Спиридонов Михаил Сергеевич – кандидат юридических наук, доцент кафедры уголовного процесса, криминалистики и судебной экспертизы
WoS Researcher ID: https://www.webofscience.com/wos/author/record/AAK-9097-2021
РИНЦ Author ID: https://elibrary.ru/author_items.asp?authorid=1089837
454080, Россия, Челябинск, проспект Ленина, 76
Mikhail S. Spiridonov – Cand. Sci. (Law), Associate Professor, Department of Criminal Procedure, Criminology and Forensics
WoS Researcher ID:
RSCI Author ID:
76 prospekt Lenina, 454080 Chelyabinsk
Objective: to experimentally check the ability of publicly available neural networks to solve formalized criminal law problems with a pre-established normatively correct result.
Methods: a set of complementary methods of scientific cognition helped to achieve the work objective. The methods of analysis and synthesis, induction and deduction formed the general scientific basis, which made it possible to systematically comprehend the issues under study. Among special legal tools were formal legal analysis and official interpretation of legal norms, which ensured the rigorous normative assessment of the results obtained. The key empirical research method was a controlled experiment, organically combined with modeling law enforcement situations and a comparative analysis of the answers of six publicly available neural networks to identical criminal law problems.
Results: during the experiment, publicly available neural networks showed significant discrepancies in the accuracy and consistency of answers to formalized criminal law problems: none of the tested models demonstrated a stable and error-free result. In the absence of direct reference to the relevant legal sources, the models systematically made mistakes when determining the term of conviction expungement, applying the rules for sentencing, and determining the type of recidivism of crimes. This indicates reproductive rather than analytical-legal nature of the models. Providing accurate quotations from regulations and explanations of the Russian Supreme Court Plenum significantly improves the correctness of answers from certain neural networks. The most and least effective models were identified, as well as the basic requirements for drafting a legally correct query in the field of criminal proceedings.
Scientific novelty: the study is an attempt to experimentally check the capabilities of publicly available neural networks in relation to specific criminal law problems with a pre-established normatively correct answer. The results obtained made it possible to propose the typology of errors made by neural networks, reveal their procedural causes, and identify the fundamental limitations of using generative artificial intelligence in law enforcement.
Practical significance: the results can be used in law enforcement and education: to determine the acceptable limits of using publicly available neural networks in criminal proceedings; to develop methodological recommendations for making legally correct queries to generative artificial intelligence systems; and to prevent typical errors when using neural networks in professional legal activity.
Цель: исследование направлено на экспериментальную проверку способности общедоступных нейронных сетей решать формализованные задачи уголовного права с заранее установленным нормативно корректным результатом.
Методы: для достижения поставленной цели применялся комплекс взаимодополняющих методов научного познания. Общенаучную основу исследования составили методы анализа и синтеза, индукции и дедукции, позволившие системно осмыслить изучаемую проблематику. В рамках специального юридического инструментария использовались формально-юридический анализ и официальное толкование норм права, что обеспечило строгость нормативной оценки полученных результатов. Ключевым эмпирическим методом исследования выступил контролируемый эксперимент, органично сочетавшийся с моделированием правоприменительных ситуаций и сравнительным анализом ответов шести общедоступных нейронных сетей на идентичные уголовно-правовые задачи.
Результаты: в ходе проведенного эксперимента установлено, что общедоступные нейронные сети обнаруживают существенные расхождения в точности и последовательности ответов при решении формализованных задач уголовного права: ни одна из тестируемых моделей не продемонстрировала стабильного и безошибочного результата. Выявлено, что в отсутствие прямого указания на соответствующие правовые источники модели систематически допускают ошибки при определении момента погашения судимости, применении правил назначения наказания и установлении вида рецидива преступлений, что свидетельствует об их репродуктивном, а не аналитико-правовом характере. Предоставление точных цитат из нормативных актов и разъяснений Пленума Верховного Суда Российской Федерации существенно повышает корректность ответов отдельных нейронных сетей. Определены наиболее и наименее результативные модели, а также сформулированы основные требования к составлению юридически корректного запроса в сфере уголовного судопроизводства.
Научная новизна: настоящее исследование представляет собой попытку экспериментальной верификации возможностей общедоступных нейронных сетей применительно к конкретным задачам уголовного права с заранее известным нормативно верным ответом. Полученные результаты позволили выявить типологию воспроизводимых нейронными сетями ошибок, раскрыть их процессуальные причины, а также обозначить принципиальные ограничения использования генеративного искусственного интеллекта в правоприменительной деятельности.
Практическая значимость: результаты исследования могут использоваться в правоприменительной и образовательной деятельности: для определения допустимых границ применения общедоступных нейронных сетей в уголовном судопроизводстве, разработки методических рекомендаций по составлению юридически грамотных запросов к системам генеративного искусственного интеллекта, а также в целях предупреждения типовых ошибок при обращении к нейронным сетям в ходе профессиональной юридической деятельности.
The authors declare that there are no conflicts of interest present.