Модели и алгоритмы поддержки принятия решений в экспертно-криминалистических подразделениях органов внутренних дел в деятельности по идентификации лиц тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ошкуков Сергей Сергеевич

• Ошкуков Сергей Сергеевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Ошкуков Сергей Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1. ДЕЯТЕЛЬНОСТЬ ЭКСПЕРТНО-КРИМИНАЛИСТИЧЕСКИХ ПОДРАЗДЕЛЕНИЙ СИСТЕМЫ МВД РОССИИ

1.1. Цели, задачи, функции и организация деятельности экспертно-

криминалистических подразделений системы МВД России

1.2. Виды экспертных исследований, проводимых в экспертно-криминалистических подразделениях системы МВД России по идентификации лиц

1.3. Автороведческая экспертиза в системе МВД России

Выводы по первой главе и постановка задач исследования

ГЛАВА 2. РАЗРАБОТКА МОДЕЛИ ОПТИМИЗАЦИИ ТРУДОЗАТРАТ НА ПРОИЗВОДСТВО АВТОРОВЕДЧЕСКИХ ИДЕНТИФИКАЦИОННЫХ ИССЛЕДОВАНИЙ В СИСТЕМЕ МВД РОССИИ

2.1. Определение критериев, влияющих на трудозатраты

производства автороведческих идентификационных исследований в системе МВД России

2.2. Математическая модель определения трудозатрат на производство

автороведческих исследований. Алгоритм оптимального распределения

автороведческих исследований по исполнителям с учетом их нагрузки

Выводы по второй главе

ГЛАВА 3. МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ СТИЛЕМЕТРИЧЕСКОГО МЕТОДА ИДЕНТИФИКАЦИИ ЛИЦ ПО ТЕКСТАМ. АЛГОРИТМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ЭКСПЕРТА ПО РЕЗУЛЬТАТАМ АВТОРОВЕДЧЕСКОГО ИССЛЕДОВАНИЯ

3.1. Математическая модель стилеметрического метода идентификации авторов

текстов

3.2. Описание разработанной программы для ЭВМ «Стилеметрическая идентификация авторов текстов»

3.3. Алгоритм поддержки принятия решения экспертом по результатам автороведческого исследования с применением как лингвистических, так и стилеметрических методов идентификации лиц по текстам. Экспериментальное исследование по применению в экспертной практике

программы для ЭВМ «Идентификация автора текста»

Выводы по третьей главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение 1. Программный код программы для ЭВМ «Стилеметрическая

идентификация авторов текстов»

Приложение 2. Программный код реализации венгерского алгоритма

Приложение 3. Акты внедрения

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы поддержки принятия решений в экспертно-криминалистических подразделениях органов внутренних дел в деятельности по идентификации лиц»

ВВЕДЕНИЕ

Актуальность темы исследования. Экспертно-криминалистическая деятельность МВД России заключается в осуществлении экспертно-криминалистическими подразделениями государственной судебно-экспертной деятельности, а также в применении технических средств и специальных знаний по заданиям уполномоченных законодательством Российской Федерации государственных органов и должностных лиц. Ключевым направлением экспертно-криминалистической деятельности МВД России в уголовном судопроизводстве является производство судебных экспертиз, предусмотренных соответствующим ведомственным приказом.

Одним из самых сложных, трудозатратных и востребованных видов судебных экспертиз по идентификации лиц на сегодняшний день является автороведческая экспертиза, объектом исследования которой выступает письменная речь, исключающая признаки почерка. Востребованность данного вида экспертиз обусловлена в первую очередь тем, что на сегодняшний день электронная коммуникация доминирует в современных реалиях. Обмен письменными и голосовыми сообщениями в различных средствах коммуникации является максимально доступным и распространенным среди граждан. Опосредованный, дистанционный характер взаимодействия пользователей, с одной стороны, и возможность мгновенного обмена информацией - с другой, всё чаще используются и в преступных целях. В ходе электронной коммуникации обсуждаются, планируются и совершаются различные виды преступлений.

Производством данного вида экспертиз занимаются эксперты с высшим филологическим образованием и получившие право их самостоятельного производства в установленном порядке. Кроме того, на этих же экспертов ложится нагрузка по производству лингвистических экспертиз. Так, за последние пять лет нагрузка на экспертов по данным направлениям деятельности экспертно-криминалистических подразделений МВД России находится на высоком уровне

и превышает установленные в соответствии с приказом МВД России от 30 мая 2003 года .№ 366 «О вопросах организации экспертно-криминалистических центров органов внутренних дел» нормы производства автороведческих и лингвистических исследований в 2,4 раза. Учитывая высокую потребность в производстве данных экспертиз в условиях ограниченного количества экспертов по данным экспертным специальностям, требуется оптимизация трудозатрат на их производство, совершенствование инструментария автороведческих экспертиз, а также внедрения в экспертную практику алгоритма поддержки принимаемых решений конкатенирующего лингвистический и стилеметрический методы идентификации лиц по тексту.

Оптимизация трудозатрат, совершенствование инструментария производства автороведческих экспертиз, а также поддержка принимаемых решений по результатам их производства позволит снизить влияние субъективного фактора на результаты идентификации, их временные и ресурсные издержки, а также повысить оперативность системы управления экспертно-криминалистическими подразделениями МВД России по производству автороведческих исследований..

Степень научной разработанности темы исследования. В основе теории принятия решений в управлении организационными системами лежат труды отечественных и зарубежных учёных, таких как: В.Н. Бурков, В.В. Кондратьев, Д.А. Новиков, В.Я. Катковник, Р. Беллман, Г. Райфа. [9 - 14, 30, 43, 45 - 48, 54, 56, 88].

Математические методы оптимизации рассмотрены в работах Е.С. Вентцель, А.В. Гасникова, Л.В. Канторовича, Ю.Е. Нестерова, Б.Т. Поляка, Дж. Б. Данцига [16, 19, 24, 29, 41, 50].

