Алгоритмическая оценка риска рецидива при условно-досрочном освобождении: возможности и пределы применения искусственного интеллекта в российской уголовно-исполнительной и судебной практике

Использование искусственного интеллекта при принятии решений об условно-досрочном освобождении относится к числу наиболее сложных направлений цифровизации уголовной юстиции, поскольку здесь технический прогноз непосредственно соприкасается с вопросами свободы личности, безопасности общества, целей наказания и пределов судебного усмотрения. Условно-досрочное освобождение не является механическим сокращением срока наказания: оно предполагает вывод о том, что для своего исправления осужденный не нуждается в полном отбывании назначенного наказания, а также требует оценки его поведения, отношения к содеянному, возмещения вреда, социально полезных связей и вероятности дальнейшего правопослушного поведения. Именно в этой прогнозной части традиционная юридическая оценка сталкивается с объективной трудностью: суд и администрация исправительного учреждения анализируют прошлое и настоящее поведение лица, но решение фактически обращено в будущее. Поэтому вопрос состоит не в том, может ли алгоритм «решать» вопрос об УДО вместо суда, а в том, способен ли он обеспечить более полную, проверяемую и менее субъективную информационную основу для такого решения.

Российская научная литература уже содержит значительный материал, позволяющий поставить проблему алгоритмического прогнозирования рецидива не умозрительно, а применительно к отечественной уголовно-исполнительной и судебной практике. М. Г. Дебольский, исследуя риск рецидива при условно-досрочном освобождении, обращал внимание на отсутствие однозначных критериев исправления, расхождения между позицией администрации исправительного учреждения и суда, а также на необходимость сопоставления отечественной модели оценки степени исправления с зарубежной логикой оценки риска повторного преступления [1]. Д. В. Мельникова показывает, что при решении вопроса о рекомендации осужденного к УДО целесообразно учитывать не только констатирующие признаки исправления, но и прогнозные критерии, включая отношение к совершенному преступлению, особенности криминального опыта, социальные ресурсы, жизненные планы, агрессивность, совладающее поведение и иные психологически значимые параметры [2]. Эти выводы подтверждают, что предмет оценки при УДО по своей природе является комплексным: он не сводится ни к количеству поощрений, ни к отсутствию взысканий, ни к формальному истечению предусмотренной законом части срока наказания.

В отечественных исследованиях также накоплен опыт статистического и криминологического прогнозирования рецидивной преступности. В. И. Терехин и В. В. Чернышов предложили подход к статистическому анализу и прогнозированию срока постпенитенциарного рецидива на основе регрессионных зависимостей, учитывающих возраст, число совершенных преступлений, срок лишения свободы и тяжесть преступления; эмпирической базой исследования выступили данные о 430 преступниках и 1038 рецидивных преступлениях [4]. Е. Е. Новиков, анализируя индивидуальное прогнозирование поведения осужденных к альтернативным наказаниям и мерам, обосновывал возможность дифференциации условно осужденных по группам риска с использованием методики «Портрет», основанной на обобщении данных уголовно-исполнительных инспекций, личных дел и экспертного мнения сотрудников [3]. А. С. Душкин и Е. С. Федотова, рассматривая оценку риска совершения преступлений лицами, освобожденными из мест лишения свободы, выделяют эволюцию инструментов риск-оценки от клинического суждения к актуарным и более динамическим моделям, учитывающим не только статические признаки, но и изменяемые потребности, ресурсы личности и процесс ресоциализации [5]. Тем самым российские исследования демонстрируют, что прогнозирование рецидива уже существует как научная и прикладная задача; искусственный интеллект лишь переводит ее на более высокий уровень обработки данных, но не отменяет необходимости правовой и психологической интерпретации результата.

Применительно к УДО искусственный интеллект следует понимать не как самостоятельный «электронный суд», а как совокупность методов машинной обработки данных, позволяющих выявлять статистически значимые связи между признаками личности, поведения, социальной ситуации и вероятностью повторного преступления после освобождения. 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 через формирование набора данных, обучение, валидацию, оценку точности и правильности модели, а также выделяют для правоохранительной деятельности три базовые операции: распознавание, предсказание и классификацию [7]. Для процедуры УДО наиболее значимы именно предсказание и классификация, поскольку алгоритм может относить осужденного к определенной группе риска, показывать факторы, повысившие или снизившие итоговую оценку, а также сопоставлять текущую динамику поведения с типовыми траекториями лиц, ранее освобождавшихся условно-досрочно.

