-the-future-of-justice-hangs-in-the-balance-6dea1540daaa.
  15. Meyer, Robinson, “My Facebook Was Breached by Cambridge Analytica. Was Yours?”, The Atlantic (10 April 2018). URL:https://www.theatlantic.com/technology/archive/2018/04/facebook-cambridge-analytica-victims/557648/.
  16. Michal Kosinski, David Stillwell & Thore Graepel, “Private traits and attributes are predictable from digital records of human behavior (2013) 110:15 Proceedings of the National Academy of Sciences 5802.
  17. Rose T. When U.S. air force discovered the flaw of averages.Thestar.com. 16.01.2016. URL:https://www.thestar.com/news/insight/2016/01/16/when-us-air-force-discovered-the-flaw-of-averages.html.
  18. Wilensky U., Rand W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo MIT Press. 505 p.
  19. Баранов О. А. Інтернет речей і штучний інтелект: витоки проблеми правового регулювання (частина 1). URL:http://aphd.ua/publication-376/.
  20. Карчевський М. В. Big Data та ефективність кримінально-правового регулювання. Вісник Луганського державного університету внутрішніх справ імені Е. О. Дідоренка. 2018. № 3. С. 83-90.
  21. Карчевський М.В. Агентне моделювання – нові можливості дослідження злочинності. Karchevkiy.org блог. URL : https://karchevskiy.org/2020/09/13/abm/
  22. Кримінально-правове регулювання в Україні: реалії та перспективи (аналітичні матеріали) / М. В. В’юник, М. В. Карчевський, О. Д. Арланова; упоряд. Ю. В. Байліе. Харків: Право, 2020. С. 197-204.
  23. Посилання для завантаження моделі:
    https://karchevskiy.org/2020/08/02/model-1/.
  24. Савинова М. В чем разница между искусственным интеллектом, машинным обучением и глубоким обучением? 27.08.2018. URL:https://blogs.oracle.com/russia/ai-ml-dl-differ.

Агентне моделювання – нові можливості дослідження злочинності

Львів, 17.09.20
Харків, 24.09.20

Сучасна наука про суспільство перебуває в так званій кризі реплікації. Отримані результати досліджень неможливо відтворити шляхом повторення програми певного дослідження. Так, фізика може дати чітку відповідь на питання про те, скільки енергії потрібно використати для переміщення будь-якого об’єкту з однієї точки простору в іншу. Наприклад, скільки та якого пального необхідно для виведення супутника на орбіту Землі. Причому метод обчислення може включати  багато параметрів і «працюватиме» в будь-який час. Чи можемо ми бути настільки впевненими в результатах суспільних наук? Питання риторичне. Висновки, отримані про найбільш оптимальний спосіб правового регулювання певних суспільних відносин, з великою вірогідністю не спрацюють в іншій сфері правового регулювання. Наукові рекомендації, за результатами соціологічного дослідження, скоріше за все, будуть корисними тільки локально. Якщо так, виникають цілком природні питання: чи можна вважати науку про суспільство наукою? чи дійсно вона встановлює тенденції та закономірності розвитку суспільства? Професор Каліфорнійського університету Martin Hilbert у цьому контексті пропонує говорити не про social science, а, скоріше, про social studies.

Зрозуміло, що перед суспільними науками стоять набагато складніші завдання. Описати суспільні процеси, використовуючи математичні формули та залежності, набагато складніше, ніж поведінку певного тіла в просторі. Однак саме сьогодні розвиток технологій дозволяє перейти на принципово новий рівень досліджень суспільства. Завдяки інформатизації, людство отримує величезні обсяги даних. Новітні методи роботи з ними дозволяють якісно оновити методологію суспільних наук та їх результати.