Применение математических методов и моделей в деятельности правоохранительных органов исследовалось в работах Ш.Х. Гонова, И.В. Горошко, О.Ю. Даниловой, И.А. Кубасова, В.А. Минаева, А.С. Овчинского, Б.А. Торопова [17, 21 - 23, 70, 85, 92, 98, 102, 107].

Нейросетевым технологиям и интеллектуализации процессов принятия решения посвящены работы А.В. Ермоленко, М.О. Корляковой, С.Д. Кулика, Г.С. Поспелова, Т. Кохонен, Д.Д. Хопфилд [31, 32, 34, 35, 51, 52, 71, 96, 134].

Вопросы стилеметрической идентификации лиц по текстам, корпусной квантитативной лингвистики, автоматической обработки естественного языка рассматривались в работах В.С. Андреева, Г. Я. Мартыненко, М.А. Марусенко, Е.В. Ягуновой, Т.А. Литвиновой, Дж. Берроуза, Г. Дезагулье, М. Эдера, С. Гриса, Д. Гувера, П. Юола, М. Михалке, Г. Микроса, М. Оукса, Дж. Рудмана, Дж. Савоя, Е. Стамататос [36, 38, 69, 73, 76 - 84, 93, 99 - 101, 103 - 107, 112 - 118, 121 - 133, 141 -147, 128 - 130, 132 - 137, 149].

Криминалистическому автороведению и научным основам методик автороведческих экспертиз посвящены как классические работы С.М. Вула, А.Ю. Комиссарова [18], так и современные работы специалистов ЭКЦ МВД России А.В. Громовой, П.А. Манянина, Т.В. Назаровой, А.В. Ростовской [25, 28, 39].

Труды данных специалистов являются научной и методологической основой данной диссертации. Вместе с тем универсальность этих работ не всегда позволяет учесть специфику определенной предметной области, что в свою очередь сужает границы применимости данных подходов. Кроме того, в изученных работах не в полной мере уделяется внимание вопросам возможностей современных информационных технологий в процессах оптимизации, автоматической обработки естественного языка, принятия решений в задачах идентификации.

Данная диссертация направлена на оптимизацию трудозатрат на производство автороведческих исследований, совершенствование инструментария их производства, а также на разработку алгоритма поддержки принимаемых решений по результатам производства автороведческих исследований, конкатенирующего лингвистический и стилеметрический методы идентификации лиц по текстам, что в свою очередь позволит снизить влияние субъективного фактора на результаты идентификации, временные и ресурсные издержки, а также повысить оперативность системы управления экспертно-криминалистическими подразделениями МВД России по производству автороведческих исследований.

Объектом исследования служит деятельность экспертно-криминалистических подразделений МВД России по идентификации лиц в рамках проведения автороведческих исследований в процессе расследования преступлений.

Предметом исследования являются модели, алгоритмы поддержки принятия решений в деятельности экспертно-криминалистических подразделений МВД России при производстве автороведческих исследований в целях идентификации лиц по текстам.

Цель и задачи исследования. Совершенствование деятельности экспертно-криминалистических подразделений системы МВД России по идентификации лиц в рамках проведения автороведческих исследований на основе математических методов, моделей и алгоритмов.

Для достижения поставленной цели были сформулированы следующие задачи:

1. Провести анализ деятельности экспертно-криминалистических подразделений МВД России по идентификации лиц в рамках проведения автороведческого исследования.

2. Предложить критерии оценки трудозатрат производства автороведческих исследований в экспертно-криминалистических подразделениях системы МВД России.

3. Разработать математическую модель определения трудозатрат производства автороведческих исследований в экспертно-криминалистических подразделениях системы МВД России.

4. Спроектировать алгоритм оптимального распределения автороведческих исследований по исполнителям с учетом их нагрузки.

5. Разработать алгоритм поддержки принятия решений экспертами при проведении идентификационного автороведческого исследования с применением как лингвистического, так и разработанного стилеметрического метода идентификации лиц по текстам.

Методология и методы исследования. Для решения поставленных задач исследования применялись методы математического моделирования, математической

оптимизации, принятия решений, теории нейронных сетей, современные алгоритмы, методы и средства программирования, методы машинного обучения, методы обработки естественного языка (Natural Language Processing, NLP), средства и методы разработки программного обеспечения на языках программирования Python, R и фреймворка для создания графического интерфейса Qt.

Информационную и эмпирическую базу исследования составили законодательные и нормативные акты Российской Федерации, нормативные правовые акты МВД России, статистические и аналитические материалы Федерального государственного казенного учреждения ЭКЦ МВД России, результаты осуществления экспертной деятельности экспертно-криминалистическими подразделениями МВД России. Кроме того, были проанализированы объекты автороведческих исследований, проводимых в ЭКЦ МВД России, которые легли в основу экспериментальных данных для построения методов, моделей и алгоритмов по теме исследования.

Соответствие диссертации паспорту специальности. Работа соответствует паспорту специальности 2.3.4 - управление в организационных системах по пунктам: п. 3 - разработка методов и алгоритмов решения задач управления в организационных системах; п. 4 - разработка информационного и программного обеспечения систем управления и механизмов принятия решений в организационных системах; п. 9 - разработка методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в организационных системах.; п. 11 - разработка практико-ориентированных технологий управления организационными системами.

Научная новизна работы. В диссертации получены следующие основные результаты, характеризующиеся научной новизной:

1. Предложены авторские формализованные критерии оценки трудозатрат производства автороведческих исследований в экспертно-криминалистических подразделениях системы МВД России на основе метода экспертных оценок.

2. Разработана авторская модель определения трудозатрат производства автороведческих исследований в экспертно-криминалистических подразделениях

системы МВД России на основе регрессионного анализа, учитывающая предложенные критерии оценки трудозатрат, отличающаяся возможностью автоматизации прогнозирования трудозатрат производства автороведческого исследования конкретным исполнителем.

3. Спроектирован алгоритм оптимального распределения автороведческих исследований по исполнителям с учетом их нагрузки, отличающийся сочетанием регрессионного прогнозирования трудозатрат с венгерским алгоритмом оптимизации назначений в условиях динамической загрузки.

