Напоминание

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические основы подготовки специалистов


Автор: Троцюк Наталия Викторовна
Должность: преподаватель
Учебное заведение: КМЭПТ
Населённый пункт: Москва
Наименование материала: научная статья
Тема: Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические основы подготовки специалистов
Раздел: среднее профессиональное





Назад




Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

Искусственный интеллект и большие данные в розыске

должников и их имущества: научно-методические основы

подготовки специалистов

Аннотация

Актуальность статьи обусловлена стремительным внедрением технологий

искусственного интеллекта и анализа больших данных в практику

принудительного исполнения судебных актов, что требует пересмотра

традиционных подходов к профессиональной подготовке юристов и

специалистов службы взыскания. Проблема состоит в разрыве между

возможностями современных цифровых инструментов розыска должников и

имущества и недостаточной методической проработкой вопросов их освоения в

образовательном процессе высшей школы и дополнительного

профессионального образования. Цель статьи — обосновать научно-

методические основы формирования компетенций работы с интеллектуальными

системами розыска на основе анализа теоретических положений юридической

информатики, теории деятельности и практики исполнительного производства.

В работе раскрыты ключевые понятия, этапы и алгоритмы использования

искусственного интеллекта и больших данных при установлении

местонахождения должника и его активов. Главный вывод состоит в том, что

эффективная подготовка специалистов должна строиться на интеграции

правовых, информационно-технологических и аналитических модулей с опорой

на деятельностный подход и решение профессионально ориентированных задач.

Страница

1

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

Ключевые слова

искусственный интеллект, большие данные, розыск должника,

исполнительное производство, цифровая трансформация, юридическое

образование, информационные технологии, аналитика данных, компетенции

специалиста, методика обучения

Введение

Цифровая трансформация государственного управления и

правоприменительной практики в последние годы существенно изменила

характер профессиональной деятельности юриста. Особенно заметны эти

изменения в сфере исполнительного производства, где розыск должников и их

имущества долгое время оставался одним из наиболее трудоемких и

малоэффективных этапов. Традиционные способы установления

местонахождения гражданина или принадлежащих ему активов требовали

значительных временных затрат, направления множества запросов в различные

органы и организации, ручного сопоставления разнородных сведений.

Появление и развитие технологий искусственного интеллекта, а также

накопление огромных массивов цифровых данных принципиально изменили

ситуацию, открыв возможности для автоматизированного поиска,

прогнозирования и выявления скрытых связей.

Актуальность темы определяется несколькими взаимосвязанными

факторами. Во-первых, наблюдается устойчивый рост количества

исполнительных производств при одновременном усложнении схем сокрытия

имущества должниками. Во-вторых, государственные информационные

системы, банковские базы данных, реестры недвижимости, операторы связи и

цифровые платформы накопили объемы сведений, обработка которых вручную

невозможна. В-третьих, рынок юридических услуг и государственная служба

Страница

2

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

нуждаются в специалистах, способных не просто пользоваться готовыми

программными продуктами, но понимать принципы работы интеллектуальных

алгоритмов, оценивать достоверность получаемых результатов и принимать

юридически значимые решения на основе аналитических выводов.

Вместе с тем в системе профессионального образования обнаруживается

явное противоречие. С одной стороны, образовательные стандарты по

направлению юриспруденция все больше ориентируют на формирование

цифровых компетенций. С другой стороны, методическое обеспечение

подготовки в области применения искусственного интеллекта именно в розыске

должников и их имущества остается фрагментарным. Учебные курсы зачастую

ограничиваются общими сведениями о правовом регулировании цифровых

технологий, а практические аспекты работы с аналитическими платформами,

алгоритмами скоринга и предсказательного моделирования рассматриваются

поверхностно. Не решен вопрос о том, каким образом строить обучение, чтобы

будущий специалист мог осмысленно применять интеллектуальные

инструменты, понимая их ограничения и правовые риски.

Цель настоящей статьи состоит в обосновании научно-методических

подходов к подготовке специалистов, владеющих технологиями искусственного

интеллекта и больших данных применительно к задачам розыска должников и

их имущества. Для достижения цели необходимо раскрыть содержание базовых

понятий, описать основные направления практического применения

интеллектуальных систем в исполнительном производстве, выделить ключевые

профессиональные компетенции и предложить методические ориентиры для

организации обучения студентов юридических направлений и слушателей

программ повышения квалификации.

