Цифровые технологии поддержки принятия решений в юриспруденции: психологический профиль и доверие пользователей
EDN: IJDDMP
Аннотация
Системы поддержки принятия решений (СППР) представляют собой перспективную технологию на основе искусственного интеллекта (ИИ). На данный момент подобные системы используются в ряде сфер и отраслей экономики, однако область юриспруденции остается одной из наиболее сложных для их внедрения.
Цель данной работы состоит в анализе психологических аспектов взаимодействия пользователя и ИИ в рамках упомянутых систем. На основе анализа существующих моделей взаимодействия человека и технологий, а также авторской методологии представлен дизайн исследования.
Представлены результаты фокус-группы с экспертами органов исполнительной и судебной власти (N = 8): место СППР в работе юриста, польза и сомнения в ходе использования подобных систем. Выделены параметры, значимые для профилирования и дальнейшей адаптации систем к конкретному пользователю.
Также в статье обсуждаются перспективы и вопросы внедрения СППР в практике правоприменения.
Об авторах
А. Ю. Кузьмин
Санкт-Петербургский государственный университет
Россия
Россия
Кузьмин Андрей Юрьевич, ассистент кафедры психологии труда и организационной психологии факультета психологии
Санкт-Петербург
О. О. Гофман
Санкт-Петербургский государственный университет
Россия
Россия
Гофман Ольга Олеговна, кандидат психологических наук, доцент кафедры психологии труда и организационной психологии факультета психологии
Санкт-Петербург
С. В. Ковальчук
Университет ИТМО
Россия
Россия
Ковальчук Сергей Валерьевич, кандидат технических наук, доцент факультета технологий искусственного интеллекта, старший научный сотрудник национального центра когнитивных разработок
Санкт-Петербург
Список литературы
1. Гофман О. О., Кузьмин А. Ю., Ковальчук С. В. Симбиотическое взаимодействие «человек — искусственный интеллект» в системах поддержки принятия решений // Организационная психология. 2025. Т. 15. № 1. С. 297–321. DOI 10.17323/2312-5942-2025-15-1-297-321.
2. Canalli R. L. Interpretable AI Models for Judicial Decision-Making: Beyond Explicability Towards Legal Due Process. e-Publica. 2024. N 11. P. 117–129.
3. Dafoe A. et al. Cooperative AI: machines must learn to find common ground // Nature. 2021. Vol. 593. N 7857. P. 33–36.
4. Davis F. D., Bagozzi R. P., Warshaw P. R. User acceptance of computer technology: A comparison of two theoretical models // Management science. 1989. Vol. 35. N 8. P. 982–1003.
5. Deeks A. The judicial demand for explainable artificial intelligence // Columbia Law Review. 2019. Vol. 119. N 7. P. 1829–1850.
6. Fragiadakis G. et al. Evaluating human-ai collaboration: A review and methodological framework // arXiv preprint arXiv: 2407.19098. 2024.
7. Gupta M., George J. F. Toward the development of a big data analytics capability // Information & Management. 2016. Vol. 53. Iss. 8. P. 1049–1064.
8. Kim T. et al. One AI does not fit all: A cluster analysis of the laypeople’s perception of AI roles // Proceedings of the 2023 CHI conference on human factors in computing systems. 2023. P. 1–20.
9. Kochenderfer M. J., Wheeler T. A., Wray K. H. Algorithms for decision making. MIT Press, 2022.
10. Lake B. M. et al. Building machines that learn and think like people // Behavioral and brain sciences. 2017. Vol. 40. P. e253.
11. Lee E. A. Cyber physical systems: Design challenges // 2008 11th IEEE international symposium on object and component-oriented real-time distributed computing (ISORC). IEEE, 2008. P. 363–369.
12. Maclure J. AI, explainability and public reason: The argument from the limitations of the human mind // Minds and Machines. 2021. Vol. 31. N 3. P. 421–438.
13. Malek M. A. Transparency in Predictive Algorithms: A Judicial Perspective. Advance. 2021. P. 1–13.
14. Shamim S., Zeng J., Shariq S. M., Khan Z. Role of big data management in enhancing big data decision-making capability and quality among Chinese firms: A dynamic capabilities view // Information & Management. 2019. Vol. 56. N 6. P. 103135.
15. Shelar A., Moharir M. Predicting Outcomes of Court Judgments — A Machine Learning Approach. In: Proceedings of the 2021 International Conference on Intelligent Technologies (CONIT), Hubli, India, 25–27 June 2021. P. 1–6.
16. Sreedharan S. et al. A Unifying Bayesian Formulation of Measures of Interpretability in HumanAI // arXiv preprint arXiv: 2104.10743. 2021.
17. Tabesh P., Mousavidin E., Hasani S. Implementing big data strategies: A managerial perspective // Business Horizons. 2019. Vol. 62. N. 3. P. 347–358.
18. Venkatesh V. et al. User acceptance of information technology: Toward a unified view // MIS quarterly. 2003. P. 425–478.
19. Venkatesh V., Davis F. D. A theoretical extension of the technology acceptance model: Four longitudinal field studies // Management science. 2000. Vol. 46. N 2. P. 186–204.
20. Xu Z. Human judges in the era of artificial intelligence: challenges and opportunities // Applied Artificial Intelligence. 2022. Vol. 36. N 1. P. 2013652.
Рецензия
Для цитирования:
Кузьмин А.Ю., Гофман О.О., Ковальчук С.В. Цифровые технологии поддержки принятия решений в юриспруденции: психологический профиль и доверие пользователей. Управленческое консультирование. 2025;(5):106–114. EDN: IJDDMP
For citation:
Kuzmin A.Yu., Gofman O.O., Kovalchuk S.V. Digital Decision Support Technologies in Legal Practice: Psychological Profile and User Trust. Administrative Consulting. 2025;(5):106–114. (In Russ.) EDN: IJDDMP
Просмотров:
8
Контент доступен под лицензией Creative Commons «Attribution-ShareAlike» («Атрибуция-СохранениеУсловий») 4.0 Всемирная.
Послать статью по эл. почте 