4. Разработан алгоритм поддержки принятия решений экспертами при проведении идентификационного автороведческого исследования, сочетающий применение как лингвистического, так и впервые разработанного в целях криминалистической идентификации стилеметрического метода, позволяющий снизить влияние субъективного фактора на результаты идентификации.

Новые результаты частично защищены двумя охранными документами (№ 2022665578 от 18.08.2022 и № 2023615960 от 02.03.2023) Федеральной службы по интеллектуальной собственности (РОСПАТЕНТ) на программы для ЭВМ.

Положения, выносимые на защиту:

1. Предложенные критерии оценки трудозатрат производства автороведческих исследований в экспертно-криминалистических подразделениях системы МВД России позволяют формализовать сложность автороведческого исследования, влияющую на трудозатраты по его производству.

2. Разработанная математическая модель определения трудозатрат на производства автороведческих исследований в экспертно-криминалистических подразделениях системы МВД России, учитывающая критерии оценки трудозатрат, позволяет автоматизировать прогнозирование трудозатрат производства автороведческого исследования конкретным исполнителем.

3. Спроектированный алгоритм оптимального распределения автороведческих исследований по исполнителям с учетом их нагрузки позволяет оптимизировать общие трудозатраты производства автороведческих исследований в рамках экспертного подразделения.

4. Разработанный стилеметрический метод идентификации лиц по текстам, расширяющий признаковую базу проводимого автороведческого исследования, а также алгоритм поддержки принятия решений, позволяют снизить влияние субъективного фактора на результаты идентификации, а также оптимизировать трудозатраты на производство данного вида исследований.

Теоретическая значимость диссертационного исследования заключается в разработке методических основ принятия решений предложенными моделями, методами и алгоритмами в экспертно-криминалистической деятельности по идентификации лиц в рамках проведения автороведческих исследований в системе МВД России. Полученные в рамках исследования теоретические результаты имеют значение для развития теории управления организационными системами.

Практическая значимость диссертационного исследования заключается: в реализованной математической модели определения трудозатрат производства автороведческих исследований в экспертно-криминалистических подразделениях МВД России, позволяющей автоматизировать прогнозирование длительности производства автороведческого исследования конкретным исполнителем; в предложенном автоматизированном алгоритме распределения автороведческих исследований по исполнителям с учетом их нагрузки, позволяющем минимизировать общие трудозатраты производства автороведческих исследований конкретным экспертно-криминалистическим подразделением системы МВД России; в автоматизированном стилеметрическом методе идентификации лиц по текстам, реализованным в виде программы для ЭВМ, позволяющем расширить признаковую базу проводимого автороведческого исследования; в предложенном алгоритме поддержки принятия решений экспертами при проведении идентификационного автороведческого исследования, позволяющем конкатенировать лингвистические и стилеметрические методы идентификации авторов текстов, что в свою очередь снижает влияние субъективного фактора на результаты идентификации.

Обоснованность и достоверность результатов обеспечивается комплексным подходом, сочетающим как теоретическое обоснование,

так и практическую проверку. Математическое обоснование корректности разработанных моделей и алгоритмов создают основу для их практического применения. Практическая верификация разработанных моделей и алгоритм осуществлялась путем сравнительного анализа данных, полученных в ходе экспертной практики производства автороведческих исследований в экспертно-криминалистических подразделениях МВД России, что подтверждается соответствующими актами внедрения. Предложенные в рамках данной работы модели и алгоритмов реализованы в виде программ для ЭВМ.

Апробация и внедрение в практику результатов диссертационного исследования. Результаты исследований докладывались и обсуждались на Всероссийской научно-практической конференции «Преступность в сфере информационных и телекоммуникационных технологий: проблемы предупреждения, раскрытия и расследования преступлений» (Воронеж, 2022), Всероссийской научно-практической конференции «Информационные технологии в деятельности органов внутренних дел» (Москва, 2022), Всероссийской научно-практической конференции «Судебные экспертизы в уголовном процессе: теория и практика» (Москва, 2022), Международном форуме «Преступность. Общество. Безопасность (Москва, 2023), Международном онлайн-семинаре в рамках совещания по взаимодействию и мерам доверия в Азии (СВДМА) «Цифровая криминалистика» (Москва, 2023), Международной научно-практической конференции «Проблемы противодействия киберпреступности» (Москва, 2023), Международной научно-практической конференции «Информатизация и информационная безопасность правоохранительных органов» (Москва, 2023), Международной научно-практической конференции «Преступность в сфере информационных и телекоммуникационных технологий: проблемы предупреждения, раскрытия и расследования преступлений» (Воронеж, 2023), Международном-практическом форуме «Право цифровой безопасности» (Москва, 2024), VIII Всероссийский онлайн-семинар «Организация взаимодействия участников выявления, раскрытия и расследования хищений, совершенных дистанционным способом» (Москва, 2024), Международной научно-практическая

конференция «Охрана, безопасность, связь - 2024» (Воронеж, 2024).

Разработанные в ходе исследования методы и алгоритмы внедрены в оперативно-служебную деятельность ЭКЦ МВД России, ЭКЦ ГУ МВД России по Алтайскому краю и в образовательную деятельность Воронежского государственного педагогического университета, Московского университета МВД России имени В.Я. Кикотя, что подтверждено соответствующими актами внедрения.

Кроме того, разработанные в рамках данной работы методы и алгоритмы применяются в рамках деятельности научно-исследовательской лаборатории ЭКЦ МВД России по изучению возможностей использования методов компьютерной лингвистики в экспертно-криминалистической деятельности, что подтверждено соответствующим актом внедрения.

По теме диссертационного исследования диссертантом опубликовано 11 статей общим объемом 4,44 п.л., из них 3 в журналах, включенных в Перечень рецензируемых научных изданий, в которых должны быть опубликованы основные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук. На разработанные компьютерные прототипы идентификации лиц по текстам и статистического анализа текста получены свидетельства государственной регистрации программы для ЭВМ в Федеральной службе по интеллектуальной собственности (№ 2022665578 от 18.08.2022 и № 2023615960 от 02.03.2023).

