Версия для слабовидящих
Научный журнал Байкальского государственного университета
Всероссийский криминологический журнал / Russian journal of criminology
ISSN 2500-1442 (Online)
Издается с 2007 года
Menu
РусскийEnglish

Информация о статье

Название статьи:

Теория и методология больших данных: криминолого-эпистемологический ракурс

Авторы:
Судакова Т.М., заведующий кафедрой уголовного права и криминологии Института юстиции, кандидат юридических наук, доцент, Байкальский государственный университет, г. Иркутск, Российская Федерация, krime@mail.ru
Для цитирования:
Судакова Т.М. Теория и методология больших данных: криминолого-эпистемологический ракурс / Т.М. Судакова. — DOI 10.17150/2500-4255.2025.19(2).126-136. — EDN ZQKNOC // Всероссийский криминологический журнал. — 2025. — Т. 19, № 2. — С. 126–136.
В рубрике:
ПРОБЛЕМЫ МЕТОДОЛОГИИ, ТЕОРИИ И ПРАКТИКИ ПРОТИВОДЕЙСТВИЯ СОВРЕМЕННОЙ ПРЕСТУПНОСТИ
Год: 2025 Том: 19 Номер журнала: 2
Страницы: 126-136
Тип статьи: Научная статья
УДК: 343.01:343.9
DOI: 10.17150/2500-4255.2025.19(2).126-136
Аннотация:
Цифровые технологии изменили способы поиска и производства информации. Сегодня остро стоит вопрос о возможностях социальных, социально-правовых наук адекватно реагировать на цифровизацию социума, на технологические изменения и распространение информационно-телекоммуникационных технологий, виртуального пространства, больших данных. Это и вопрос практической целесообразности и возможностей разработки инструментов использования больших данных при проведении социогуманитарных исследований. Проблема эпистемологии больших данных сопутствует появлению огромного потока структурированных и неструктурированных данных, активно используемых в научных исследованиях, в предиктивной аналитике. Это проблема понимания природы современного знания. Для криминологического мышления и его прикладной значимости большие данные не являются совершенно новым параметром исследований. Существуют применяемые в работе правоохранительной сферы, но не используемые повсеместно механизмы использования больших данных для измерения и установления корреляции между различными факторами, значимыми в сфере противодействия преступному поведению и выработки прогнозных решений. В рамках настоящего исследования рассматривается методологический ракурс проблемы использования больших данных с позиции такой возможности, целесообразности и надежности. Это проблема «методологической чистоты» и научной корректности в их интерпретации для выработки научно обоснованных решений. Машинное обучение как разновидность интеллектуального анализа больших данных является мощным и эффективным инструментом научного анализа, требуемого при этом постоянного совершенствования используемых алгоритмов. Философское осмысление проблемы использования больших данных заключается в формировании постклассической эпистемологической парадигмы с основной идеей о причинно-следственных связях как необходимом элементе любого исследовательского проекта. Информационные издержки, технические сложности структурирования и интеграции данных, перспективы и направления монетизации больших данных, сложность создания хранилищ данных и выбора способа их хранения неотъемлемо сопровождают технологии использования инструментов интеллектуального анализа в социальных и криминологических исследованиях. Перестройка всей системы аналитической и прогностической работы в сфере противодействия преступности и перестройка психологии самих исследователей и правоохранителей - стратегически важнейшая задача в развитии криминологии.
Ключевые слова: большие данные, эпистемология БД, интеллектуальный анализ данных, предиктивная аналитика, прогнозная деятельность, противодействие преступности
Информация о статье: Дата поступления 2 апреля 2025 г. Дата принятия в печать 9 июня 2025 г. Дата онлайн-размещения 17 июня 2025 г.
Скачиваний - 88
География скачиваний
Скачать полный текст статьи
Список цитируемой литературы:
  • Малинецкий Г.Г. Синергетика, междисциплинарность и постнеклассическая наука XXI века / Г.Г. Малинецкий. - Москва : ИПМ им. М.В. Келдыша РАН, 2013. - 36 с.
  • Сорочан В.В. Цифровая социология: от цифровизации общества к цифровизации науки / В.В. Сорочан, НП Гаврилюк. - EDN IINTPP // Этносоциум и межнациональная культура. - 2023. - № 1 (175). - С. 37-46.