Однако применение ИИ при УДО возможно только при правильном определении объекта алгоритмической оценки. Нельзя строить модель исключительно на формальных дисциплинарных показателях, поскольку отсутствие взысканий может отражать как устойчивую позитивную динамику, так и приспособительное поведение, а наличие взысканий без учета давности, тяжести и последующего поведения не всегда свидетельствует о сохраняющейся криминогенной направленности. Более корректным является формирование цифрового профиля осужденного, включающего данные о преступлении и криминальной истории, возрасте, сроке наказания, поведении в исправительном учреждении, поощрениях и взысканиях в динамике, участии в труде, обучении и профессиональной подготовке, возмещении ущерба, отношении к потерпевшему и совершенному деянию, прохождении психологических и воспитательных мероприятий, наличии зависимостей и результатов лечения, сохранении семейных и иных социально полезных связей, наличии жилья и предполагаемой занятости после освобождения. При этом социальные признаки должны использоваться предельно осторожно:

они имеют прогностическое значение лишь постольку, поскольку характеризуют реальные ресурсы ресоциализации, а не социальное происхождение или имущественное положение лица как таковые.

Именно поэтому наиболее перспективной является не чисто актуарная, а гибридная модель алгоритмической оценки, соединяющая правовые критерии исправления, психологическое заключение, криминологические факторы риска и динамические показатели ресоциализации. В такой модели алгоритм не должен выдавать ответ «освободить» или «отказать». Его задача заключается в ином: представить суду структурированную карту факторов, показать, какие обстоятельства снижают риск рецидива, какие его повышают, какие данные противоречивы или недостаточны, а также какие меры постпенитенциарного сопровождения могут уменьшить вероятность повторного преступления. Например, высокий риск, обусловленный отсутствием жилья, занятости и устойчивых социальных связей, должен интерпретироваться иначе, чем высокий риск, связанный с агрессивностью, отрицанием вины, устойчивой криминальной идентичностью и повторными нарушениями режима. В первом случае алгоритм указывает на дефицит социальных ресурсов, который может быть частично компенсирован пробационными и социальными мерами; во втором — на сохраняющиеся личностные и поведенческие факторы, требующие более осторожного вывода о степени исправления.

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, поскольку здесь часть критериев поведения осужденного может быть формализована, а алгоритмы способны использоваться для оценки риска дальнейшей криминализации [8]. С. Н. Овчинников, анализируя цифровые технологии в сфере исполнения уголовных наказаний, рассматривает цифровую трансформацию уголовно-исполнительной системы, 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]. Вместе с тем балльная модель не должна превращаться в арифметическую замену судебной оценки: одинаковая сумма баллов может складываться из качественно различных обстоятельств, а потому требует обязательной содержательной интерпретации.

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 админи- страции, 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.

Выбор математической модели для такой системы имеет не только техническое, но и правовое значение. В условиях принятия решений, затрагивающих свободу личности, предпочтение должны получать интерпретируемые или объяснимые модели: логистическая регрессия, деревья решений, ансамбли с возможностью последующего объяснения вклада признаков, модели анализа времени до события, а также гибридные экспертно-статистические конструкции. Нейронные сети могут применяться в отдельных задачах, например при анализе больших массивов текстовых характеристик, выявлении скрытых паттернов поведения или обработке данных видеонаблюдения, но их использование при непосредственной оценке риска УДО требует особой осторожности из-за проблемы непрозрачности. К. В. Злоказов и Г. Р. Сархошян, рассматривая нейросетевое прогнозирование правонарушений и преступлений, указывают на потенциал различных архитектур искусственных нейронных сетей и необходимость методологически выстроенного процесса разработки модели [11]. Для УДО этот вывод означает, что точность прогноза сама по себе недостаточна: модель должна быть валидирована на российских данных, понятна пользователям, проверяема специалистами и пригодна для процессуального оспаривания.