Структура и объем работы. Диссертационное исследование состоит из введения, трех глав, состоящих из восьми параграфов, заключения, списка использованной литературы, приложений. Диссертация содержит 11 таблиц и 39 рисунков.

ГЛАВА 1. ДЕЯТЕЛЬНОСТЬ ЭКСПЕРТНО-КРИМИНАЛИСТИЧЕСКИХ ПОДРАЗДЕЛЕНИЙ СИСТЕМЫ МВД РОССИИ

1.1. Цели, задачи, функции и организация деятельности экспертно-криминалистических подразделений системы МВД России

В соответствии с Федеральным законом Российской Федерации от 7 февраля 2011 г. № 3-ФЗ «О полиции» экспертно-криминалистическая деятельность является одним из основных направлений деятельности полиции.

Приказом МВД России от 30 мая 2003 г. № 366 на экспертно-криминалистические подразделения1 возложены задачи организации и осуществления экспертно-криминалистической деятельности в системе МВД России.

ЭКП системы МВД России самые многочисленные в нашей стране и их численность составляет порядка 18 тысяч высококвалифицированных специалистов различного профиля, которые функционируют во всех субъектах Российской Федерации. В их структуре можно выделить: ЭКЦ МВД России; подразделений регионального и районного, межрегионального, окружного уровней. В рамках уголовного и административного производства ЭКП системы МВД России обеспечивают порядка 80 % потребностей в производстве экспертных исследований в Российской Федерации.

Структурное построение ЭКП в Российской Федерации реализовано в следующих вариантах:

- централизованная структура. ЭКП входят в состав экспертно-криминалистического центра регионального уровня (37 экспертно-криминалистических центров МВД России на региональном уровне; 42,1 % от общей структуры);

1 Далее также - «ЭКП».

- децентрализованная структура. ЭКП входят в состав территориальных органов МВД России районного уровня (20 ЭКП; 22,7 % от общей структуры);

- смешанная структура. Часть ЭКП в составе экспертно-криминалистических центры регионального уровня, а часть в составе территориальных органов МВД России районного уровня (31 ЭКП; 35,2 % от общей структуры).

Пункт 3 приказа МВД России от 11 января 2009 г. № 7 «Об утверждении Наставления по организации экспертно-криминалистической деятельности в системе МВД России» раскрывает содержание экспертно-криминалистической деятельности. В соответствии с данным пунктом экспертно-криминалистическая деятельность заключается в осуществлении государственной судебно-экспертной деятельности, а также в применении технических средств и специальных знаний по заданиям уполномоченных законодательством Российской Федерации государственных органов и должностных лиц.

В статьях 2 и 3 федерального закона Российской Федерации от 31 мая 2001 г. № 73-ФЗ «О государственной судебно-экспертной деятельности в Российской Федерации» государственная судебно-экспертная деятельность определяется в виде организации производства судебных экспертиз в ходе оказания содействия судам, судьям, органам дознания, лицам, производящим дознание, следователям в установлении обстоятельств, подлежащих доказыванию по конкретному делу, посредством разрешения вопросов, требующих специальных знаний в области науки, техники, искусства или ремесла.

В соответствии с вышеприведенными нормативно-правовыми актами можно выделить две обобщенные задачи, которые стоят перед экспертно-криминалистическими подразделениями системы МВД России:

- применение специальных знаний при осуществлении технико-криминалистического сопровождения раскрытия и расследования преступлений, производства по делам об административных правонарушениях и при проверке сообщений о преступлениях;

- применение специальных знаний для обеспечения потребностей государственных органов при исполнении федерального законодательства.

Основные функции экспертно-криминалистических подразделений системы МВД России приведены в статье 4 приказа МВД России от 11 января 2009 г. № 7 «Об утверждении Наставления по организации экспертно-криминалистической деятельности в системе МВД России». К ним относятся:

- государственная судебно-экспертная деятельность, применение технических средств и специальных знаний в уголовном судопроизводстве;

- государственная судебно-экспертная деятельность, применение технических средств и специальных знаний при производстве по делам об административных правонарушениях;

- применение технических средств и специальных знаний в оперативно-розыскной деятельности;

- участие в осуществлении государственной геномной регистрации;

- участие в осуществлении государственной дактилоскопической регистрации;

- проведение экспертных исследований в целях обеспечения доказательств;

- участие в деятельности по предупреждению преступлений;

- оказание содействия избирательным комиссиям, комиссиям референдума при осуществлении их полномочий в ходе реализации гражданами Российской Федерации избирательных прав.

В соответствии с пунктом 5 приказа МВД России от 16 июня 2010 г. № 437 «Об утверждении Устава федерального государственного казенного учреждения «Экспертно-криминалистический центр Министерства внутренних дел Российской Федерации»»2 Экспертно-криминалистический центр МВД России является головным подразделением в системе МВД России, реализующим функции по организации экспертно-криминалистической деятельности.

2 Далее также - «Устав».

Пункт 18 Устава определяет основные цели деятельности ЭКЦ МВД России:

- организация и непосредственное производство судебных экспертиз по уголовным делам и делам об административных правонарушениях, судебных экспертиз и экспертных исследований при проверке сообщений о преступлениях;

- организационное и научно-методическое обеспечение экспертно-криминалистической деятельности в органах внутренних дел Российской Федерации;

- совершенствование технико-криминалистического обеспечения раскрытия и расследования преступлений;

- оказание помощи, связанной с применением специальных знаний, уполномоченным законодательством Российской Федерации государственным органам и должностным лицам при проведении следственных действий и оперативно-розыскных мероприятий.

