Translate this page:
Please select your language to translate the article


You can just close the window to don't translate
Library
Your profile

Back to contents

Law and Politics
Reference:

The impact of technologies upon decision-making in criminal procedure: foreign research review

Skoblik Konstantin Vladimirovich

Senior Educator, the department of Criminal Proceedings and Forensic Science, Siberian Federal University

660075, Russia, Krasnoyarskii krai, g. Krasnoyarsk, ul. Maerchaka, 6, aud. 2-22

8923362@gmail.com
Other publications by this author
 

 

DOI:

10.7256/2454-0706.2019.5.29477

Received:

10-04-2019


Published:

29-05-2019


Abstract: In a systematized manner, this article addresses the most interesting from the author’s perspective findings of foreign scientists, emerged at the interface of technologies and criminal justice. The research covers the questions of selecting pre-trial restrictions, anticipation of committing crime, rapid response upon its commitment, and others. The unifying concept of the review is the theory of Fourth Industrial Revolution. Interpretation of the translated information is accompanied by the author’s analytics, connecting the ideas of foreign researchers and certain theories of national advocates of processualism. The following conclusions were made in the course of this study: 1) it is possible to combine computer aided learning with the patterns of selecting pre-trial restrictions proposed by the Russian scholars; 2) concentration of efforts on comprehension of technological innovations in penal sphere may lead to the creation of “Technological Model of the Criminal Process”.


Keywords:

criminal process, decision-making, big data, machine learning, Models of the Criminal Process, the Fourth Industrial Revolution, algorithm, predictive decision, cognitive decision, pretrial detention


Использование наработок в области психологии принятия решений, нейробиологии, больших данных, машинного обучения и в целом наступление эры четвертой промышленной революции стремительно перестраивают нашу жизнь. В настоящем обзоре под большими данными (big data) понимается информационный актив, характеризующийся большим объемом, скоростью и разнообразием, для анализа которого требуются специфические технологии и аналитические методы. Большие данные в контексте их влияния на общество понимаются как «культурный, технологический и научный феномен», основанный на трех элементах: технология (т.е. максимизация вычислительной мощности и алгоритмической точности), анализ (т.е. определение схем для огромных массивов данных) и мифология (т.е. вера в то, что огромные массивы данных обеспечивают более совершенную форму интеллекта, несущую ауру истины, точности и объективности). Большие данные приводят к трем основным сдвигам в способе обработке информации: больше данных (т.е. вместо выборки используются все доступные данные), больше беспорядочности (т.е. могут быть использованы даже неполные и неточные данные), корреляция (т.е. корреляция становится более важной, догоняя причинность как привилегированное средство для принятия решений) [5].

Машинное же обучение (machine learning) сосредотачивается на том, как построить компьютерные программы, которые в определенной задаче улучшали бы через опыт свою производительность. Алгоритмы машинного обучения доказали свою большую практическую значимость в различных областях. Они полезны: а) при сборе информации о проблемах, где огромные базы данных могут содержать ценные скрытые закономерности, которые могут быть автоматически обнаружены (например, проанализировать последствия медицинского лечения из базы данных пациентов или узнать основные правила кредитоспособности из финансовых баз данных); б) в плохо понимаемых областях, где людям может не хватить знаний для разработки эффективных алгоритмов (например, распознавание человеческого лица по изображениям) и в областях, где программа должна динамично адаптироваться к меняющимся условиям (управление процессами производства исходя из меняющихся условий поставки или адаптация к изменяющимся читательским интересам). Машинное обучение черпает идеи из разного набора дисциплин, включая искусственный интеллект, вероятность и статистику, вычислительную сложность, теорию информации, психологию и нейробиологию, теорию управления и философию [18, p. 17].

Все указанные изменения неизбежно затрагивают процесс принятия решений в сфере уголовного правосудия (на законодательном, правоприменительном, политическом уровнях) и вынуждают ученых для осмысления возникающих благ и угроз углубляться в междисциплинарный подход, используя ансамбль самых разных теорий. Члены научной группы, занимающейся прогнозированием технологических изменений в уголовно-процессуальной сфере (Criminal Justice Technology Forecasting Group), отмечают: «Арена уголовного правосудия стоит перед изобилием возможностей информационных технологий. Однако, существенные барьеры, включающие недостаток бизнес-прецедентов, процедур и планов имплементации и отсутствие гарантий безопасности, частной жизни, гражданских прав мешают ей извлечь максимальную пользу из этих возможностей» [10].

