Цифровая криминалистическая модель преступления: понятие, назначение и методы построения

Цифровая криминалистическая модель преступления — формализованное цифровое представление типичных криминалистически значимых признаков определённого вида или группы преступлений и закономерных связей между ними. В концепции А. А. Бессонова она развивается как цифровизация типовой криминалистической характеристики, позволяющая обрабатывать большие массивы сведений о преступной деятельности статистическими и алгоритмическими методами.¹

Модель предназначена для выявления устойчивых и неочевидных связей между признаками, формирования типичных версий, прогнозирования вероятных характеристик неизвестных элементов события и выбора направлений расследования. Для построения могут применяться методы математической статистики и машинного обучения. В работах А. А. Бессонова рассматриваются, в частности, кластерный анализ и анализ выбросов, логистическая регрессия, нейронные сети и градиентный бустинг. Конкретный метод выбирают по аналитической задаче, качеству выборки и возможности интерпретировать результат.^{1, 2, 3}

Что важно запомнить

Цифровая модель не заменяет криминалистическую характеристику преступлений, а представляет её формализованный цифровой вариант.¹
Модель строится не по одному уголовному делу, а на репрезентативном массиве данных о преступлениях соответствующего вида или группы.
Цель модели состоит в выявлении статистически устойчивых взаимосвязей и получении ориентирующей информации для версий, прогнозирования и планирования расследования.
Для анализа могут применяться кластеризация, анализ выбросов, регрессионные и иные классификационные модели, нейронные сети и другие алгоритмические методы. Это примеры инструментов, а не закрытый обязательный перечень.^{1, 2, 3}
Закономерность, обнаруженная моделью, имеет вероятностное криминалистическое значение и требует проверки по материалам конкретного дела.

Понятие цифровой криминалистической модели

Традиционная криминалистическая характеристика обобщает типичные сведения о механизме, способе, обстановке, личности участников, следах и иных элементах определённой группы преступлений. Цифровая криминалистическая модель переводит такую систему признаков и связей в формализованный набор данных, пригодный для количественного анализа. Бессонов подчёркивает, что речь идёт именно о цифровизации типовых криминалистических характеристик, а не об их замене другой теорией.¹

Что является исходными данными

Для построения модели формируют массив сведений о множестве преступлений выбранного вида или серии: способы подготовки, совершения и сокрытия, временные и пространственные характеристики, данные о потерпевших и преступниках, следах, объектах посягательства и другие криминалистически значимые признаки. До анализа признаки необходимо унифицировать, кодировать и проверить качество исходных данных.

Зачем нужна модель

Главная ценность цифровизации состоит в возможности анализировать количество сочетаний признаков, которое трудно надёжно оценивать вручную. Алгоритмы позволяют обнаруживать кластеры сходных эпизодов, аномальные случаи, зависимости между переменными и признаки, повышающие вероятность определённого варианта развития события.^{1, 2} Такие результаты могут использоваться для формирования и приоритизации типичных версий, определения направлений поиска и совершенствования частных методик расследования.

Кластерный анализ и анализ выбросов

Кластерный анализ группирует объекты по сходству совокупности признаков и помогает выделять типичные разновидности преступной деятельности. Анализ выбросов выявляет нетипичные наблюдения, которые могут указывать на особый способ действий, иной механизм или ошибку данных. Эти методы особенно полезны на этапе разведочного анализа.¹

Статистические и машинные модели

Регрессионные модели оценивают связи между признаками и позволяют прогнозировать значение или вероятность интересующего признака. В эмпирическом исследовании А. А. Бессонова по серийной преступной деятельности применялись, в частности, логистическая регрессия, нейронные сети и градиентный бустинг.² Это показывает практический вектор подхода, но не означает, что данный набор алгоритмов обязателен для каждой цифровой криминалистической модели.

Выбор метода

Конкретный статистический или алгоритмический метод выбирают по задаче, структуре данных, объёму и качеству выборки. Важна возможность проверить качество модели и объяснить значение полученного результата. При иных исходных данных допустимы и другие методы математической статистики и машинного обучения.³

Этапы построения

Определяют вид или группу преступлений и аналитическую задачу.
Формируют репрезентативный массив криминалистически значимых признаков.
Очищают, унифицируют и кодируют данные.
Выбирают статистические или машинные методы под конкретную задачу.
Строят модель и оценивают качество её работы, по возможности на данных, не использованных при обучении.
Интерпретируют выявленные закономерности в криминалистических категориях и определяют пределы их практического использования.

Пределы использования

Алгоритмическая связь не является доказанным фактом конкретного уголовного дела и тем более не устанавливает виновность. Ошибки выборки, неполные данные, изменение преступных способов и некорректная интерпретация способны искажать результат. Поэтому модель поддерживает криминалистическое мышление и принятие решений, но её выводы должны проверяться законными средствами расследования по конкретному делу.

Пример простыми словами

Если по массиву нескольких сотен эпизодов квартирных краж модель показывает, что определённое сочетание времени, способа проникновения и выбора объекта часто связано с конкретным типом подготовки, это помогает следователю сформировать и проверить соответствующую версию по новому делу. Но статистическая связь не означает, что новый эпизод совершён тем же лицом или тем же способом. Конкретные обстоятельства всё равно устанавливаются доказательствами.

Частые ошибки

Путать цифровую криминалистическую модель преступления с временной шкалой событий на конкретном компьютере или телефоне.
Считать её заменой криминалистической характеристики преступлений.
Строить модель на случайном или слишком малом массиве и не оценивать качество исходных данных.
Воспринимать статистическую корреляцию как установленную причинную связь.
Приравнивать прогноз алгоритма к доказательству обстоятельства конкретного уголовного дела.

Другие вопросы

Источники

1 Бессонов А. А. Цифровая криминалистическая модель преступления как основа противодействия киберпреступности Академическая мысль. 2020. № 4 (13). С. 58–61
2 Бессонов А. А. Использование алгоритмов искусственного интеллекта в криминалистическом изучении преступной деятельности (на примере серийных преступлений) Вестник Университета имени О. Е. Кутафина (МГЮА). 2021. № 2 (78). С. 45–53
3 Бессонов А. А. Искусственный интеллект и математическая статистика в криминалистическом изучении преступлений Монография. М.: Проспект, 2021 г. 816 с. Разделы о цифровой криминалистической модели преступления, математической статистике, кластерном анализе, анализе выбросов и выборе методов анализа данных.