Одним iз таким методів є агентне моделювання (ABM, agent-based modeling). Ключові положення, що характеризують даний метод, наступні: «агент – автономний обчислюваний об’єкт із певними властивостями та діями; агенте моделювання – вид обчислювального моделювання, де явище моделюється шляхом визначення агентів та їх взаємодії» [1, 1]. Реалізується таке моделювання шляхом використання спеціалізованого програмного забезпечення, яке дозволяє описати властивості агентів та обчислювати результати їх взаємодії. Результат використання такого методу прийнято називати штучним суспільством (artificial society), що визначається як «створена з використанням комп’ютерної техніки симуляційна модель суспільства або групи людей, котра базується на агентах та зазвичай обмежена їх взаємодією в конкретній ситуації»[2].

З використанням програмного забезпечення NetLogo нами було створено модель протидії злочинності. Вихідний код моделі та демонстраційні матеріали, на які посилаємося в подальшому, представлено у вільному доступі[3; 4].

Штучне суспільство, яке створюється під час функціонування розробленої нами моделі, складається з чотирьох типів агентів: «незлочинці», «злочинці», «поліцейські» та «святі». Усі агенти рухаються у випадковому порядку. За один умовний день кожен агент здійснює одне переміщення в довільному напряму на відстань, обмежену параметром «соціальна мобільність».

«Незлочинці» являють собою частину населення, яка не вчиняє злочинів. Дані агенти характеризуються таким параметром, як «правова культура». Цей параметр змінюється залежно від випадкових зустрічей із «злочинцями». Якщо «незлочинець» потрапляє в поле впливу незасудженого «злочинця», рівень його правової культури зменшується, а засудженого «злочинця» – зростає. Збільшення та зменшення «правової культури» «незлочинця» є змінними параметрами моделі та задаються, відповідно, змінними «кримінальна культура» та «страх». У такий спосіб моделюються різнонаправлені впливи на правову культуру з одного боку так званої «кримінальної культури», з іншого – загальної превенції.

Агенти типу «злочинці» можуть бути засудженими або ні. Статус засудженого «злочинець» може отримати, якщо опиниться в полі впливу «поліцейського». Для засудженого «злочинця» встановлюються термін покарання та відбуте покарання. Після «засудження» параметр «відбуте покарання» збільшується на одиницю з кожним циклом моделі. Термін покарання встановлюється випадково в межах параметру «максимальне покарання». Після того, як параметри «відбуте покарання» та «призначене покарання» стануть однаковими, засуджений «злочинець» iз вірогідністю, що дорівнює параметру «корекція», стає «незлочинцем», в іншому випадку – незасудженим «злочинцем».

«Поліцейські» характеризуються параметром «професійність». Даний параметр визначає вірогідність, iз якою незасуджений «злочинець», опинившись у полі впливу «поліцейського», стає засудженим «злочинцем».

«Святі» ніколи не вчиняють злочини; рівень їхньої культури не залежить від «зустрічей» iз незасудженими «злочинцями». Рівень культури «незлочинців», що опиняються в полі впливу «святого», завжди зростає.

Крім названих параметрів, для штучного суспільства, створюваного запропонованою моделлю, встановлюються кількість населення, частки агентів різних видів та поля впливу агентів, початковий рівень культури «незлочинців».

Використовувати модель пропонується для візуалізації та аналізу впливу різних конфігурацій параметрів штучного суспільства на умовний рівень злочинності, який у нашому випадку будемо визначати, як частку «злочинців» від всієї кількості агентів.

Так, якщо встановити однаковий рівень позитивного та негативного впливу засуджених та незасуджених «злочинців», після коливань показник частки злочинців у створеному штучному суспільстві стабілізується на певній позначці. У прикладі, який наводиться в презентації, – 30-35%. Якщо після цього зменшити позитивний вплив засуджених злочинців на третину, отримаємо майже двократне збільшення частки злочинців. У прикладі, що наводиться, система стабілізується на показнику 57-60%. Тепер, якщо в десять разів збільшити максимально можливе покарання, отримаємо стабілізацію із більшою часткою злочинців – близько 70%. Пiдвищення максимального покарання в сто разів приведе до стабілізації системи на ще більшому показникові частки злочинців – близько 85%. Водночас, якщо повернутися до первинних налаштувань штучного суспільства та пiдвищити на третину позитивний вплив засуджених злочинців, отримаємо вдвічі меншу частку злочинців – близько 15%.