Особое значение имеет различение прогноза рецидива и вывода об исправлении. Риск повторного преступления является криминологической категорией, отражающей вероятность будущего поведения в определенных условиях; исправление является правовой и уголовно-исполнительной категорией, связанной с достижением целей наказания и оценкой личности осужденного. Эти категории пересекаются, но не совпадают. Лицо может демонстрировать положительную дисциплинарную динамику, но сохранять высокий риск рецидива из-за отсутствия постпенитенциарных ресурсов, зависимости или криминального окружения. И наоборот, формально неблагоприятный социальный фон не должен автоматически перечеркивать доказанную положительную динамику поведения, участие в программах исправления, возмещение ущерба и наличие реалистичного плана жизни после освобождения. Поэтому алгоритм должен быть настроен не на поиск формального основания для отказа, а на выявление баланса рисков и ресурсов. Его итоговый продукт должен помогать суду увидеть не только вероятность рецидива, но и управляемость этой вероятности.

Содержание цифрового профиля осужденного должно быть нормативно ограничено и научно обосновано. В него нельзя включать произвольные сведения, не имеющие доказанной связи с рецидивом или создающие риск дискриминации. К числу допустимых признаков могут относиться криминологически значимые и процессуально проверяемые обстоятельства: характер и тяжесть преступления, прежняя судимость, возраст начала преступного поведения, нарушения и поощрения в период отбывания наказания, участие в труде и обучении, результаты программ психологической коррекции, возмещение вреда, наличие подтвержденного места проживания и занятости, оценка социальной поддержки, прохождение лечения при наличии зависимости, соблюдение индивидуального плана исправления. Недопустимыми либо крайне рискованными являются признаки, которые фактически воспроизводят социальную стигматизацию: национальность, религия, политические убеждения, регион происхождения как самостоятельный фактор, имущественное положение без связи с реальными ресурсами ресоциализации, сведения о родственниках без доказанного значения для прогноза. Даже допустимые признаки должны проходить проверку на косвенную дискриминацию, поскольку нейтральные на первый взгляд переменные могут выступать суррогатами социально уязвимого положения.

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.

В российском контексте особенно значима проблема качества исходных данных. Алгоритм не способен исправить ошибки ведомственного учета; напротив, он может многократно усилить их последствия. Если в разных учреждениях неодинаково фиксируются нарушения режима, различается практика вынесения поощрений, формально ведутся индивидуальные программы воспитательной работы или неполно отражаются сведения о возмещении вреда, то модель будет обучаться не только на поведении осужденных, но и на различиях административной практики. В результате один и тот же поведенческий профиль может получить разные оценки в зависимости от учреждения, региона или стиля документирования. Поэтому внедрение ИИ при УДО должно начинаться не с покупки программного продукта, а с унификации данных, разработки единого словаря признаков, установления правил внесения сведений, периодического аудита личных дел и независимой проверки качества датасетов. Без этого алгоритмическая система станет не средством объективизации, а инструментом формального воспроизводства уже существующей неравномерности практики.

Не менее важна проблема ложноположительных и ложноотрицательных прогнозов. Ложноположительный результат означает, что лицо ошибочно признается высокорисковым и может получить отказ в УДО, хотя фактически вероятность рецидива у него невелика. Ложноотрицательный результат, напротив, связан с недооценкой риска и возможным совершением нового преступления после освобождения. Обе ошибки социально и юридически значимы, но не могут оцениваться только с позиции статистики. В уголовно-исполнительной сфере цена ошибки включает не только безопасность общества, но и необоснованное продление фактической изоляции лица, которое могло быть освобождено при соблюдении закона. Поэтому при настройке модели необходимо заранее определять приемлемый баланс чувствительности и специфичности, раскрывать частоту ошибок на валидационной выборке, проверять точность по категориям преступлений, возрастным группам, полу и иным допустимым параметрам, а также регулярно пересматривать модель после изменения законодательства, практики исполнения наказаний и структуры рецидивной преступности.

Алгоритм может быть особенно полезен при анализе динамических факторов, поскольку именно они показывают не только прошлую характеристику личности, но и направление ее изменения. Для УДО важна не изолированная фиксация факта трудоустройства в учреждении, а устойчивость трудового поведения; не наличие одного поощрения, а их связь с реальными усилиями по исправлению; не отсутствие взысканий на момент рассмотрения ходатайства, а динамика дисциплины за значимый период; не декларация раскаяния, а ее соответствие поведению, возмещению вреда и участию в программах коррекции; не формальное наличие родственников, а реальная готовность социального окружения поддерживать правопослушный образ жизни. В этом смысле ИИ способен помочь выявить закономерности, которые трудно обнаружить при фрагментарном изучении материалов: например, сочетание краткосрочного улучшения поведения непосредственно перед подачей ходатайства с длительной предшествующей отрицательной динамикой либо, наоборот, устойчивое снижение нарушений и повышение социальной активности в течение длительного периода.