  • Горошникова Т.А. Вычислительная социология: сдвиг парадигмы или "эконометрика" социологии / Т.А. Горошникова. - DOI 10.26794/2226-7867-2021-11-1-37-42. - EDN IZOPMZ // Гуманитарные науки. Вестник Финансового университета. - 2021. - Т. 11, № 1. - С. 37-42.
  • Рафикова К.Ф. Методология вычислительной социологии / К.Ф. Рафикова. - EDN OLKPFC // Социологический нарратив 2023: новая социальная реальность: жизнь на пороге киберпанка : материалы XXII Всерос. науч. конф., Москва, 14 апр. 2023 г. - Москва, 2023. - С. 7-10.
  • Платонова С.И. Большие данные: создание вызовов и возможностей в социальных науках / С.И. Платонова. - DOI 10.30853/manuscript.2020.4.24. - EDN RSHXAS // Манускрипт. - 2020. - Т. 13, № 4. - С. 119-123.
  • Карчагин Е.В. Эпистемология и эвристические возможности Big Data / Е.В. Карчагин. - EDN VCEAXJ // Концепт. - 2015. - № 12. - С. 151-155.
  • Горошко И.В. Авторская методика анализа данных. (на примере анализа данных в органах внутренних дел) / И.В. Горошко. - EDN YDGANR // Диссертационное исследование: технологии подготовки : в 2 ч. - Москва, 2023. - Ч. 2. - С. 201-226.
  • Луценко Е.В. Революция начала XXI века в искусственном интеллекте: глубинные механизмы и перспективы / Е.В. Луценко, Н.С. Головин. - Краснодар : Изд-во КубГАУ, 2024. - 497 с. - EDN OMIPIL.
  • Постклассические исследования права: перспективы научно-практической программы / ред. Е.И. Тонков, И.Л. Честнов. - Санкт-Петербург : Алетейя, 2023. - 498 с. - EDN KLUMOD.
  • Туробов А.В. Международный опыт применения математико-статистических алгоритмов прогнозирования преступности / А.В. Туробов, М.А. Чумакова, А.В. Вечерин. - DOI 10.17994/IT.2019.17.4.59.9. - EDN XMFOEI // Международные процессы. - 2019. - Т. 17, № 4 (59). - С. 153-177.
  • Ильницкий А.С. Технологии искусственного интеллекта в криминологической науке: компьютерное зрение / А.С. Ильницкий. - EDN DXUSVZ // Алтайский юридический вестник. - 2024. - № 4 (48). - С. 145-151.
  • Грибанов Е.В. Перспективные направления развития кибертехнологий предупреждения преступлений / Е.В. Грибанов. - EDN UNVRKW // Общество и право. - 2021. - № 4. - С. 21-27.
  • Соловьев В.С. Криминологические исследования преступности несовершеннолетних в условиях цифровизации общества: ожидания и реальность / В.С. Соловьев. - EDN QAFBFP // Алтайский юридический вестник. - 2024. - № 1 (45). - С. 92-99.
  • Ищук Я.Г. Цифровая криминология / Я.Г. Ищук, Т.В. Пинкевич, Е.С. Смольянинов. - Москва : Изд-во Акад. упр. МВД РФ, 2021. - 244 с. -EDN VCKOEF.
  • Big Data in Investigating and Preventing Crimes / E. Bulgakova, V. Bulgakov, I. Trushchenkov [et al] // Big Data-driven World: Legislation Issues and Control Technologies / ed. A.G. Kravets. - Springer, 2019. - P. 61-69.
  • Манифест новой количественной криминологии «Уголовная политика с опорой на данные» / К.Д. Титаев, Д.А. Скугаревский, А.В. Кнорре [и др.]. - DOI 10.21638/11701/spbu14.2018.107. - EDN YTYBJA // Вестник Санкт-Петербургского университета. Право. - 2018. - Т. 9, № 1. - С. 91-101.
  • Молотникова А.А. Использование панельных данных для анализа криминогенной обстановки в федеральных округах России / А.А. Молотникова, Д.В. Звонкова. - EDN UEATNP // Наука и образование: хозяйство и экономика; предпринимательство; право и управление. - 2019. - № 1 (104). - С. 92-103.
  • Багманова Л.Р. Моделирование социальных факторов, влияющих на уровень преступности в г. Казани / Л.Р. Багманова. - EDN XTGKUP // Вестник современных исследований. - 2018. - № 5.1 (20). - С. 324-332.