Таку поведінку моделі можна пояснити тим, що збільшення покарання приводить до зростання частки агентів, які належать до засуджених «злочинців». Тоді як збільшення позитивного впливу на правову культуру  приводить до зменшення вірогідності перетворення «незлочинців» на «злочинців».

Як і будь-яка модель, запропонована нами є спрощенням. Але навіть на такому рівні складності вона дозволяє підтвердити важливу гіпотезу: посилення покарання є менш ефективним, ніж заходи, не пов’язані з репресією. Тут, звичайно, слід пригадати роботи академіка О. М. Костенка та  його важливі висновки щодо ролі правової культури в протидії злочинності. Водночас, видається, що представлений метод виводить наукову дискусію в даній сфері на якісно новий рівень.

Дослідники отримують можливість формулювати та перевіряти гіпотези у вигляді певних залежностей. Крiм того, повертаючись до кризи реплікації суспільних наук, є можливість перевірки гіпотез шляхом необмеженого повторення експериментів. Можливою є й перевірка правильності моделі та проведення експериментів iз різними конфігураціями параметрів.

Сфера застосування методу агентного моделювання є достатньо широкою. До перспектив використання представленої нами моделі можна віднести дослідження феномену «кримінальної хвилі», встановлення порогових значень параметрів штучного суспільства, при яких здійснюється тотальна криміналізація, побудову гіпотез щодо найбільш ефективного використання суспільних ресурсів для протидії злочинності, вивчення проблем довіри до правоохоронних та судових органів, аналіз впливу щільності населення на рівень злочинності тощо. Зрозуміло й те, що зазначену модель слід розглядати як першу спробу використання методу. Є сенс у розробці складнiших моделей для перевірки більш складних гіпотез.

Головний очікуваний результат використання описаного методу полягає в підвищенні ефективності протидії злочинності. Базовані на результатах обчислювального моделювання рішення щодо державних чи регіональних програм протидії злочинності будуть, сподіваємося, більш раціональними.

  1. Wilensky U., Rand W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo MIT Press. 505 p.
  2. Branke J. Artificial Societies.URLКод доступу:
    Код доступу:https://link.springer.com/referenceworkentry/10.1007%2F978-0-387-30164-8_36.
  3. Посилання для завантаження моделі:
     https://karchevskiy.org/2020/08/02/model-1/.
  4. Посилання для перегляду презентації:
    https://youtu.be/raY4YaftTcM

Модель протидії злочинності

Щоб працювати з моделлю необхідно:

1) завантажити програмне забезпечення NetLogo;

2) відкрити у даному забезпеченні файл, представлений на сайті

Завантажити NetLogo

Завантажити файл моделі

ЩО ЦЕ?

Модель це спрощене представлення про складний феномен, створене для з’ясування закономірностей існування феномену, прогнозування його розвитку. Пропонується модель протидії злочинності заснована на гіпотезі про вплив рівня правової культури на готовність вчиняти злочини.

ЯК ПРАЦЮЄ МОДЕЛЬ

Штучне суспільство, яке створюється під час моделювання складається з чотирьох типів членів:
незлочинці, їх характеризує рівень правової культури; коли рівень стає меншим ніж 0 незлочинець стає злочинцем;
злочинці, їх характеризують такі параметри як засудження, термін покарання та відбуте покарання; коли незлочинець опиняються в зоні впливу незасудженого злочинця, рівень культури незлочинця зменшується; коли незлочинець опиняється в зоні впливу засудженого злочинця рівень культури незлочинця збільшується; після відбуття покарання засуджений злочинець або стає незлочинцем, або незасудженим злочинцем (рецидив);
поліцейські, коли незасуджений злочинець опиняється у зоні впливу поліцейського, такий злочинець з вірогідністю професійності поліцейського набуває статусу засудженого злочинця, йому призначається покарання;
“святі”, ніколи не вчиняють злочини, рівень їх культури не змінюється, коли незлочинець опиняється в зоні впливу “святого” рівень культури незлочинця завжди збільшується.