При этом прогноз риска рецидива должен быть связан не только с решением «освободить — не освободить», но и с проектированием условий последующего сопровождения. Если модель показывает средний риск, обусловленный конкретными управляемыми факторами, суд и уполномоченные органы должны видеть, какие меры способны его снизить: трудоустройство, социальное сопровождение, контроль за лечением зависимости, восстановление документов, психологическая поддержка, ограничение контактов с криминогенным окружением, взаимодействие с семьей. Такой подход соответствует современной логике ресоциализации, при которой риск не воспринимается как неизменное свойство личности.

Алгоритм должен не клеймить осужденного как «опасного», а помогать определить, какие именно дефициты повышают вероятность повторного преступления и какие ресурсы могут быть использованы для ее снижения. Иначе система оценки риска превратится в цифровую форму стигматизации, несовместимую с целями исправления.

Возможность использования ИИ при УДО требует также процессуальных гарантий. Осу- жденный и его защитник должны иметь право знать, что при рассмотрении вопроса использовалась алгоритмическая оценка, какие данные были положены в ее основу, к какой категории риска лицо отнесено и какие факторы признаны значимыми. Разумеется, это не означает раскрытия всего программного кода, но предполагает доступность методики, паспорта модели, перечня используемых признаков и общего объяснения результата. Нельзя признавать допустимой ситуацию, при которой суд ссылается на «компьютерный прогноз», не раскрывая его содержания и не предоставляя стороне возможности возражать против исходных данных. Если в личном деле содержатся ошибочные сведения, устаревшие характеристики или неполные данные о возмещении вреда, алгоритмический вывод должен быть оспорим. В противном случае ИИ будет не повышать доверие к судебному решению, а снижать его, создавая эффект непререкаемого технического авторитета.

Судейское усмотрение в вопросе УДО не должно исчезать под влиянием алгоритмизации. Напротив, правильно построенная система ИИ делает судебное усмотрение более ответственным, поскольку позволяет суду видеть структуру риска и мотивировать решение более конкретно. Автоматизация опасна тогда, когда итоговый балл подменяет правовую аргументацию. Но она полезна, когда помогает отличить формальную характеристику от реальной динамики, выявить противоречия между данными администрации и психолога, сопоставить поведение осужденного с эмпирически установленными факторами рецидива, обнаружить недостаточность сведений для уверенного прогноза. Поэтому оптимальная модель должна быть не «решающей», а «объясняющей»: она предоставляет суду аналитическую картину, но не освобождает его от обязанности самостоятельно установить юридически значимые обстоятельства.

Научная новизна 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. Алгоритм должен не смешивать эти блоки в непрозрачный балл, а показывать их соотношение, поскольку именно это соотношение имеет значение для индивидуализации решения об УДО.

Заключение. Искусственный интеллект способен существенно повысить качество прогнозирования риска рецидивной преступности при условно-досрочном освобождении, но только при условии его вспомогательного, проверяемого и правозащитного использования. Российские исследования в области психологии УДО, статистического прогнозирования рецидива, оценки риска лиц, освобождаемых из мест лишения свободы, и цифровизации уголовно-исполнительной системы создают достаточную научную основу для разработки таких инструментов. Алгоритмы могут помочь суду и администрации исправительного учреждения структурировать данные, снизить субъективизм, выявить динамику исправления, обнаружить скрытые факторы риска и определить меры, способные уменьшить вероятность повторного преступления. Вместе с тем автоматическое принятие решений об УДО на основе алгоритмического балла недопустимо, поскольку оно противоречило бы природе судебного усмотрения, индивидуализации наказания и гарантиям прав осужденного. Перспективной является модель, при которой ИИ выступает как система поддержки принятия решения: она формирует объяснимый прогноз, указывает на значимые факторы и степень надежности вывода, но окончательное решение принимает суд с учетом всех материалов дела. Внедрение такой системы возможно лишь при наличии нормативного регулирования, валидации на российских данных, независимого аудита, защиты персональных данных, права на оспаривание исходной информации и запрета дискриминационных признаков.

Следовательно, алгоритмическое прогнозирование риска рецидива при УДО должно развиваться не как технология замещения человека, а как инструмент повышения обоснованности, прозрачности и индивидуализированности уголовно-исполнительной и судебной практики.