Artificial Intelligence in Pre-Trial Investigation of Criminal Cases: Some Issues of International Practice
Notice bibliographique
Résumé
It is indicated that the integration of artificial intelligence (AI) technologies into various aspects of public life opens up new horizons and at the same time creates serious challenges for the legal system, in particular in the field of criminal proceedings. Although the use of AI systems at the stage of pre-trial investigation significantly increases the efficiency and effectiveness of solving crimes, it also gives rise to a complex of complex issues of a legal, ethical and procedural nature. The article examines some aspects of the international practice of introducing artificial intelligence technologies into pre-trial investigation of criminal cases. The main approaches to legal regulation of the use of artificial intelligence systems in criminal proceedings of various countries, in particular the USA, Great Britain, Japan, Canada, France, the Netherlands, Singapore and Australia, are analyzed. Particular attention is paid to the analysis of US legislation, which has created a comprehensive system of legal regulation and control over the use of artificial intelligence in law enforcement activities. Key regulatory and legal acts are considered: the Electronic Communications Privacy Act, the Foreign Intelligence Surveillance Act and the USA PATRIOT Act, which establish the legal framework for the application of AI technologies in pre-trial investigation. Mechanisms of judicial, parliamentary and departmental control over the use of AI systems in criminal proceedings are studied. Considerable attention is paid to the ethical aspects of the implementation of artificial intelligence in law enforcement activities. The experience of different countries in creating specialized institutions and developing ethical codes of practice for the use of AI is analyzed. The main principles of the ethical application of AI technologies in pre-trial investigation are identified: transparency of the decision-making process, protection of privacy, ensuring accountability and building public trust. The results of the study identify a trend towards the formation of a comprehensive approach to regulating the use of AI, combining legal control mechanisms with ethical standards. The need to ensure a balance between increasing the efficiency of the investigation using AI technologies and protecting the rights of participants in criminal proceedings is substantiated.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,075 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,008 | 0,050 |
| Communication savante | 0,020 | 0,016 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,015 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».