ЯК ВИКОРИСТОВУВАТИ МОДЕЛЬ

Для того, щоб здійснити моделювання необхідно визначити параметри штучного суспільства, яке буде створено, потім натиснути Setup, потім Go.
Параметри моделі:
 number-of-criminals – частка злочинців
 number-of-saints – частка “святих”
number-of-police – частка поліцейських
 number-of-not-criminals – частка незлочинців
 population – чисельність населення (кількість агентів)
 social-mobility – соціальна мобільність (максимальна відстань, на яку можуть переміщуватися агенти)
 initial-culture – початковий рівень культури незлочинців
 criminals-influence – радіус впливу незасуджених злочинців
 criminal-culture – інтенсивність негативного впливу незасуджених злочинців
sentence-influence – радіус впливу засуджених злочинців
 fear – інтенсивність позитивного впливу засуджених злочинців
 saints-influence – радіус впливу “святих”
 saints+ – інтенсивність позитивного впливу “святих”
 police-influence – радіус впливу поліцейських
 police-prof – професійність поліцейських (вірогідність засудження злочинця, який опинився в зоні впливу поліцейського
 not-corrected – вірогідність рецидиву після відбуття покарання
 max-punishment – максимальний розмір покарання

ЯК МОЖНА ПОЧАТИ ДОСЛІДЖЕННЯ

Спробуйте як буде змінюватися модель при змінах максимального розміру покарання за умов рівного позитивного та негативного впливу на культуру незлочинців

ПОДАЛЬШЕ ВДОСКОНАЛЕННЯ МОДЕЛІ

Розвиток моделі можливий шляхом додавання нових параметрів. Наприклад, довіра населення до поліцейських, рівень корупції, професійність злочинців

(с) Карчевський Микола, 2020

Мережа

Время беспощадно, оно как волчица,
Вот мы сидим здесь, а оно мчится.

Б.Г.

Коло проблем, які я намагаюся досліджувати, представляють собою систему, яку можна візуалізувати у такий спосіб.

Маємо мережу з чотирьох вузлів, де кожен вузол взаємопов’язаний з іншим.

Політика, як результат узгодження різноманітних інтересів членів суспільства, визначає пріоритети розвитку. Право формулює соціально допустимі межі активності. Освіта та наука забезпечують ефективність та потенціал розвитку. Нарешті техніка та технології надають людству нові можливості та створюють нові небезпеки. Названі вузли є частиною значно більшої мережі, тому запропонована модель є певним спрощенням. Однак, вона дозволяє орієнтуватися в результатах досліджень, що представлені на сайті.

Правове регулювання технологій розглядається в контексті забезпечення максимальної користі їх використання та мінімізації ризиків зловживання ними. Одночасно технології забезпечують нові можливості для правового регулювання, йдеться про Big Data, алгоритми оцінки ризиків, комп’ютерну симуляцію складних соціальних процесів…

Освіта та наука забезпечують настільки затребувану сьогодні раціоналізацію суспільно-політичного дискурсу. В умовах тих процесів, що відбуваються в нашій державі, така раціоналізація – єдиний можливий спосіб політичної стабілізації. Політика, освіта, наука функціонують у правовому полі та перебувають під істотним впливом техніки та технологій. Останні, в свою чергу, розвиваються відповідно до пріоритетів, визначених політикою, та на грунті результатів освіти й досягнень науки.

Впевнений, сподіваюсь не тільки я ;), означена конвергенція напрямів дослідження дозволяє отримувати нетривіальні результати. Маю щиру надію на те, що матеріали сайту будуть корисними та запрошую до дискусії.