CC BY
7Образование. Наука. Научные кадры. 2023. № 4. С. 129—131. Education. Science. Scientific personnel. 2023;(4):129—131.
УГОЛОВНО-ПРАВОВЫЕ НАУКИ
Научная статья УДК 343.985.7
https://doi.org/10.24412/2073-3305-2023-4-129-131 NIION: 2007-0062-4/23-232
EDN: https://elibrary.ru/BTFUBU MOSURED: 77/27-004-2023-04-432
Перспективы развития криминалистической характеристики в условиях цифровой трансформации общества
Андрей Николаевич Сретенцев
Орловский юридический институт МВД России имени В.В. Лукьянова, Орел, Россия, pronsimo@gmail.com
Аннотация. В статье исследуются возможности применения методов машинного обучения для выявления статистически значимых закономерностей в целях формирования криминалистической характеристики отдельных видов и групп преступлений. Рассматриваются некоторые пути повышения эффективности прикладного использования криминалистической характеристики при раскрытии и расследовании преступлений.
Ключевые слова: криминалистическая характеристика преступления, искусственный интеллект, расследование преступлений, машинное обучение, методы исследования больших данных, система поддержки принятия решений
Для цитирования: Сретенцев А.Н. Перспективы развития криминалистической характеристики в условиях цифровой трансформации общества // Образование. Наука. Научные кадры. 2023. № 4. С. 129—131. https://doi.org/ 10.24412/2073-3305-2023-4-129-131. EDN: https://elibrary.ru/BTFUBU.
CRIMINAL LEGAL SCIENCES
Original article
Prospects for the development of criminalistic characteristics of crimes in the conditions of digital transformation of society
Andrey N. Sretentsev
Orel Law Institute of the Ministry of Internal Affairs of Russia named after V.V. Lukyanov, Orel, Russia, pronsimo@gmail.com
Abstract. The article explores the possibilities of using machine learning methods to identify statically significant patterns in order to form a forensic characteristic of certain types and groups of crimes. Some ways to improve the efficiency of the applied use of forensic characteristics in the detection and investigation of crimes are considered.
Keywords: forensic characterization of a crime, artificial intelligence, crime investigation, machine learning, big data research methods, decision support system
For citation: Sretentsev A.N. Prospects for the development of criminalistic characteristics of crimes in the conditions of digital transformation of society // Obrazovaniye. Nauka. Nauchnyye kadry = Education. Science. Scientific personnel. 2023;(4): 1 29-1 31. (In Russ.). https://doi.org/10.24412/2073-3305-2023-4-129-131. EDN: https:// elibrary.ru/BTFUBU.
^ настоящее время уже накоплен значительный массив научной криминалистической и .^информматтии, а также эмпирических данных о преступлениях и деятельности по расследованию преступлений. Все более актуальным в данной связи становится применение в ходе исследований методов математической статистики и искусственного интеллекта.
© Сретенцев А.Н., 2023
Одним из примеров успешного применения данных технологий для решения теоретических и прикладных задач криминалистической науки является использование систем на базе искусственного интеллекта в построении криминалистической характеристики преступлений.
Долгое время в криминалистической науке не утихали споры относительно содержания криминалистической характеристики преступления, а также о полезности данного научного концеп-
Юридические науки
та для практики раскрытия и расследования преступлений. Данная категория являлась одной из самых часто упоминаемых в диссертациях по криминалистике, при этом регулярно подвергалась острой критике со стороны ряда ученых [3, с. 221].
Основной укор в адрес криминалистической характеристики связан с тем, что данный теоретический конструкт в подавляющем большинстве случаев строится умозрительно, в то время как без должного анализа статистических данных и выявления корреляционных и вероятностных связей между элементами ее системы она малополезна для теории и практики.
В качестве положительного примера разработки криминалистической характеристики преступлений конкретного вида следует отметить исследование Л.Г. Видонова, который, проанализировав около тысячи уголовных дел, выявил значимые статистические закономерности. Однако такой подход не получил широкого распространения в научной среде в дальнейшем. Как отмечал P.C. Белкин, «время шло, множились работы, в которых на все лады говорилось о криминалистической характеристике самых разных преступлений. Но примеру Л.Г. Видонова никто не последовал, и это понятно: легче описывать элементы характеристики, да еще по собственной схеме, чем заниматься весьма трудоемким процессом выявления корреляционных зависимостей между ними» [2, с. 458].
Нельзя не согласиться с мнением P.C. Белкина, И.Е. Быховского и В.И. Дулова о том, что «на установление подобных связей (корреляционных — курсив мой А.Н.) и должны быть ориентированы все, кто занимается ее (криминалистической характеристики) проблематикой. В противном случае, изыскания лишаются необходимого в наше время качества криминалистических научных исследований — практической целесообразности и полезности» [4, с. 57].
В настоящее время, на наш взгляд, созрели необходимые условия для исследований, основанных на современном методическом инструментарии. Применение методов машинного обучения для работы с большими данными в перспективе позволит формировать криминалистические характеристики преступлений качественно иного характера.
Примером практической реализации указанного подхода могут служить как зарубежные [1, с. 153], так и отечественные разработки. К последним можно отнести экспериментальный алгоритм, сформированный на основе применения методов машинного обучения к материалам о
1068 серийных преступлениях. В настоящее время он проходит апробацию в Главном управлении криминалистики Следственного комитета Российской Федерации. Предполагается, что данная система на основе выявленных территориальных и иных закономерностей преступности данного вида сможет оказать следствию помощь в установлении мест нахождения еще необнаруженных следов преступления, а также в формировании портрета преступника [5, с. 52].