Держать руку на пульсе и быть осведомленным об оригинальных исследованиях, где бы проводилось требуемое осмысление, необходимо, но делать это в наше время становится все сложнее из-за постоянного роста информации в геометрической прогрессии. Соответственно, для упрощения научной коммуникации в этой статье мы расскажем о ряде зарубежных исследований, связанных общей тематикой влияния технологий на сферу уголовного правосудия и находящихся на стыке различных областей знаний.

Вспомним сначала книгу К. Шваба «Четвертая промышленная революция» [21], в которой он конструирует понятие четвертой промышленной революции (fourth industrial revolution), снабжая нас тем самым структурой для анализа изменений и вызовов, создаваемых технологическим прогрессом. Его работа освещает исторический контекст возникновения этой революции, ее ведущие элементы (переломные точки, материальные, цифровые и биологические мегатренды), а также ее влияние на бизнес, национальное и глобальное устройство, общество и индивида.

Непосредственно про процесс принятия решений и технологии речь у К. Шваба идет в разделах «Большие данные для решений» (Big Data for Decisions) и «Искусственный интеллект и принятие решений» (Artificial Intelligence and Decision Making). Им утверждается: «Максимальное использование больших данных сделает возможным более лучший и быстрый процесс принятия решений в широком спектре индустрий и прикладных систем. Автоматизированное принятие решений может сократить сложности для граждан и позволить фирмам и правительствам обеспечить обслуживание в режиме реального времени… Помимо управления автомобилями, ИИ может обучаться из предыдущих ситуаций для обеспечения предоставления данных и автоматизации комплексных процессов принятия решений будущего, упрощая и ускоряя достижение конкретных результатов, основанных на данных и прошлом опыте» [21, p. 144, 149]. Но, несмотря на свое инженерное образование и веру в технологии, К. Шваб пишет и о возникающих вызовах: «Использование больших данных для замещения процессов, которые сегодня производятся в ручную может спровоцировать отживание определенных профессий, но и может создать новые виды работ и возможности, которые на данный момент не существуют на рынке» [21, p. 144]. В качестве негативных аспектов им также обозначены: беспокойства о частной жизни, ответственность (кому принадлежит алгоритм?), доверие (как доверять данным?), «ссора с алгоритмом», сражения за алгоритмы, возрастающее неравенство.

Сперва кажется, что написанное у К. Шваба не имеет прямого отношения к уголовному процессу, однако первое впечатление меняется, если обратить внимание на исследования лаборатории Чикагского университета (University of Chicago Crime Lab), применяющей машинное обучение для снижения преступности, корректировки политики в отношении оружия и т.п. Ее директор, Йенс Людвиг, которого можно причислить к лагерю технологических оптимистов, полагает, что мы живем во время «второй бихевиоральной революции» (second behavioral revolution), во время, когда сплав больших данных и машинного обучения позволяет предложить людям персонализированные подходы к тем или иным ситуациям [17].

В своей лекции он развивает этот тезис следующим образом. Конституция США устанавливает, что лицо, подверженное аресту, должно в течение 48 часов предстать перед судьей, решающим, где это лицо будет ожидать судебного разбирательства по своему делу: в заключении или же нет. Закон говорит при этом, что, принимая подобное решение, судья не должен обращать внимание на виновность лица и наказание, назначаемое за предполагаемо-совершенное преступление. Судья должен исходить из прогноза угрозы безопасности «safety risk» (совершит ли лицо потенциально новые преступления) и угрозы побега «flight risk» (явится ли освобожденное лицо на судебное слушание) [16]. Для облегчения необходимого прогноза и снижения уровня судебных ошибок (ситуации, когда судьи освобождают людей, представляющих высокую угрозу и заключает тех, которые подобный риск не несут) предлагается использовать алгоритм, разработанный группой ученых во главе с Й. Людвигом [17].