В пункте 19 Устава закреплены основные функции (виды деятельности) ЭКЦ МВД России:

- организационно-методическое обеспечение деятельности экспертно-криминалистических центров управлений на транспорте Министерства внутренних дел Российской Федерации по федеральным округам, линейных управлений Министерства внутренних дел Российской Федерации на транспорте, министерств внутренних дел по республикам, главных управлений, управлений Министерства внутренних дел Российской Федерации по иным субъектам Российской Федерации;

- осуществление экспертно-криминалистической деятельности, в том числе производство судебных экспертиз и проведение экспертных исследований, требующих применения новых технических средств и экспертных методик;

- организация и непосредственное проведение прикладных научных исследований в области экспертно-криминалистической деятельности, осуществляемой органами внутренних дел Российской Федерации;

- научно-методическое обеспечение производства судебных экспертиз и экспертных исследований в ЭКП системы МВД России;

- организация ведения экспертно-криминалистических учетов в системе МВД России;

- подготовка предложений руководству МВД России по совершенствованию форм статистической отчетности о результатах деятельности ЭКП;

- проведение по поручению руководства МВД России анализа состояния оснащенности ЭКП техническими средствами, используемыми при осуществлении экспертно-криминалистической деятельности, в целях определения приоритетов их распределения в ЭКП;

Список литературы диссертационного исследования кандидат наук Ошкуков Сергей Сергеевич, 2026 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ

Нормативные правовые акты Российской Федерации

1. Федеральный закон Российской Федерации от 31 мая 2001 №2 73-Ф3 «О государственной судебно-экспертной деятельности в Российской Федерации» [Электронный ресурс]. - Режим доступа: https://www.consultant.ru/document/cons_doc_LAW_31871 (дата обращения 16.10.2024).

2. Федеральный закон Российской Федерации от 7 февраля 2011 №3-Ф3 «О полиции» [Электронный ресурс]. - Режим доступа: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102145133&rdk= (дата обращения 20.11.2024).

3. Приказ МВД России от 29 июня 2005 г. №511 «Вопросы организации производства судебных экспертиз в экспертно-криминалистических подразделениях органов внутренних дел Российской Федерации» [Электронный ресурс]. - Режим доступа: https://www.consultant.ru/ document^ons_doc_LAW_55315/2f950684281ef85c7af15d409fd7799a9b85b244 (дата обращения 21.12.2024).

4. Приказ МВД России от 11 января 2009 г. №7 «Об утверждении Наставления по организации экспертно-криминалистической деятельности в системе МВД России» [Электронный ресурс]. - Режим доступа: https://base.garant.ru/72341002 (дата обращения 21.11.2024).

5. Приказ МВД России от 23 октября 2023 г. №799 «О внесении изменений в приказ МВД России от 30 мая 2003 г. N 366 «О вопросах организации деятельности экспертно-криминалистических центров органов внутренних дел»» [Электронный ресурс]. - Режим доступа: https://base.garant.ru/408557725 (дата обращения 13.12.2025).

6. Приказ МВД России от 30 мая 2003 г. №366 «О вопросах организации деятельности экспертно-криминалистических центров органов внутренних дел» [Электронный ресурс]. - Режим доступа: https://base.garant.ru/1353049 (дата обращения 17.12.2024).

7. Приказ МВД России от 16 июня 2010 г. №2 437 «Об утверждении Устава федерального государственного казенного учреждения «Экспертно-криминалистический центр Министерства внутренних дел Российской Федерации»» [Электронный ресурс]. - Режим доступа: https://base.garant.ru/72031480 (дата обращения 14.02.2025).

Книги (монографии, учебные пособия, методические рекомендации)

8. Асанов, М.О. Дискретная математика: графы матроиды, алгоритмы / М.О. Асанов, В.А. Баранский, В.В. Расин. - Ижевск: НИЦ РХД, 2001. - 288 с.

9. Беллман, Р., Заде Л. Вопросы принятия решений в расплывчатых условиях / Перевод Р. Ягера. - М.: Мир, 1976. - 46 с.

10. Бурков, В.Н. Введение в теорию управления организационными системами: Учебник / В.Н. Бурков, Н.А. Коргин, Д.А. Новиков; под ред. Д. А. Новикова. - М.: Книжный дом «ЛИБРОКОМ», 2009 - 264 с.

11. Бурков, В.Н. Механизмы функционирования организационных систем / В.Н. Бурков, В.В. Кондратьев. - М.: Наука, 1981. - 384 с.

12. Бурков, В.Н. Применение игрового имитационного моделирования для оценки эффективности экономических механизмов / В.Н. Бурков, Г.С. Джавахадзе, Н.И. Динова, А.В. Щепкин. - М.: ИПУ РАН, 2003. - 51 с.

13. Бурков, В.Н. Теория активных систем: состояние и перспективы / В.Н. Бурков, Д.А. Новиков. - М.: Синтег, 1999. - 128 с.

14. Бурков, В.Н. Теория графов в управлении организационными системами / В Н. Бурков, А.Ю. Заложнев, Д.А. Новиков. - М.: Синтег, 2001. - 124 с.

15. Вапник, В.Н. Восстановление зависимостей по эмпирическим данным / В.Н. Вапник. - М.: Наука, 1979. - 448 с.

16. Венцель, Е.С. Исследование операций: задачи, принципы, методология / Е. С. Вентцель. - М.: КноРус, 2010. - 191 с.

17. Вицин, С.Е. Моделирование в криминологии / С. Е. Вицин. - М.: Высшая школа МВД СССР, 1973. - 104 с.

18. Вул, С.М. Криминалистическое исследование признаков письменной речи / С.М. Вул. - Киев: Редакционно-издательский отдел МВД УССР, 1973. - 43 с.

19. Гасников, А.В. Современные численные методы оптимизации. Метод универсального градиентного спуска: учебное пособие / А.В Гасников. - М.: МЦНМО, 2021.- 272 с.

20. Гельман, Э. Регрессия: теория и практика. С примерами на R и Stan / Э. Гельман, Д. Хилл, А. Вехтари /пер. с анг. В. С. Яценкова. - М.: ДМК Пресс, -2022. - 748 с.

