К вопросу об оценке риска рецидива при условно-досрочном освобождении: вызовы и перспективы

Введение. Внедрение в российскую практику оценки рецидива при условно-досрочном освобождении (далее – УДО) сопровождается рядом вопросов и недопониманием в плане правового регулирования. Данная проблематика еще связана с оценкой поведения осужденного на основе экспертного заключения, когда результаты могут повлиять на общественную безопасность.

Применение искусственного интеллекта (далее – ИИ) предлагает новые возможности для решения сложных задач и проблем в области правосудия. Применение нейросетей с целью возможной оценки риска совершения повторного правонарушения может способствовать повышению эффективности принятия решений и снижению нагрузки на правоохранительные органы. Внедрение в работу алгоритмических моделей на основе факторов носящих демографические и криминологические характеристики, может выявить закономерности. Необходимо при взаимодействие человеческого фактора с ИИ, устанавливать четкие границы, так как ИИ выступает только инструментом при оценке поведения осужденного, а его эффективная работа зависит от качества данных, корректности алгоритмов. Анализ научной литературы показал, проблемные вопросы заявленной тематик, в своих исследованиях М.Г. Дебольский обратил внимание на отсутствие критерий исправления [1]. О целесообразности введения прогнозных критериев при принятии решения об УДО указывал Д.В. Мельникова [2], а Е.Е. Новиков разработал индивидуальное прогнозирование поведения осужденных [3]. Статистическая информация по прогнозированию рецидивной преступности представлена в трудах В.И. Терехина и В.В. Чернышова [4]. Первыми из российских авторов, которые проанализировали уровень риска совершения преступлений лицами, освобожденными из мест лишения свободы, были А.С. Душкин и Е.С. Федотова [5].

В российской криминологической литературе А.П. Суходолов и А.М. Бычкова связывают использование искусственного интеллекта в противодействии преступности с машинным обучением, большими данными, нейронными сетями, предиктивной аналитикой и прогнозированием как преступности в целом, так и индивидуального поведения, одновременно подчеркивая наличие этических и правовых дилемм [6]. Д.А. Степаненко, Д. В. Бахтеев и Ю.А. Евстратова раскрывают технологическую основу таких систем [7].

Практическая ценность искусственного интеллекта при УДО состоит прежде всего в уменьшении неопределенности и субъективизма, но не в устранении индивидуального судебного анализа. В.И. Качалов, О.В. Качалова и Е.В. Марковичева прямо связывают перспективы применения информационных технологий в уголовном судопроизводстве со стадией исполнения приговора, включая УДО [8]. С.Н. Овчинников, рассматривает цифровую трансформацию уголовно-исполнительной системы как единую информационную среду, цифровой профиль осужденного и модели прогнозирования поведения, включая концептуальные разработки, ориентированные на оценку личности и коррекцию программы ресоциализации [9]. А.П. Скиба предлагает обсуждать балльные системы оценки степени исправления и использование искусственного интеллекта для первичного подсчета значимых показателей при решении вопроса об УДО, видя в этом способ снижения субъективизма [10].

Основная часть. Уровень рецидива среди освобождающихся осужденных, несмотря на предпринимаемые меры остается достаточно высоким, согласно заявлениям министра юстиции Российской Федерации, К. А. Чуйченко [11, 12]. При рассмотрении ходатайств об УДО суд учитывает поведение осужденного, его отношение к учёбе и труду, наличие поощрений и взысканий, отношение к совершённому деянию, а также заключение администрации исправительного учреждения о целесообразности освобождения. Однако субъективность оценки и недостаток данных иногда затрудняют принятие взвешенного решения. В настоящее время, в России, ИИ официально не участвует в принятии судебных решений, включая вопросы УДО [13]. Этические вопросы также актуальны при оценке принятия решений УДО с использованием ИИ.

Чтобы соблюсти этический баланс необходимо разработать нормы по использованию ИИ и в процессе использования новых технологий проводить оценку по адаптации этих норм. Это включает требования к прозрачности алгоритмов, независимый аудит на предмет дискриминации, защиту данных, обучение судей и других участников процесса, а также механизмы контроля и обжалования решений, принятых с учетом рекомендаций ИИ. Поэтому алгоритмическая система поддержки решения об УДО должна строиться по принципу «человек принимает решение, алгоритм объясняет данные». На первом уровне она агрегирует сведения из личного дела, характеристик администрации, заключений психолога, медицинских данных в допустимых законом пределах, сведений о труде, обучении, возмещении вреда и социальных связях. На втором уровне она оценивает качество данных: полноту, актуальность, противоречивость, наличие пробелов, временную динамику. На третьем уровне рассчитывается риск рецидива, желательно не в виде одной категоричной цифры, а в форме вероятностного диапазона или категории риска с указанием факторов, повлиявших на результат. На четвертом уровне формируется аналитическая справка, в которой отдельно отражаются статические признаки, не поддающиеся изменению, и динамические признаки, свидетельствующие о реальном процессе исправления либо о его отсутствии. На пятом уровне суд, изучив материалы дела, заключения специалистов и алгоритмическую справку, принимает мотивированное решение, вправе согласиться с прогнозом или отклонить его при наличии правовых и фактических оснований [14].

При внедрении ИИ в процедуру УДО, необходимо различать три уровня ответственности:

научно-технический, ведомственный и судебный. Научно-технический уровень связан с качеством данных, методикой обучения, валидностью модели, частотой ошибок, устойчивостью к смещению и объяснимостью результата. Ведомственный уровень предполагает корректное ведение данных в учреждениях, единообразие учета поощрений и взысканий, достоверность характеристик, защиту персональных данных, обучение сотрудников и исключение манипулирования показателями. Судебный уровень требует, чтобы алгоритмический прогноз был лишь одним из материалов, подлежащих оценке наряду с иными доказательственными и характеризующими сведениями. Если суд использует алгоритмическую справку, в постановлении должны быть отражены не только итоговая категория риска, но и те обстоятельства, которым суд придал значение. Если суд не соглашается с алгоритмической оценкой, это также должно быть мотивировано, поскольку сама возможность отклонения прогноза является важной гарантией недопущения автоматизации правосудия.

Актуальность предлагаемого подхода заключается в том, что применение ИИ к УДО рассматривается не как перенос зарубежных актуарных шкал в российскую практику и не как простая балльная оценка исправления, а как гибридная риск-ресурсная модель, адаптированная к отечественной системе исполнения наказаний. Такая модель должна учитывать три взаимосвязанных блока. Первый блок – юридико-исполнительный: соблюдение режима, труд, обучение, возмещение вреда, отношение к воспитательным мероприятиям, характеристики администрации. Второй блок – психологический: отношение к совершенному преступлению, уровень ответственности, агрессивность, импульсивность, способность к планированию, совладающее поведение, мотивация к правопослушной жизни. Третий блок – социально-криминологический: криминальная история, социальное окружение, жилье, занятость, зависимость, постпенитенциарная поддержка. При вынесении решений необходимо делать отсылку на решения об УДО.

Заключение. УДО одним из институтов уголовного судопроизводства, призванным обеспечить указанное гарантированное Конституцией Российской Федерации право осужденных. Правом принятия решения об УДО от отбывания наказания наделен суд. Внедрение ИИ при оценке риска рецидива в российскую практику требует правовой подготовки и регулирования. В качестве пилотного проекта можно использовать ИИ как инструмент или подсказку оценки риска рецидива при УДО.