Алгоритм этот, замещая опору на интуицию судьи, позволяет снизить количество преступлений, совершенных отпущенными подсудимыми, до 25% без досудебного заключения в тюрьму новых людей или же вообще без увеличения уровня преступности позволяет заключать в тюрьму на 42% меньше людей. Подобный инструмент является эффективным средством борьбы с проблемой роста тюремного населения в США. Кроме написанного, алгоритм, по словам создателей, решает проблему судейского предубеждения (и повышает справедливость системы уголовного правосудия), поскольку он слеп к гендерным различиям, расовой и этнической принадлежности лиц, в отношении которых принимается решение о досудебном заключении [15].

Подобные новации могут оказать помощь и российским судьям при принятии ими решения о назначении конкретного наказания за совершенное преступление, поскольку, как отмечают А.А. Брестер и Е.А. Юришина: «Ввиду отсутствия какого-либо четкого указания в законе судьям приходится опираться на собственные житейские и бытовые представления о достаточности наказания для подсудимого, которые зачастую имеют лишь опосредованное отношение к сфере правового регулирования. Общие формулировки ст. 60 УК РФ, переписываемые судами в мотивировочную часть приговора, не дают понимания причин, по которым тому или иному осужденному назначается определенная мера наказания» [3, c. 550].

Однако, помимо перечисленного, алгоритм имеет и недостатки. Он способен совершать прогноз только в среде тех дел, где исход может быть наблюдаем. В случае с избранием залога это означает, что алгоритм может использовать данные только по тем подсудимым, которые были ранее освобождены судьями. Но, если подсудимый ранее не был отпущен судьей, то доступные данные не смогут сказать: совершит он преступление вновь или нет. Алгоритм не сможет увидеть его «ярлык» (label) и спрогнозировать, что случится, если его действительно отпустят. Кроме того, алгоритм способен изучать миллионы прошлых случаев и сообщать о том, что случается в среднем, однако только человек может заметить смягчающие обстоятельства в конкретном деле, поскольку они могу быть основаны на факторах, не содержащихся в данных, на которых алгоритм обучался.

В несколько другом контексте (применительно к вопросам разрешения дела по существу) Джеймс Бирн и Гэри Маркс также отмечают: «Технология прогнозирования риска, как в случае с профилированием, может быть статистически точна во многих делах, но неточна относительно определенного дела (это проблема суммарной рациональности против отдельных случаев)» [7].

Завершая, упомянем еще об одной идеи Й. Людвига. Он работает над исследованием, тренирующим модели машинного обучения на жалобах граждан в отношении полицейских. Система поможет сержантам решать: кто из сотрудников вероятно создаст неблагоприятные для полиции последствия (наподобие убийства невооруженных афроамериканцев) и кому может потребоваться помощь до того, как трагедия произойдет [17].

Описанное исследование, предлагающее использовать технологии для принятия решений в ситуации неопределенности и более точного предвосхищения будущего, конечно, не единственное. О проблемах прогнозирования и вообще принятия правовых решений в ситуации неопределенности писали разные ученые [6, 13]. Так Мэтью Гербер из университета Вирджинии полагает, что анализ при помощи статистических методов определенного количества сообщений в «Твиттере» позволяет предсказать совершение преступлений. Хотя первоначальная его гипотеза была обратной: корреляции между использование «Твиттера» и преступлениями нет, поскольку люди не делятся с миром намерениями совершить преступление: они пишут о вещах, наподобие встречи друзей и отдыха на природе, которые могут привести к преступной деятельности. Выбор же именно на «Твиттер» пал благодаря его открытости, по сравнению с другими медиа-социальными платформами, и факту, что каждый может получить доступ к GPS-помеченным сообщениям [22].

Примененный им метод включил сбор: 1) более 1,5 миллионов открытых твитов, прикрепленных GPS-координатами к Чикаго и охватывающих период с января по март 2013 г.; 2) данных о регистрации преступлений в той же самой области и за схожий период времени. После разделения и нанесения твитов и данных о регистрации преступлений на сетку, и определения общих тем обсуждения (например, спорт, рестораны и развлечения), появляющихся в твитах, ученый объединил выводы из этого анализа с предыдущими моделями прогнозирования. В результате его метод оказался более точным, предсказав совершение 19 из 25 видов преступлений [11].