21. Горошко, И.В. Информационные технологии в управлении органами внутренних дел / И.В. Горошко, В.Ю. Петрова, М.П. Дубинин [и др.]. - М.: Академия управления Министерства внутренних дел Российской Федерации, 2015. - 156 с.

22. Горошко, И.В. Математические методы исследования социальных систем: курс лекций / И.В. Горошко, Б.А. Торопов, Ш.Х. Гонов. - М.: Академия управления Министерства внутренних дел Российской Федерации, 2019. - 80 с.

23. Горошко, И.В. Математические моделирование в управлении органами внутренних дел / И.В. Горошко. - М.: Академия управления Министерства внутренних дел Российской Федерации, 2010. - 145 с.

24. Данциг Дж.Б. Линейное программирование. Его обобщение и применение / Перевод Г.Н. Адрианова, Л.И. Горькова, А.А. Корбута, А.Н. Ляпунова. - М.: Прогресс, 1966. - 600 с.

25. Диагностирование половозрастных и индивидуально-личностных характеристик автора нерукописного текста: методические рекомендации / Т.В. Назарова [и др.]. - М.: ЭКЦ МВД России, 2014. - 112 с.

26. Ивин, Е.А. Методическое пособие по эконометрике: для социально-экономических специальностей / Е.А. Ивин, Н.В. Артамонов, А.Н. Курбацкий.

- Вологда: ИСЭРТ РАН, 2016. - 184 с.

27. Заде, Л. Понятие лингвистической переменной и его применение к принятию приближенных решений / Пер. с англ. Н.И. Ринго; Под ред. Н.Н. Моисеева и С.А. Орловского. - М.: Мир, 1976. - 165 с.

28. Идентификация автора по текстам, создаваемым в ходе переписок в мессенджере / А.В. Громова [и др.]. - М.: ЭКЦ МВД России, 2021. - 107 с.

29. Канторович, Л.В. Экономический расчет наилучшего использования ресурсов / Л.В. Кантарович. - М.: Академия наук СССР, 1960. - 350 с.

30. Катковник, В.Я. Многомерные дискретные системы управления / В.Я. Катковник, Р.А. Полуэктов. - М.: Наука, 1996. - 416 с.

31. Комарцова, Л.Г. Нейрокомпьютеры: Учебное пособие для вузов. / Л.Г. Комарцова, А.В. Максимов - М.: Издательство МГТУ им. Н.Э. Баумана, 2004

- 397 с.

32. Кохонен, Т. Ассоциативные запоминающие устройства / Пер. с англ. -М.: Мир, 1982. - 384 с.

33. Кремер, Н.Ш. Эконометрика: учебник для студентов вузов / Н.Ш. Кремер, П.А. Путко. - М.: ЮНИТИ-ДАНА. - 2010. - 328 с.

34. Кулик, С. Д. Элементы системного анализа как связующая основа технических специалистов и судебных экспертов / С. Д. Кулик, А. А. Кондаков, А. Ф. Ахметов // Теория и практика судебной экспертизы в современных условиях : материалы X Международной научно-практической конференции, посвященной двадцатилетию Института судебных экспертиз Московского государственного юридического университета имени О. Е. Кутафина (МГЮА), Москва, 30-31 января 2025 года. - Москва: РГ-Пресс, 2025. - С. 163-165.

35. Кулик, С. Д. Элементы системного анализа, математической логики и теории принятия решений (примеры, задания и задачи) / С. Д. Кулик. - М.: Национальный исследовательский ядерный университет "МИФИ", 2023. - 224 с.

36. Литвинова, Т. А. Идентификация и диагностирование личности автора письменного текста / Т. А. Литвинова, О. А. Литвинова. - Воронеж: Изд-во Воронеж. гос. пед. ун-та, 2015. - 332 с.

37. Ляшевская, О. Н. Частотный словарь современного русского языка (на материалах Национального корпуса русского языка). / О.Н. Ляшевская,

С.А. Шаров. - М.: Азбуковник, 2009. - 1087 с.

38. Марусенко, М. А. Атрибуция анонимных и псевдонимных литературных произведений методами распознавания образов / М. А. Марусенко. - Л.: Изд-во ЛГУ, 1990. - 164 с.

39. Методические рекомендации по производству судебной автороведческой экспертизы нерукописных текстов / Т.В. Назарова [и др.]. - М.: ЭКЦ МВД России, 2010. - 54 с.

40. Механизмы управления / Под ред. Д.А. Новикова. - М. : УРСС «Editorial URSS», 2011. - 213 с.

41. Нестеров, Ю.Е. Алгоритмическая выпуклая оптимизация / Ю.Е. Нестеров. - М.: Ленанд, 2024. - 364 с.

42. Нейман, Дж. Ф. Теория игр и экономическое поведение / Дж. Ф. Нейман, О. Моргенштерн. - М.: Наука, 1970. - 707 с.

43. Новиков, Д.А. Курс теории активных систем / Д.А. Новиков, С.Н. Петраков. - М.: Синтег, 1999. - 105 с.

44. Новиков, Д.А. Стимулирование в организационных системах / Д.А. Новиков. - М.: Синтег, 2003. - 312 с.

45. Новиков, Д.А. Обобщенные решения задач стимулирования в активных системах / Д.А. Новиков. - М.: ИПУ РАН, 1998. - 68 с.

46. Новиков, Д.А. Стимулирование в организационных системах / Д.А. Новиков. - М.: Синтег, 2003. - 312 с.

47. Новиков, Д.А. Стимулирование в социально-экономических системах (базовые математические модели) / Д.А. Новиков. - М.: ИПУ РАН, 1998. - 216 с.

48. Новиков, Д.А. Теория игр в управлении организационными системами / Д.А. Новиков, М.В. Губко. - М.: Синтег, 2002. - 148 с.

49. Подиновский, В.В. Парето-оптимальные решения многокритериальных задач / В.В. Подиновский, В.Д. Ногин. - М.: ФИЗМАТЛИТ, 2007. - 256 с.