Одним из препятствий на пути более широкого внедрения указанных научных методов является квалификация самих исследователей, которые должны быть одновременно специалистами в раскрытии и расследования преступлений, а также обладать достаточными знаниями и навыками в области обработки и анализа данных. Однако неуклонный рост объема накопленных научных знаний в сферах, относящихся к предмету криминалистики, диктует необходимость соответствующей адаптации со стороны научного сообщества.
Следует отметить, что не только ученые сталкиваются со сложностями использования массива накопленных криминалистических знаний. Для правоприменителя проблема ощущается не менее остро. В одном из своих трудов это отмечал и P.C. Белкин, указывая на то, что «рядовой следователь без обширного профессионального опыта, в условиях дефицита времени и экстремальной ситуации не в состоянии воспроизвести в памяти десятки страниц «книжной методики» в качестве оперативного руководства к действиям» [3, с. 128].
В результате этого следователю, особенно на начальном этапе своего профессионального становления, зачастую приходится осуществлять процесс расследования во многом по наитию, стихийно, полагаясь на советы более опытных коллег и собственную интуицию. В таких условиях, как правило, речь уже не идет о методичном поиске доказательственной информации, что оказывает отрицательное воздействие на результаты расследования.
В свою очередь, одной из форм прикладного использования криминалистической характеристики преступления и разработанной на ее основе методики расследования вида или группы преступления может стать создание систем поддержки принятия решений, которые могут оказывать помощь следователю при решении вопросов планирования расследования и версионном анализе преступления.
Информация, полученная с помощью технологий машинного обучения, может стать осно-
130
Образование. Наука. Научные кадры 2023 / № 4
вой для создания систем поддержки принятия решения следователей и иных субъектов раскрытия и расследования преступлений. Так, будучи реализованной в формате программы-ассистента с использованием голосового или иного интерфейса (специализированный аналог Siri, Алисы, Alexa и подобных программ), установленная на персональное компьютерное устройство, такая интеллектуальная система позволит оперативно внедрять актуальные криминалистические знания в практическую деятельность. С их помощью следователь сможет заручиться своевременной информационной поддержкой, особо ценной при доследственной проверке и на начальном этапе расследования. Подсказка о направлении работы в первые часы расследования, когда следователю приходится действовать в условиях дефицита времени и информации, будет способствовать успешному раскрытию преступлений по «горячим следам».
Таким образом, при условии более широкого применения методов машинного обучения и статистической науки роль криминалистической характеристики как источника ценной информации, способствующей обеспечению эффективной деятельности правоохранительных органов, будет возрастать.
Одним из ключевых вопросов на этапе цифровой трансформации общества становятся кадры, что актуально и для правоохранительной сферы. В связи с этим солидарны с мнением ученых, что в настоящее время возрастает актуальность наличия у следователей не только юридических знаний, но и познаний технического характера [6, с. 68].
Список источников
1. Porter M.D. A statical Approach to Crime Linkage // The American Statistician. 2016. 70:2, pp. 152—165.
2. Белкин P.C. Избранные труды. M.: Норма, 2014. 768 c.
3. Белкин P.C. Криминалистика: проблемы сегодняшнего дня. Злободневные вопросы российской криминалистики. M.: Норма, 2001. 240 с.
4. Белкин P.C., Быховский И.Е., Дулов А.В. Модное увлечение или новое слово в науке? / / Социалистическая законность. 1987. № 9. С. 56—58.
5. Бессонов АА. Использование алгоритмов искусственного интеллекта в криминалистическом изучении преступной деятельности / / Вестник Университета имени О.Е. Кутафина. 2021. № 2. С. 45—53.
6. Использование искусственного интеллекта при выявлении, раскрытии, расследовании преступлений и рассмотрении уголовных дел в суде: монография / под ред. С.В. Зуева, Д.В. Бахтеева. М.: Юрлитинформ. 216 с.
References
1. Porter M.D. A static Approach to Crime Linkage // The American Statistician. 2016. 70:2, pp. 152—165.
2. Belkin R.S. Selected works. M.: Norma, 2014. 768 p.
3. Belkin R.S. Criminalistics: problems of a sports day. Topical issues of Russian criminalistics. M.: Norma, 2001. 240 c.
4. Belkin R.S., Bykhovsky I.E., Dulov A.V. Fashionable hobby or a new word in science? / / Socialist legality. 1987. No. 9. P. 56—58.
5. Bessonov A.A. The use of artificial intelligence algorithms in the forensic study of criminal activity // Bulletin of the O.E. Kutafin University. 2021. No. 2. P. 45—53.
6. The use of artificial intelligence in detecting, solving, investigating crimes and considering criminal cases in court: monograph / ed. S.V. Zueva, D.V. Bakhteev. Moscow: Yurlitinform Publishing House. 216 p.
Информация об авторе А.Н. Сретенцев — кандидат юридических наук.
Information about the author A.N. Sretentsev — Candidate of Legal Sciences.
Статья поступила в редакцию 25.09.2023; одобрена после рецензирования 11.1 0.2023; принята к публикации 25.10.2023.
The article was submitted 25.09.2023; approved after reviewing 11.10.2023; accepted for publication 25.10.2023.