По его словам, в городах, использующих этот метод как основу для распределения ресурсов (resource allocation), был замечен резкий спад преступной активности. Полицейские департаменты Чикаго и Нью-Йорка применяют этот метод для принятия решений о том, когда и куда следует направить офицеров для предотвращения совершения преступлений.

В целом, и в отечественной процессуальной литературе можно встретить выделение решений, связанных с прогнозированием. Так, А.С. Барабаш в своей работе «Основной, вспомогательные и дополнительные процессы доказывания в стадиях предварительного расследования и судебного разбирательства» связывает избрание меры пресечения с принятием именно прогностического решения и предлагает схемы установления обстоятельств, на основе которых совершается требуемое прогнозирование для применения подписки о невыезде и надлежащем поведении, личного поручительства, наблюдения командования воинской части и т.д. [1, c. 5].

В настоящем контексте прогностическое решение можно определить как вариант процессуального действия (избрание меры пресечения, например), фиксирующего предвосхищение событий будущего, которые могут произойти в деятельности по реализации целей уголовного процесса. Подобное решение отлично от познавательного, которое понимается как вариант процессуального действия, фиксирующего достижение определенного результата (вероятность – практическая достоверность – знание) в деятельности по реализации целей уголовного процесса (например, решение об отказе в возбуждении уголовного дела, о привлечении в качестве обвиняемого, обвинительное заключение на стадии предварительного расследования, постановление приговора в части установления обстоятельств ст. 73 УПК РФ).

На основе сказанного мы предполагаем, что возможно совмещение машинного обучения со схемами, предлагаемыми А. С. Барабашом. Речь идет про ситуацию, когда алгоритм анализирует огромный массив данных, обращая внимание только на информацию, значимую для избрания той или иной меры пресечения. Например, если применяется залог, то алгоритм на основе изучения данных о предшествующем поведении лица должен прийти к выводу о доминировании у него именно материальных ценностей [1, c. 193]. Если же избирается домашний арест, то должен быть получен вывод о главенстве ценностей, связанных с семьей и домом [1, c. 203].

Безусловно, только на упрощении предвосхищения будущего влияние технологий на уголовно-процессуальную систему не замыкается. Дженнифер Долик, основательница Технологической Лаборатории Правосудия (Justice Tech Lab), полагает, что возможные вклады технологий распадаются на три звена: снижение преступности, улучшения качества данных, снижение расового неравенства. В качестве инноваций, по ее мнению, могут быть рассмотрены:

1) применение машинного обучения и других типов алгоритмов прогнозирования. Поскольку об этой части было уже сказано выше, подробнее здесь мы останавливаться не будем, добавим только, что это направление инновации, по мнению Д. Долик, включает «все от машинно-генерируемых оценок риска, использовавшихся для определения того, должен ли арестованный быть заключен до суда, до программного обеспечения распознавания лица, идентифицирующих людей с выступающим ордером, когда они попадают в поле зрения нательной камеры офицера» [9, 23, 8];

2) улучшенные методы электронного мониторинга, которые могут заменить помещение в тюрьму. Вместо заключения осужденных их можно было бы приговаривать к интенсивному наблюдению дома: камеры, аудиозапись, GPS-мониторинг, датчики состояния алкоголя в крови. В зависимости от их преступления и риска для общества, им может быть позволено покидать дом для работы или учебы, или, чтобы увидеть детей. C другой стороны, поясняет она, возможно, что такой тип наказания будет иметь меньший сдерживающий эффект, чем тюрьмы, но ситуация может быть исправлена оставлением тюремного заключения в качестве наказания за деяния, совершенные преступниками низшего звена, поскольку криминогенный эффект тюрьмы оказывают именно на них [9]. Марк Клейман уже наметил версию подобного высокотехнологического будущего, отметив, что средства наблюдения позволяют нам легко определять объем контроля, который бы соответствовал потребностям индивида и постепенно его снижать, чтобы подготовить человека к освобождению [14];

