ЗАПОБІГАННЯ ХИБНОМУ КАТЕГОРИЧНОМУ ВИСНОВКУ ПРИ ЗАСТОСУВАННІ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ У СУДОВО-ЕКСПЕРТНІЙ ДІЯЛЬНОСТІ

Автор(и)

  • Галина Кривоножко Київське відділення Національного наукового центру «Інститут судових експертиз ім. засл. проф. М. С. Бокаріуса» Міністерства юстиції України https://orcid.org/0000-0002-7635-541X
  • Олексій Собін Науково-дослідний центр судової експертизи у сфері інформаційних технологій та інтелектуальної власності Міністерства юстиції України https://orcid.org/0000-0003-4653-5986

DOI:

https://doi.org/10.32782/forensic.science.2026.4.11

Ключові слова:

велика мовна модель, категоричний висновок, перевірка, професійна помилка, судова експертиза, контроль якості

Анотація

Застосування великих мовних моделей у судово-експертній діяльності створює специфічний ризик: правдоподібна, але неперевірена відповідь може бути використана на наступних етапах дослідження і вплинути на формування категоричного висновку. Помилка може статися під час добору та тлумачення джерел, підготовки змісту, редагування, перевірки, технічного опрацювання або формування кінцевого цифрового документа. Тому проблема полягає не лише в окремій помилці мовної моделі, а в запобіганні тому, щоб неперевірена інформація стала підставою для остаточної категоричної відповіді. Метою статті є обґрунтування умов організації контролю, спрямованого на запобігання хибному категоричному висновку під час використання великих мовних моделей у судово-експертній діяльності. Методологічну основу становлять узагальнення практичного досвіду роботи з мовними моделями у складних аналітичних і документальних завданнях, аналіз типових помилок і причин, з яких наявний контроль їх не виявляв, а також зіставлення отриманих висновків із сучасними дослідженнями 2025–2026 років. Роботу з мовною моделлю запропоновано розглядати як послідовність професійно значущих етапів, перехід між якими допускається лише після підтвердження визначених вимог. Можливість відтворити перебіг роботи за журналом виконання відокремлено від професійної перевірки: журнал допомагає встановити послідовність дій і шукати причину помилки, а контрольна точка визначає, чи може результат бути використаний на наступній стадії експертного дослідження. Виокремлено шість типових груп помилок і відмов контролю: використання непідтвердженого об’єкта або джерела; неправильне застосування достовірної інформації; змішування джерел і контекстів; втрата перевіреного змісту під час редагування; хибне підтвердження виконання перевірки; невідповідність між перевіреним змістом і фактично сформованим цифровим об’єктом. Обґрунтовано, що відповідь мовної моделі не може бути самостійною підставою для категоричного експертного висновку. Якщо інформація, істотно значуща для відповіді на поставлене питання, отримана або перетворена за допомогою мовної моделі й не може бути належно перевірена, вона не має включатися до логічної основи категоричного висновку. Запропонований підхід спрямований не на декларування безпомилковості мовної моделі, а на побудову запобіжного порядку роботи, який не допускає переходу неперевіреної інформації до категоричного експертного результату.

Посилання

1. Про судову експертизу : Закон України від 25.02.1994 р. № 4038–XII. База даних «Законодавство України» / Верховна Рада України. URL: https://zakon.rada.gov.ua/go/4038-12 (дата звернення: 09.09.2026).

2. Про затвердження Інструкції про призначення та проведення судових експертиз та експертних досліджень та Науково-методичних рекомендацій з питань підготовки та призначення судових експертиз та експертних досліджень : наказ Міністерства юстиції України від 08.10.1998 р. № 53/5. База даних «Законодавство України». URL: https://zakon.rada.gov.ua/go/z0705-98 (дата звернення: 09.09.2026).

3. Кривоножко Г., Собін О. Штучний інтелект і спеціалізовані цифрові інструменти в експертному забезпеченні розслідування кіберзлочинів та цифрових правопорушень. Криміналістика майбутнього: цифрові інновації, штучний інтелект, глобальні виклики та загрози : збірник матеріалів Міжнародної науково-практичної конференції, м. Одеса, 5 червня 2026 р. / заг. ред. С. Ківалова, М. Аракеляна. Одеса : НУ «ОЮА», 2026. С. 184–188. DOI: https://doi.org/10.32837/11300.33533

4. Свінцицький А. Функціонал замовлення судової експертизи за допомогою інтегрованого чат-бота ChatGPT. Судова експертиза. 2025. № 2. С. 4–9. DOI: https://doi.org/10.32782/forensic.science.2025.2.1

5. Chernyshev M., Baig Z., Syed N., Doss R., Shore M. Large language models in digital forensics: capabilities, challenges and future directions. Forensic Science International: Digital Investigation. 2026. Vol. 56. Article 302043. DOI: https://doi.org/10.1016/j.fsidi.2025.302043

6. Metropolitansky D., Larson J. VeriTrail: Closed-Domain Hallucination Detection with Traceability. International Conference on Learning Representations (ICLR 2026). 2026. URL: https://proceedings.iclr.cc/paper_files/paper/2026/hash/42ec51d1031d25eca238ccc67559fe84-Abstract-Conference.html (дата звернення: 09.09.2026).

7. Zhang S. et al. Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems. Proceedings of the 42nd International Conference on Machine Learning. PMLR. 2025. Vol. 267. P. 76583–76599. URL: https://proceedings.mlr.press/v267/zhang25cq.html (дата звернення: 09.09.2026).

8. Rosset C., Sharma P., Zhao A., González-Fernández M., Awadallah A. The Art of Building Verifiers for Computer Use Agents. Conference on Language Modeling (COLM 2026). 2026. URL: https://www.microsoft.com/en-us/research/publication/the-art-of-building-verifiers-for-computer-use-agents/ (дата звернення: 09.09.2026).

9. Kim E. M., Garg A., Peng K., Garg N. Correlated Errors in Large Language Models. Proceedings of the 42nd International Conference on Machine Learning. PMLR. 2025. Vol. 267. P. 30038–30066. URL: https://proceedings.mlr.press/v267/kim25e.html (дата звернення: 09.09.2026).

10. Laban P., Schnabel T., Neville J. LLMs Corrupt Your Documents When You Delegate. arXiv:2604.15597. 2026. DOI: https://doi.org/10.48550/arXiv.2604.15597

11. Srinivasan A., Shamdasani S., Araujo A. F., de Wasseige J. Building self-improving tax agents with Codex. OpenAI. 27.05.2026. URL: https://openai.com/index/building-self-improving-tax-agents-with-codex/ (дата звернення: 09.09.2026).

12. National Institute of Standards and Technology. The TEVV-Athlon Framework for Evaluating AI Systems. Initial Public Draft NIST AI 200-2. 07.08.2026. DOI: https://doi.org/10.6028/NIST.AI.200-2.ipd

##submission.downloads##

Опубліковано

2026-11-18

Як цитувати

Кривоножко, Г., & Собін, О. (2026). ЗАПОБІГАННЯ ХИБНОМУ КАТЕГОРИЧНОМУ ВИСНОВКУ ПРИ ЗАСТОСУВАННІ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ У СУДОВО-ЕКСПЕРТНІЙ ДІЯЛЬНОСТІ. Судова експертиза, (4), 84–93. https://doi.org/10.32782/forensic.science.2026.4.11

Номер

Розділ

Статті