50. Поляк, Б.Т. Введение в оптимизацию / Б.Т. Поляк. - М.: Наука, 1983. -

384 с.

51. Поспелов, Д.А. Логико-лингвистические модели в системах управления / Д.А. Поспелов. - М.: Энергоиздат, 1981. - 231 с.

52. Поспелов, Д.А. Ситуационное управление: теория и практика - М.: Наука, 1986. - 288 с.

53. Пупков К.А. Теория и компьютерные методы исследования стохастических систем / К.А. Пупков [и др.]. - М.: ФИЗМАТЛИТ, 2003. - 400 с.

54. Райфа, Г. Анализ решений. Введение в проблему выбора в условиях неопределенности / Перевод С.В. Емельянова и Э.Л. Наппельбаум. - М.: Наука, 1977. - 408 с.

55. Розенблатт, Г. Принципы нейродинамики. Пецептроны и теория механизмов мозга / Перевод с англ. В.Я. Алтаева, Б.А. Власюка, Ю.А. Крутикова, Ю.А. Патругина. - М.: Мир, 1965. - 480 с.

56. Соложенцев, Е.Д. Технологии управления риском в структурно-сложных системах : учебное пособие / Е.Д. Соложенцев. - М.: ГУАП, 2013.

- 414 с.

57. Теория статистики / Р. А. Шмойлова, В. Г. Минашкин, Н. А. Садовникова, Е. Б. Шувалова; Под редакцией Р.А. Шмойловой.

- 5-е издание. - Москва: Издательство "Финансы и статистика", 2014. - 656 с.

- ISBN 978-5-279-03295-2. - EDN RJGGAQ.

58. Токмакова, Р.А. Метод обработки экспертных оценок: методические указания для выполнения лабораторной работы по дисциплине «Системный анализ

и методология системных исследований» для студентов направления подготовки 09.03.04 Программная инженерия /Р.А. Токмакова. - Курск: Юго-Зап. гос. ун-т; сост. Р.А. Томакова, 2021. - 26 с.

59. Фишберн, П.К. Теория полезности для принятия решений / Перевод В.Н. Воробьевой и А.Я. Кируты - М.: Наука, 1978. - 352 с.

60. Харченко, М. А. Корреляционный анализ / М. А. Харченко.

- Воронеж: Воронежский государственный университет, 2008. - 31 с.

- EDN ZAHTNF.

61. Шихалев, А.М. Регрессионный анализ. Парная линейная регрессия / А.М. Шихалев. - Казань: Казан. ун-т, 2015. - 46 с.

62. Эйтингон, В. Н. Методы организации экспертизы и обработки экспертных оценок в менеджменте / В. Н. Эйтингон, М. А. Кравец, Н. П. Панкратова. - Воронеж: Воронежский государственный университет, 2004.

- 44 с. - EDN SUPDLH.

63. Эконометрия: Учебное пособие / В.И. Суслов [и др.]. Новосибирск : Сибирское отделение РАН Новосибирский государственный университет, 2005. -742 с.

64. An introduction to statistical learning with applications in R / G. James [et al.]. - New York: Springer Science and Business Media, 2013. - 440 p.

65. Cook, R.D. Residuals and Influence in Regression / R.D. Cook, R. Weisberg. - New York, 1982. - 240 p.

66. Gries, S. Quantitative corpus linguistics with R / S. Gries. - 2nd Edition.

- New York, 2016. - 286 p.

67. Sheather, S.J. A Modern Approach to Regression with R identification . -New York: Springer Science and Business Media, 2009. - 397 p.

68. Stock, J.H. Introduction to Econometrics / J.H. Stock, M.W. Watson . - New York: Pearson Education, 2020. - 800 p.

69. Yule, G. U. The Statistical Study of Literary Vocabulary / G. U. Yule.

- Cambridge, 1944. - 318 p.

Диссертации, авторефераты диссертаций

70. Гонов, Ш.Х. Методы и модели анализа результатов деятельности территориальных органов МВД России по выявлению и раскрытию преступлений, совершенных в общественных местах : дис. ... канд. техн. наук: 05.13.10 / Гонов Шамиль Хасанович. - М., 2019. - 189 с.

71. Ермоленко, А.В. Методы и модели принятия решений в подразделенияхвневедомственной охраны при идентификации заявлений собственников : дис. ... канд. техн. наук: 05.13.10 / Ермоленко Алексей Владимирович. - М., 2019. - 197 с.

72. Исхакова, А.О. Метод и программное средство определения искусственно созданных текстов: дис. ... канд. тех. наук: 05.13.17: утв. 22.12.16. -Томск. - 2016. - 123 с.

73. Литвинова, Т.А. Проблемы стилеметрической идентификации субъекта идеолектной деятельности: дис. ... д-ра филол. наук: 10.02.21 / Литвинова Татьяна Александровна. - СПб., 2021. - 430 с.

74. Михалева, О.А. Математическое и программное обеспечение обработки результатов группового оценивания для управления сетевой экспертизой в распределенной среде: дис. ... канд. техн. наук: 05.13.10 / Михалева Оксана Алексеевна. - Брянск, 2020. - 153 с.

75. Чекулаев, Е.С. Организация ведомственного контроля за деятельностью экспертно-криминалистических подразделений территориальных органов МВД России: магистерская диссертация: 38.04.04 / Чекулаев Евгений Сергеевич. - М., 2024. - 65 с.

Статьи, периодические издания

76. Андреев, В. С. Вариативность индивидуального стиля как стилеметрическая проблема / В. С. Андреев // Русская филология: ученые записки Смолен. гос. ун-та. - 2018. - Т. 18. - С. 227-235.

77. Андреев, В. С. Квантитативный анализ метафоры: корреляция единиц концептосферы / В. С. Андреев // Когнитивные исследования языка. - 2017. - №2 30.

- С. 90-92.

78. Андреев, В. С. Классификация стихотворных текстов методом дискриминантного анализа / В. С. Андреев // Математическая морфология: электронный математический и медико-биологический журнал. - 2003. - Т. 5, № 1 - С. 58-70.