3) сенсорные технологии, улучшающие качество информации о преступном поведении. Один из больших вызовов состоит в том, что люди узнают о событии преступления, только если о нем сообщается в полицию и в том, что мы узнаем о повторном совершении преступлений, только если лица, их совершившие, арестовываются. Поскольку уровни сообщаемости и раскрываемости довольно низкие, описанная ситуация может быть серьезной проблемой. В качестве одного из примеров, когда технологии позволяют генерировать более объективные и полные данные о совершении преступлений, Д. Долик приводит звуковые огнестрельные датчики (acoustic gunshot sensors), предлагаемые, главным образом, фирмой ShotSpotter. Эти сенсоры распознают звук орудийного выстрела в конкретной области и делают тригонометрическую съемку места инцидента (с точной широтой и долготой), немедленно отправляемую в полицию, чтобы последние могли быстро добраться до места происшествия. Кроме того, создаваемый уникальный набор данных содержит всё множество случаев стрельбы в покрываемой области и потому крайне полезен для исследователей, изучающих эффекты политики вмешательства на насилие с применением огнестрельного оружия. Однако внедрение подобных технологий ведет к другой проблеме: данные, генерируемые этими датчиками, принадлежат не местным жителям, а фирме ShotSpotter. Последнее же означает, что информация не публична и не передается обществу, журналистам или исследователям. Поэтому, местным правительствам необходимо настаивать на праве собственности на данные, заключая в будущем контракты с технологическими фирмами [9].

Подытоживая обзор, следует согласиться с Джеймсом Бирном и Гэри Марксом, что: «Технологическая инновация обладает потенциалом для резкого улучшения продуктивности и эффективности системы уголовного правосудия, но она также несет возможности для отвлечения важных видов ресурсов от более традиционного предотвращения преступлений и стратегий полиции, которые действительно могут обезопасить нас без негативных побочных эффектов (например, разрушение свободы личности, повышенное общественное недоверие, упор на принудительный контроль и т.д.). Последние изменения в сфере технологий в целом – и в сфере информационных технологий в частности – были настолько резкими и основательными, что они заслуживают особого внимания и критического анализа» [7, p. 32].

Отсюда мы можем предположить, что сосредоточение усилий ученых на осмыслении технологических новаций в уголовно-процессуальной сфере приведет к созданию ими «технологической модели уголовного процесса» (the Technological Model of the Criminal Process), концентрирующейся, в отличие от других «моделей» (публичной и состязательной [2], «модели» борьбы с преступностью и надлежащей правовой процедуры [19], «модели» семьи [12], «модели» защиты прав потерпевших [20] и т.д.) на вопросах о том: какие технологии можно использовать в уголовном процессе и для каких целей; каким образом и в каких границах? Слово же «модель» в нашем рассуждении закавычено потому, что не все названное учеными «моделями», действительно ими является [4].

