Информационно - коммуникационные и химические технологии

Том_ 4 № 29 (2025) / 2025-12-30 / Кол. просмотров: 192

РАЗРАБОТКА МОДЕЛИ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОВЕДЕНИЯ КРИМИНАЛИСТИЧЕСКОГО АНАЛИЗА ТЕКСТОВЫХ ДАННЫХ

Авторы

Евразийский национальный университет им. Л.Н. Гумилева
https://orcid.org/0009-0002-3377-7003
Евразийский национальный университет им. Л.Н. Гумилева
https://orcid.org/0000-0001-5152-147X
Astana IT University
https://orcid.org/0000-0002-5715-4954
Российская академия наук, Федеральный научно-исследовательский центр
https://orcid.org/0000-0002-7935-0569

Ключевые слова

текстовые данные, криминалистика, искусственный интеллект, глубокое обучение, LSTM, внимание, лингвистический анализ.

DOI ссылка:

https://doi.org/10.58805/kazutb.v.4.29-1243

Как цитировать

Құттыбек, А.А., и др. «РАЗРАБОТКА МОДЕЛИ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОВЕДЕНИЯ КРИМИНАЛИСТИЧЕСКОГО АНАЛИЗА ТЕКСТОВЫХ ДАННЫХ». Вестник КазУТБ, т. 4, вып. 29, декабрь 2025 г., doi:10.58805/kazutb.v.4.29-1243.

Аннотация

В данной статье рассматривается использование технологий искусственного интеллекта и глубоких нейронных сетей для интеллектуального анализа и автоматической криминалистической экспертизы текстовых данных. В настоящее время стремительный рост объёма информации в сети Интернет и широкое распространение социальных сетей создают серьёзные задачи по обработке и анализу данных для правоохранительных органов. В ходе расследований и судебных экспертиз цифровые доказательства всё чаще содержат текстовые материалы, поэтому их автоматическая обработка и криминалистическая оценка являются актуальным направлением исследований.

Целью работы является разработка модели глубокой нейронной сети, способной выявлять признаки правонарушений, агрессивные или экстремистские элементы в текстовых данных. В статье предлагается модель, основанная на архитектуре LSTM и механизме Attention, что позволяет эффективно анализировать семантическую структуру, контекстные связи и эмоциональную окраску текстов на казахском языке.

На этапе предварительной обработки данные проходят токенизацию, очистку от шумов и символов, а также векторизацию с использованием методов TF-IDF и Word2Vec. Результат превосходит показатели классических алгоритмов, таких как логистическая регрессия и SVM.

Предложенная методика позволяет ускорить и повысить точность анализа доказательственных материалов при проведении криминалистических экспертиз. Это является важным шагом в направлении автоматизации расследований, облегчения работы судебных экспертов и снижения влияния человеческого фактора. Полученные результаты могут быть использованы при дальнейшем развитии интеллектуальных экспертных систем, расширении корпуса криминалистических текстов на казахском языке и совершенствовании приложений искусственного интеллекта в сфере правопорядка.