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
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.
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.
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
Ames M. The Charisma Machine. The Life, Death, and Legacy of One Laptop per Child. – MIT Press, 2019. – 328 p.
Carey K. The End of College: Creating the Future of Learning and the University of Everywhere Paperback. – Riverhead Books, 2016. – 288 p.
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
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
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
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/
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
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/
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.
Наукова дискусія щодо впливу штучного інтелекту на протидію злочинності як початкового аргументу має враховувати фактичний стан розвитку технологій.
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.
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.
Першочерговим кроком впровадження національних систем штучного інтелекту у сфері протидії злочинності має стати створення системи комплексного інформаційного забезпечення кримінально-правового регулювання.
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.
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.
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.
Wilensky U., Rand W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo MIT Press. 505 p.
Баранов О. А. Інтернет речей і штучний інтелект: витоки проблеми правового регулювання (частина 1). URL:http://aphd.ua/publication-376/.
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.
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.
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.
Wilensky U., Rand W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo MIT Press. 505 p.
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
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.
Сайт професора Карчевського 