Страница

3

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

Теоретические основы применения искусственного интеллекта и

больших данных в розыске должников

Понятие розыска должника и его имущества в исполнительном

производстве

Розыск должника и его имущества представляет собой комплекс

юридических и фактических действий, направленных на установление

местонахождения обязанного лица, а также выявление принадлежащих ему

денежных средств, недвижимого и движимого имущества, имущественных прав

и иных активов, на которые может быть обращено взыскание. В правовом

смысле розыск является обеспечительным механизмом исполнительного

производства, позволяющим преодолеть уклонение должника от исполнения

судебного акта или акта иного уполномоченного органа.

Традиционно розыскные мероприятия включают направление запросов в

регистрирующие органы, кредитные организации, налоговые службы,

операторам связи, в пенсионные и миграционные подразделения. Полученные

сведения сопоставляются вручную или с помощью простейших программных

средств. Результативность такого подхода напрямую зависит от опыта

конкретного сотрудника, полноты охвата источников и скорости обработки

информации. При этом значительная часть сведений остается разрозненной, а

связи между объектами неочевидными.

Современный этап цифровизации позволяет рассматривать розыск не как

серию отдельных запросов, а как непрерывный аналитический процесс,

основанный на интеграции множества информационных источников. В этом

процессе ключевую роль приобретают технологии искусственного интеллекта,

под которым в юридической информатике понимается комплекс методов и

программных средств, имитирующих отдельные познавательные функции

Страница

4

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

человека: распознавание образов, обучение на данных, построение логических

выводов, прогнозирование.

Большие данные как информационная основа интеллектуального розыска

Большие данные в контексте исполнительного производства

представляют собой структурированные и неструктурированные массивы

сведений о лицах, объектах, событиях и транзакциях, характеризующиеся

значительным объемом, высокой скоростью обновления и разнообразием

форматов. Источниками таких данных выступают государственные реестры и

кадастры, банковские системы, данные операторов связи и интернет-

провайдеров, сведения из социальных сетей и мессенджеров, информация о

маркетплейсах, транспортных средствах, объектах интеллектуальной

собственности, корпоративных реестрах.

Применение методов анализа больших данных позволяет решать задачи,

которые ранее считались практически невыполнимыми. К ним относятся

выявление неявных связей должника с третьими лицами, обнаружение

признаков фиктивного отчуждения имущества, установление фактического

места проживания по косвенным цифровым следам, оценка

платежеспособности и прогнозирование вероятности добровольного

исполнения требований. Важным свойством больших данных является их

способность накапливаться в реальном времени, что делает возможным

мониторинг изменения имущественного положения должника на протяжении

всего исполнительного производства.

В теоретическом плане работа с большими данными опирается на

положения информатики, статистики, теории вероятностей, а также на методы

машинного обучения. Для юридического осмысления этих процессов

продуктивным оказывается обращение к идеям Л.С. Выготского о знаковом

Страница

5

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

опосредствовании психической деятельности, которые в адаптированном виде

позволяют рассматривать информационные системы как знаковые

инструменты, усиливающие познавательные возможности специалиста. Не

менее значимы положения теории деятельности А.Н. Леонтьева, согласно

которым овладение профессиональным действием происходит через включение

обучающегося в деятельность, моделирующую реальные производственные

ситуации.

Компетентностная модель специалиста по цифровому розыску

Современный специалист, занимающийся розыском должников и их

имущества, должен обладать интегративной совокупностью правовых и

информационно-аналитических компетенций. Анализ методической литературы

последних лет и практических требований работодателей позволяет выделить

несколько ключевых блоков такой компетентностной модели.

Первый блок связан с правовым обеспечением розыскной деятельности.

Специалист обязан знать нормы законодательства об исполнительном

производстве, о персональных данных, о банковской тайне, о доступе к

государственным информационным ресурсам. Второй блок охватывает

информационно-технологическую грамотность: понимание принципов работы

баз данных, алгоритмов машинного обучения, методов интеллектуального

анализа текстов, основ визуализации данных. Третий блок составляют

аналитические компетенции, позволяющие ставить задачи для алгоритмической

обработки, интерпретировать полученные результаты, оценивать достоверность

и полноту цифровых следов. Четвертый блок включает этические и правовые

аспекты применения искусственного интеллекта, в том числе вопросы

недопустимости дискриминации, защиты приватности и ответственности за

решения, принятые на основе автоматизированных рекомендаций.