References
1. Barabash, A.S. Osnovnoi, dopolnitel'nyi i vspomogatel'nye protsessy dokazyvaniya v stadiyakh predvaritel'nogo rassledovaniya i sudebnogo razbiratel'stva / A. S. Barabash. – Moskva : Yurlitinform, 2017. – 272 s.
2. Barabash, A.S. Publichnoe nachalo rossiiskogo ugolovnogo protsessa / A. S. Barabash. – Sankt-Peterburg : Izdatel'stvo R. Aslanova «Yuridicheskii tsentr Press», 2009. – 420 s.
3. Brester, A. A. Kriterii, lezhashchie v osnove prinyatiya resheniya o nakazanii: empiricheskii analiz pravoprimenitel'noi praktiki / A. A. Brester, E. A. Yurishina // Vestnik Sankt-Peterburgskogo gosudarstvennogo universiteta. – 2018. – № 9(4). – S. 535-553.
4. Brester, A. A. O ponyatii «model' ugolovnogo protsessa» / A. A. Brester // Izvestiya vysshikh uchebnykh zavedenii. Pravovedenie. – 2010. – № 5. – S. 215-220.
5. Andrea, D. M. A Formal Definition of Big Data Based on its Essential Features / D. M. Andrea, M. Greco, M. Grimaldi // Library Review. – 2016. – № 65(3). – P. 122-135.
6. Baldwin, R. Law and Uncertainty: Risks and Legal Processes / R. Baldwin, P. Cane. – London : Kluwer Law International, 1997. – 352 p.
7. Byrne, J. Technological Innovations in Crime Prevention and Policing. A Review of the Research on Implementation and Impact / J. Byrne, G. Marx // Cahiers Politiestudies. – 2011. – № 20. – P.33-34. – Rezhim dostupa: https://www.ncjrs.gov/pdffiles1/nij/238011.pdf
8. Community Perceptions of Police Body-Worn Cameras: The Impact of Views on Fairness, Fear, Performance, and Privacy / M. S. Crow, J. A. Snyder, V. J. Crichlow, J. O. Smykla // Criminal Justice and Behavior. – 2017. – № 44(4). – P. 589-610
9. Doleac, J. How Technology Is Impacting Our Criminal Justice System / J. Doleac // Forbes, 2017 – Rezhim dostupa: https://www.forbes.com/sites/quora/2017/05/11/how-technology-is-impacting-our-criminal-justice-system
10. Emerging Technology Trends and Their Impact on Criminal Justice / J. S. Hollywood, D. Woods, A. Lauland, B. A. Jackson, R. Silberglitt. – Santa Monica, CA: RAND Corporation, 2018. – Rezhim dostupa: https://www.rand.org/pubs/research_briefs/RB9996.html
11. Gerber, M. S. Predicting Crime Using Twitter and Kernel Density Estimation / M. S. Gerber // Decision Support Systems. – 2014. – № 61(1). – Rezhim dostupa: http://ptl.sys.virginia.edu/ptl/sites/default/files/manuscript_gerber.pdf
12. Griffiths, J. Ideology in Criminal Procedure or a Third «Model» of the Criminal Process / J. Griffith // Faculty Scholarship Series. – 1970. – № 3994. – P. 359-417
13. Guttel, E. Uncertainty Revisited: Legal Prediction and Legal Postdiction / E. Guttel, A. Harel // Michigan Law Review. – 2008. – № 107(3). – P. 467-500.
14. Kleiman, M. A. R. We don’t need to keep criminals in prison to punish them / M. A. R. Kleiman, A. Hawken, R. Halperin // Vox Journal. – 2015. – Rezhim dostupa: https://www.vox.com/2015/3/18/8226957/prison-reform-graduated-reentry
15. Kleinberg, J. A Guide to Solving Social Problems with Machine Learning / J. Kleinberg, J. Ludwig, S. Mullainathan // Harvard Business Review. – 2016. Rezhim dostupa: https://hbr.org/2016/12/a-guide-to-solving-social-problems-with-machine-learning
16. Ludwig, J. Machine Learning in the Criminal Justice System. Talks at Google / J. Ludwig // YouTube, 2018 –Rezhim dostupa: https://www.youtube.com/watch?v=XI1RUNPh8cg&t=585s
17. Matias, J. N. Using Machine Learning for Precision Nudging: Jens Ludwig at Princeton / J. N. Matias // Medium, 2018. – Rezhim dostupa: https://medium.com/@natematias/using-machine-learning-for-precision-nudging-jens-ludwig-at-princeton-78f4b5442514
18. Mitchell, T. M. Machine Learning / T. M. Mitchell. – New York : McGraw-Hill Education, 1997. – 432 r.
19. Packer, H. L. The Limits of the Criminal Sanction / H. L. Packer. – Stanford : Stanford University Press, 1968. –388 p.
20. Roach, K. Four Models of the Criminal Process / K. Roach // Journal of Criminal Law and Criminology. – 1999. – № 89(2). – P. 671-716.
21. Schwab, K. The Fourth Industrial Revolution / K. Schwab. – New York : Crown Business, 2017. – 184 p.
22. Taking it to the Tweets: Statistics proves Twitter a powerful tool in forecasting crime // American Statistical Association , 2017. – Rezhim dostupa: https://www.sciencedaily.com/releases/2017/08/170801101901.htm
23. The Benefits of Body-Worn Cameras: new findings from a randomized controlled trial at the Las Vegas Metropolitan Police Department / A. Braga, J. R. Coldren, Jr., W. Sousa, D. Rodriguez, M. A. Omer Alper. – Arlington : CNA, 2018. – 80 p. – Rezhim dostupa: https://www.cna.org/cna_files/pdf/IRM-2017-U-016112-Final.pdf