  • Овчинский В. Как изучать организованную преступность в XXI веке / В. Овчинский // Изборский клуб. - 2018. - 14 мая. - URL: https://izborsk-club.ru/15222.
  • Canali S. Big Data, epistemology and causality: Knowledge in and knowledge out in Exposomics / S. Canali // Big Data & Society. - 2016. - URL: https://philpapers.org/archive/CANBDE.pdf.
  • Bonikowski B. Varieties of American Popular Nationalism / B. Bonikowski, P. DiMaggio // American Sociological Review. - 2016. - Vol. 81, no. 5. - P. 949-980.
  • Cederman, L.E. Predicting armed conflict : Time to adjust our expectations? / L.E. Cederman, N.B. Weidmann // Science. - 2017. - Vol. 355. - P. 474-476.
  • DiMaggio P. Exploiting affinities between topic modeling and the sociological perspective on culture: Application to newspaper coverage of U.S. government arts funding / P. DiMaggio, M. Nag, D. Blei // Poetics. - 2013. - Vol. 41, no. 6. - P. 570-606.
  • Chan J. Is Big Data Challenging Criminology? / J. Chan, L.B. Moses // University of New South Wales Law Research Series. - 2020. - No. 20-81. - URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3742536#.
  • Halterlein J. Epistemologies of predictive policing: Mathematical social science, social physics and machine learning / J. Halterlein. - DOI 10.1177/20539517211003118 // Big Data & Society. - 2021. - Vol. 8, no. 1. - P. 1-13.
  • Domingos P. The master algorithm : How the quest for the ultimate learning machine will remake our world / P. Domingos. - New York : Basic Books, 2015. - 360 p.
  • Donoho D. 50 Years of Data Science / D. Donoho // Journal of Computational and Graphical Statistics. - 2017. - Vol. 26, no. 4. - P. 745-766.
  • Crowdsourcing City Government : Using Tournaments to Improve Inspection Accuracy / E.L. Glaeser, A. Hillis, S.D. Kominers, M. Luca // American Economic Review. - 2016. - Vol. 106, no. 5. - P. 114-118.
  • Monika. Predictive Analytics of Crime Data in Social Media: A Systematic Review, Incorporating Framework, and Future Investigation Schedule / Monika, A. Bhat // SN Computer Science. - 2025. - Vol. 6, 11 March. - P. 270.
  • Taiwo G.A. Crime Prediction Using Twitter Sentiments and Crime Data / G.A. Taiwo, M. Saraee, J. Fatai. - DOI 10.31449/inf.v48i6.4749 // Informatica. - 2024. - Vol. 48, no. 6. - P. 35-42.
  • Jaber M. A model for predicting crimes using big data and neural‐fuzzy networks / M. Jaber, R. Sheibani, H. Shakeri. - DOI 10.1002/cpe.6985 // Concurrency and Computation: Practice and Experience. - 2022. - Vol. 34, no. 17.
  • Клюева И.А. Области применения интеллектуального анализа данных / И.А. Клюева. - DOI 10.5281/zenodo.5529200. - EDN IXAIWI // Инновационные научные исследования. - 2021. - № 7 (9). - С. 173-194.
  • Магомедтагиров М.М. Применение машинного обучения в социологии / М.М. Магомедтагиров, С.З. Айгубов, С.Р. Омарова. - DOI 10.26726/1812-7096-2019-12-233-239. - EDN ORMTTA // Региональные проблемы преобразования экономики. - 2019. - № 12 (110). - С. 233-239.
  • Шальнова Ю.П. Монетизация больших данных: технико-экономический анализ драйверов роста и издержек / Ю.П. Шальнова. - DOI 10.18413/2687-0932-2020-43-3-491-500. - EDN HMKZPG // Экономика. Информатика. - 2020. - 47 (3). С. 491-500.
  • Нгуен Нгок Зыонг. Методики и алгоритмы извлечения знаний из реляционных баз данных на основе семантики предметной области : автореф. дис. … канд. техн. наук : 05.13.17 / Нгуен Нгок Зыонг. - Пенза, 2020. - 17 c.
  • Белов В.А. Методики анализа форматов хранения и глобально распределенной обработки больших объемов данных : автореф. дис. … канд. техн. наук : 2.3.5 / В.А. Белов. - Москва, 2023. - 17 c.