Страница

6

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

Практика и методика подготовки специалистов по

интеллектуальному розыску должников

Основные направления применения искусственного интеллекта в розыске

Практическое использование интеллектуальных систем в исполнительном

производстве развивается по нескольким направлениям. Прежде всего это

автоматизированное сопоставление сведений из различных государственных и

коммерческих источников. Интеллектуальный алгоритм способен в течение

нескольких секунд сформировать сводную карточку должника, объединив

данные о регистрации по месту жительства, налоговых отчислениях,

банковских счетах, зарегистрированных транспортных средствах, объектах

недвижимости, участии в юридических лицах, актах гражданского состояния.

Такая карточка становится отправной точкой для дальнейших розыскных

действий.

Второе направление — выявление скрытых связей и построение графов

социального и имущественного окружения. Здесь применяются методы

сетевого анализа и теории графов. Система анализирует совместное упоминание

лиц в адресах, телефонных контактах, сделках, корпоративных структурах и на

этой основе выявляет вероятных бенефициаров, номинальных владельцев,

аффилированных лиц, а также цепочки отчуждения активов. Например, если

должник незадолго до вступления решения суда в законную силу продал

автомобиль родственнику, алгоритм способен сопоставить даты сделки,

родственную связь и последующее поведение сторон, пометив такую операцию

как потенциально подозрительную.

Третье направление — поведенческая аналитика и предсказательное

моделирование. На основе исторических данных о тысячах исполнительных

производств обучаются модели, прогнозирующие вероятность обнаружения

имущества у конкретного должника, вероятность выезда за границу,

Страница

7

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

вероятность смены места жительства, вероятность добровольного погашения

задолженности при различных сценариях взаимодействия. Такие модели

позволяют приставу или взыскателю рационально распределять ограниченные

ресурсы, концентрируя усилия на наиболее перспективных производствах.

Четвертое направление — обработка естественного языка для анализа

неструктурированных текстов. Судебные акты, договоры, переписка,

объявления, публикации в социальных сетях содержат значительный объем

полезной информации, извлечение которой вручную крайне затруднительно.

Алгоритмы обработки текстов позволяют находить упоминания о фактах

владения имуществом, о планируемых сделках, о местонахождении лица, а

также выявлять эмоциональную окраску высказываний, свидетельствующую о

намерении уклониться от исполнения обязательств.

Пример практической задачи для учебного процесса

В качестве иллюстрации методики обучения целесообразно привести

типовую учебную задачу, моделирующую фрагмент реальной работы с

интеллектуальной аналитической системой. Обучающемуся предлагается

следующая исходная ситуация: гражданин С. является должником по

алиментным обязательствам на сумму 480 тысяч рублей; по месту регистрации

он не проживает; официальный доход отсутствует; по данным банков, движение

по счетам не осуществляется; в социальных сетях обнаружены фотографии с

геотегами, указывающими на регулярное нахождение в другом регионе; в

открытых источниках найдены объявления о сдаче в аренду квартиры,

контактный номер которой принадлежит должнику; по данным оператора связи,

в ночное время телефон абонента чаще всего подключается к базовым

станциям, расположенным вблизи одного из жилых комплексов.

Страница

8

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

Задание состоит в том, чтобы, используя учебную аналитическую

платформу, студент построил схему связей, обосновал вывод о фактическом

месте проживания должника, выявил вероятный источник дохода и предложил

юридически корректные действия по аресту имущества. В процессе выполнения

задачи обучающийся осваивает операции запроса данных, настройки фильтров,

визуализации графов, интерпретации результатов алгоритмической обработки и

соотнесения их с нормами права.

Данный пример построен в полном соответствии с логикой

деятельностного подхода: студент не получает готового утверждения, а

самостоятельно проходит путь от исходных разрозненных сведений к

юридически значимому выводу. Роль преподавателя при этом смещается от

трансляции знаний к организации поисковой активности и экспертной оценке

принимаемых решений.

