Abstract
<jats:p>Социально-правовой науке о закономерностях преступности и методах её сдерживания на современном этапе характерна смена парадигмы, заключающаяся в переходе от классического количественного и качественного анализа статистической информации к динамическому моделированию преступности с использованием методов искусственного интеллекта. При этом переход в вычислительной криминологии от простой автоматизации к алгоритмизации является не просто сменой терминов, а глубоким качественным сдвигом в методологии, целеполагании и эпистемологии науки о преступности. Переход от автоматизированного учёта преступлений в базах данных о преступности к этапу производства нового знания алгоритмами, способными аналитически выявлять закономерности, находить корреляции и предлагать варианты развития криминальных процессов в огромных потоках информации – больших объёмах данных – актуальнейшая повестка на данный момент. Простая визуализация статистики преступлений уступает место продвинутой аналитике, выявляющей неочевидные закономерности с помощью алгоритмов машинного обучения и обработки естественного языка. Рассуждения об актуальности и целесообразности данного перехода активно развиваются в теории и практической стороне криминологии. Особенно активно такие исследования осуществляются в зарубежной криминологии, в том числе в азиатском направлении криминологических исследований. Алгоритмическая вычислительная криминология знаменует собой парадигмальный сдвиг от объяснения преступности к её прогнозированию. За рубежом этот переход сопровождается мощным развитием технологий машинного обучения и столь же мощной волной критики, направленной на защиту гражданских прав от «тирании данных». В России данная методология находится на этапе институционализации, двигаясь от традиционной статистики к сложным аналитическим комплексам.</jats:p> <jats:p>The socio-legal science of crime patterns and methods of its deterrence at the present stage is characterized by a paradigm shift, consisting in the transition from classical quantitative and qualitative analysis of statistical information to dynamic modeling of crime using artificial intelligence methods. At the same time, the transition in computational criminology from simple automation to algorithmization is not just a change of terms, but a profound qualitative shift in the methodology, goal-setting and epistemology of crime science. The transition from automated recording of crimes in crime databases to the stage of producing new knowledge with algorithms capable of analytically identifying patterns, finding correlations and suggesting options for the development of criminal processes in huge flows of information – large amounts of data – is the most urgent agenda of today. Simple visualization of crime statistics is giving way to advanced analytics that identify non-obvious patterns using machine learning and natural language processing algorithms. Discussions about the relevance and expediency of this transition are actively developing in the theory and practical side of criminology. Such studies are particularly active in foreign criminology, including the Asian branch of criminological research. Algorithmic computational criminology marks a paradigm shift from explaining crime to predicting it. Abroad, this transition is accompanied by a powerful development of machine learning technologies and an equally powerful wave of criticism aimed at protecting civil rights from the “tyranny of data”. In Russia, this methodology is at the stage of institutionalization, moving from traditional statistics to complex analytical complexes. </jats:p>