Этапы методики формирования компетенций

Методика обучения должна строиться поэтапно, с постепенным

усложнением учебных задач. На первом этапе обучающиеся осваивают базовые

понятия и правовые ограничения: что такое персональные данные, какие

сведения относятся к охраняемой законом тайне, в каких пределах судебный

пристав-исполнитель вправе использовать информационные системы, какие

требования предъявляются к доказательствам, полученным с помощью

цифровых технологий. Здесь уместны лекционные занятия, разбор нормативных

актов и обсуждение реальных судебных дел, связанных с оспариванием

действий приставов.

Второй этап предполагает инструментальную подготовку. Обучающиеся

знакомятся с интерфейсами учебных версий аналитических платформ, учатся

формировать запросы, работать с таблицами, строить диаграммы и графы

Страница

9

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

связей. Важно, чтобы на этом этапе студент не просто запоминал

последовательность нажатий, а понимал, какой именно алгоритм стоит за той

или иной функцией, какие данные система использует, какие возможны

ошибки. Для этого полезны лабораторные работы с искусственно

сконструированными наборами данных, позволяющие заранее задать известные

скрытые закономерности и проверить, насколько точно обучающийся их

обнаруживает.

Третий этап — аналитико-проектный. Он ориентирован на решение

комплексных кейсов, приближенных к реальной практике. Здесь студенты

работают в малых группах, каждая из которых получает собственную учебную

ситуацию с массивом данных. Задача включает несколько подзадач: постановку

розыскной цели, определение необходимых источников информации, настройку

алгоритмических инструментов, интерпретацию результатов, подготовку

мотивированного заключения и презентацию выводов. Обсуждение результатов

в межгрупповом формате позволяет акцентировать внимание на

неоднозначности аналитических выводов и необходимости юридической

проверки каждого шага.

Четвертый этап — рефлексивно-оценочный. Обучающиеся анализируют

собственные решения, выявляют допущенные ошибки, сравнивают различные

стратегии розыска, оценивают эффективность примененных алгоритмов. На

этом этапе целесообразно использовать оценочные рубрики, включающие

критерии полноты учета правовых ограничений, корректности работы с

данными, обоснованности выводов, ясности представления результатов.

Учет возрастных и профессиональных особенностей обучающихся

Поскольку целевой аудиторией в рамках настоящей статьи являются

студенты юридических направлений высшего образования и слушатели

Страница

10

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

программ дополнительного профессионального образования, методика должна

учитывать специфику взрослой аудитории. Взрослые обучающиеся, как

правило, обладают сформированным правовым мышлением, жизненным

опытом и профессиональной мотивацией. Они ориентированы на практическую

полезность получаемых знаний и скептически воспринимают абстрактные

теоретические построения. Поэтому обучение целесообразно строить

преимущественно на разборе конкретных производственных ситуаций, а

теоретический материал вводить по мере возникновения практической

необходимости.

Существенное значение имеет разный исходный уровень цифровой

подготовки. Часть обучающихся уверенно пользуется информационными

системами, другая испытывает затруднения даже при работе с электронными

таблицами. Методически оправданным является вводное диагностическое

тестирование, по результатам которого формируются подгруппы с разным

темпом продвижения. При этом необходимо избегать ситуации, когда

технически подготовленные студенты уходят в сугубо алгоритмические детали,

упуская правовую составляющую, а юристы с недостаточными цифровыми

навыками сосредотачиваются только на нормативных аспектах.

Использование учебных наборов данных и симуляторов

Важным методическим условием является использование специально

подготовленных учебных наборов данных, воспроизводящих структуру

реальных информационных массивов, но не содержащих подлинных

персональных данных. Такие наборы позволяют моделировать разнообразные

поисковые ситуации без риска нарушения законодательства о защите

информации. Учебный набор должен включать несколько взаимосвязанных

таблиц: сведения о должниках, объектах недвижимости, транспортных

Страница

11

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

средствах, банковских счетах, телефонных контактах, историях транзакций.

Каждая таблица содержит специально внесенные закономерности и аномалии,

которые студенты должны обнаружить.

Симуляторы интеллектуальных поисковых систем обеспечивают

возможность многократного повторения действий, экспериментирования с

параметрами алгоритмов и наблюдения за изменением результатов. В отличие

от работы с реальными системами, учебный симулятор позволяет

преподавателю задавать сценарии, в которых алгоритм выдает заведомо

неполные или ошибочные результаты. Это формирует у обучающихся

критическое отношение к автоматизированным выводам и привычку проверять

их через дополнительные источники.

Специфика правового регулирования и этические аспекты

Применение искусственного интеллекта и больших данных в розыске

должников не может рассматриваться исключительно в технологическом

ключе. Любое использование интеллектуальных систем в правоприменительной

практике должно соответствовать конституционным гарантиям прав граждан,

требованиям законодательства о персональных данных, о банковской тайне, о

частной жизни. В этой связи научно-методическая подготовка специалистов

обязательно включает модуль, посвященный правовым и этическим

ограничениям.

Центральным вопросом является правомерность обработки больших

объемов сведений о должнике и связанных с ним лицах. Принципы

минимизации данных, целевого использования, прозрачности алгоритмов

требуют, чтобы каждая операция с персональными данными имела законное

основание и была соразмерна цели розыска. Особую сложность представляет

использование сведений из открытых источников, например социальных сетей.

Страница

12

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

Формально такие данные являются общедоступными, однако их

автоматизированный сбор и анализ для целей исполнительного производства

могут затрагивать права не только должника, но и третьих лиц, не имеющих

отношения к обязательству.

Этические проблемы связаны с риском алгоритмической дискриминации,

с возможной предвзятостью обучающих выборок, с непрозрачностью

рекомендаций, формируемых сложными моделями машинного обучения. В

учебном процессе необходимо целенаправленно формировать у будущих

специалистов установку на то, что интеллектуальная система является

вспомогательным инструментом, а окончательное юридическое решение

принимает человек. Автоматизированный вывод не может служить

единственным основанием для ограничения прав должника без проверки и

подтверждения его традиционными юридическими средствами.

Эффективность обучения: критерии и показатели

Оценка результативности подготовки специалистов по цифровому

розыску должна опираться на четкие критерии, соответствующие структуре

формируемых компетенций. В таблице ниже представлены основные критерии

и типовые показатели, которые могут использоваться в текущем и итоговом

контроле.

Критерий

Начальный

уровень

Базовый

уровень

Продвинутый

уровень

Навыки работы

с аналитическими

инструментами

Требует

постоянной помощи

преподавателя

Выполняет

основные операции с

незначительными

затруднениями

Самостоятельн

о настраивает запросы

и интерпретирует

результаты

Аналитическая

обоснованность

Выводы не

связаны с данными

Выводы в

целом логичны, но не

Выводы

системны, полны,

Страница

13

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

выводов

или содержат

логические ошибки

всегда подтверждены

всеми доступными

сведениями

подтверждены

данными и содержат

оценку достоверности

Этическая

осознанность

Не видит

этических проблем

автоматизированного

анализа

Отмечает

отдельные этические

коллизии

Системно

оценивает риски и

предлагает меры по их

минимизации

Таблица 1

Опыт применения описанной методики в пилотных группах показывает,

что наибольшие затруднения у обучающихся вызывают именно аналитическая

обоснованность и этическая осознанность, а не технические навыки работы с

интерфейсами. Это подтверждает необходимость смещения методического

акцента с чисто инструментальной подготовки на развитие аналитического

мышления и правовой рефлексии.

Типовые ошибки обучающихся и способы их предупреждения

В процессе обучения выявляются устойчивые группы ошибок. Первая

группа связана с переоценкой возможностей алгоритма: студенты склонны

воспринимать результаты автоматизированного анализа как окончательную

истину, не подвергая их критической проверке. Вторая группа ошибок

относится к недооценке правовых ограничений: обучающиеся предлагают

использовать источники, доступ к которым требует специальных полномочий,

либо не учитывают режим охраняемой законом тайны. Третья группа —

ошибки логической интерпретации, когда корреляция принимается за

причинно-следственную связь, а совпадение по одному признаку трактуется как

доказательство аффилированности.

Предупреждение этих ошибок возможно через специально

сконструированные учебные ситуации, в которых алгоритм выдает

Страница

14

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

правдоподобный, но неверный результат. Например, система может указать на

высокую вероятность нахождения должника в определенном месте, однако

дополнительные сведения опровергают эту гипотезу. Разбор подобных

ситуаций формирует привычку сомневаться и проверять автоматизированные

выводы через альтернативные источники. Полезно также введение в учебные

задания избыточных и противоречивых данных, требующих от обучающегося

принятия решения о том, какие сведения считать достоверными, а какие

отбросить или перепроверить.

Перспективы развития методики и междисциплинарная интеграция

Дальнейшее развитие методики подготовки специалистов по применению

искусственного интеллекта в розыске должников связано с усилением

междисциплинарной интеграции. Необходимо объединение усилий

преподавателей юридических, информационно-технологических и

математических дисциплин. Перспективным представляется создание

совместных учебных модулей, в которых разбор правовой задачи

сопровождается немедленной реализацией ее решения средствами анализа

данных.

Важным направлением является включение в учебный процесс элементов

научно-исследовательской работы. Студенты могут участвовать в разработке и

апробации учебных наборов данных, в оценке качества алгоритмов, в анализе

этических коллизий. Такая деятельность способствует формированию не только

потребительских навыков работы с готовыми системами, но и способности к

постановке новых задач, к критической оценке технологических решений.

Технологические изменения требуют регулярного обновления содержания

обучения. Алгоритмы машинного обучения развиваются стремительно,

появляются новые методы обработки естественного языка, совершенствуются

Страница

15

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

системы распознавания образов. Учебные программы должны быть гибкими и

предусматривать возможность оперативного включения новых тем без ущерба

для фундаментальной юридической подготовки.

Заключение

Проведенный анализ показывает, что искусственный интеллект и большие

данные существенно расширяют возможности розыска должников и их

имущества, превращая данный этап исполнительного производства из

рутинного набора запросов в аналитический процесс, основанный на

интеграции разнородных цифровых сведений. Вместе с тем эффективное

применение этих технологий невозможно без целенаправленной подготовки

специалистов, владеющих одновременно правовыми знаниями,

инструментальными навыками и аналитическим мышлением.

Научно-методические основы такой подготовки должны строиться на

принципах деятельностного подхода, предполагающего освоение

профессиональных действий через решение практико-ориентированных задач в

условиях, моделирующих реальную работу с данными. Поэтапная методика,

включающая освоение правовых ограничений, инструментальных навыков,

комплексного анализа и рефлексии, позволяет последовательно формировать

необходимые компетенции, избегая как техноцентрического уклона, так и

отрыва от юридической природы розыскной деятельности.

Особое значение имеет формирование у обучающихся критического

отношения к автоматизированным выводам и этической осознанности.

Интеллектуальная система должна восприниматься не как замена

профессионального суждения, а как инструмент, усиливающий аналитические

возможности специалиста. Только при таком подходе достигается баланс между

технологической эффективностью и соблюдением прав граждан, что является

Страница

16

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

главным критерием качества правоприменительной деятельности в цифровую

эпоху.

Список литературы

Выготский Л.С. Мышление и речь. М.: Просвещение, 1982.

Леонтьев А.Н. Деятельность. Сознание. Личность. М.: Смысл, 2005.

Рубинштейн С.Л. Основы общей психологии. СПб.: Питер, 2015.

Федеральный закон от 02.10.2007 № 229-ФЗ «Об исполнительном

производстве» (с последующими изменениями).

Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных» (с

последующими изменениями).

Цифровое право: учебник для вузов / под общ. ред. А.В. Минбалеев а. М.:

Юрайт, 2023.

Информационные технологии в юридической деятельности: учебное

пособие / под ред. С.Г. Чубуковой. М.: Кнорус, 2024.

Актуальные проблемы исполнительного производства: сборник научных

трудов. СПб.: Юридический центр, 2023.

Правовая информатика: учебник для вузов / под ред. О.А. Городова. М.:

Проспект, 2022.

Искусственный интеллект в правосудии и правоприменении: экспертно-

аналитический обзор. М.: Институт законодательства и сравнительного

правоведения при Правительстве РФ, 2024.

Практика применения информационных систем в органах

принудительного исполнения: материалы научно-практической конференции.

Екатеринбург: Уральский юридический институт, 2023.

Страница

17

Искусственный интеллект и большие данные в розыске должников и их имущества: научно-методические

основы подготовки специалистов

Педагогика высшей школы: цифровые образовательные технологии:

учебное пособие. М.: Академия, 2023.

Страница

18



В раздел образования