79. Андреев, В. С. Малый текст: опыт квантитативного анализа / В. С. Андреев // Известия Смолен. гос. ун-та. - 2020. - № 4 (52). - С. 117-126.

80. Андреев, В. С. Методы количественного исследования стиля в лингвистике: многомерный подход / В. С. Андреев // Известия Смолен. гос. ун-та.

- 2010. - № 3 (11). - С. 100-110.

81. Андреев, В. С. Опыт стилеметрического подхода к проблеме сопоставления индивидуальных стилей / В. С. Андреев // Известия Смолен. гос. унта. - 2017. - № 4 (40). - С. 183-189.

82. Андреев, С. Н. Атрибутивная валентность существительных в произведениях авторов-женщин и мужчин / С. Н. Андреев // Известия Смолен. гос. ун-та. - 2020. - № 3 (51). - С. 103-116.

83. Андреев, С. Н. Метод нечеткого анализа динамики стилей в стихотворных текстах / С. Н. Андреев, В. В. Борисов, К. П. Коршунова // Искусственный интеллект и принятие решений. - 2018. - № 3. - С. 78-90.

84. Андреев, С. Н. Степень связанности текстов (квантитативный анализ сонетов) / С. Н. Андреев // Квантитативная лингвистика. - 2018. - №. 5.

- С. 5-15.

85. Гонов, Ш.Х. Анализ состояния преступности в сфере пассажирских перевозок на железнодорожном транспорте / Ш.Х. Гонов, Н.Н. Пестов, Б.А. Торопов // Вестник Воронежского института МВД России. - 2020. - № 4.

- С. 84-93.

86. Горошко, И.В. Анализ методики оценки деятельности территориальных органов МВД России и некоторые подходы

к ее совершенствованию / И.В. Горош, А.А. Жирнов, Л.В. Россихина // Вестник Воронежского института ФСИН России. - 2021. - № 4. - С. 26-32.

87. Горошко, И.В. Некоторые аспекты совершенствования деятельности органов внутренних дел по оказанию населению государственных услуг в электронном виде / И.В. Горошко, В.А. Абрамов // Информатизация и информационная безопасность правоохранительных органов : Сборник трудов XXVI Всероссийской научной конференции, Москва, 07 июня 2017 года / Компьютерная верстка сборника: Б.А. Торопов. - М.: Академия управления Министерства внутренних дел Российской Федерации, 2017. - С. 12-15.

88. Горошко, И.В. Экономико-математическое моделирование процессов противодействия преступной деятельности / И.В. Горошко, С.А. Пузырев // Экономика и менеджмент систем управления. - 2014. - № 4-1(14).

- С. 162-170.

89. Громова, А. В. Перспективы криминалистического исследования объектов, созданных с применением технологий искусственного интеллекта для синтеза устной речи и генерации печатных текстов / А. В. Громова, С. С. Ошкуков // Стратегическое развитие системы МВД России: состояние, тенденции, перспективы : Сборник статей Международной научно-практической конференции, Москва, 23 октября 2020 года / Под общей редакцией И. Г. Чистобородова, А. Л. Ситковского, В. О. Лапина. - Москва: Академия управления Министерства внутренних дел Российской Федерации, 2020. - С. 236-242. - EDN TILMFZ.

90. Громова, А. В. Применение квантитативных методов в автороведческой идентификационной экспертизе / А. В. Громова, С. С. Ошкуков // Информационные технологии в деятельности органов внутренних дел : материалы Всероссийской научно-практической конференции, Москва, 13 октября 2022 года.

- Москва: Московский университет Министерства внутренних дел Российской Федерации им. В.Я. Кикотя, 2022. - С. 92-99. - EDN IRNMET.

91. Громова, А. В. Современные возможности автороведческой идентификационной экспертизы по материалам интернет-переписок

/ А. В. Громова, С. С. Ошкуков // Судебные экспертизы в уголовном процессе: теория и практика : Материалы всероссийской научно-практической конференции, Москва, 18-19 октября 2022 года. - Москва: Московская академия Следственного комитета Российской Федерации, 2023. - С. 65-69. - EDN MADUSD.

92. Данилова, О.Ю. Моделирование процессов принятия решения в правоохранительной деятельности /О.Ю. Данилова, А.В. п, В.В. Меньших [и др.].

- Воронеж: Воронежский институт Министерства внутренних дел Российской Федерации, 2021. - 103 с.

93. Индивидуально-личностные характеристики автора и количественные параметры его текста: корпусное исследование / Т.А. Литвинова [и др.] // Вопросы психолингвистики. - 2015. - № 26.- С. 98-105.

94. Зенков, А.В. Отклонения от закона Бенфорда и распознавание авторских особенностей в текстах / А.В. Зенков // Компьютерные исследования и моделирование. - 2015. - Т. 7. - № 1. - С. 197-201.

95. Захарова, Е.Ю. Лексическое разнообразие текста и способы его измерения / Е.Ю. Захарова, О.Ю. Савина // Вестник Тюменского государственного университета. - 2020. - Т. 6. - № 1 (21). - С. 20-34.

96. Корлякова, М.О. Анализ моделей классификации речи на основе эмбедингов в задачах оценки эмоциональной окраски текста / М.О. Корлякова, М.О. Сухацкий // Электронный журнал: наука, техника и образование. - 2024.

- № S2 (49). - С. 197-203.

97. Криминалистическое исследование текстов жанра «письмо-угроза» компьютерными и лингвистическими методами / А. В. Громова, Т. А. Литвинова, С. С. Ошкуков, И. В. Швецова // Известия Воронежского государственного педагогического университета. - 2025. - № 2(307). - С. 139-147. - DOI 10.47438/2309-7078_2025_2_139. - EDN СМ1КТЕ.

98. Кубасов, И.А. Порядок выбора и применения математических методов решения задач управления в организационных системах / И.А. Кубасов, В.Ф. Гапоненко, И. В. Гурлев // Вестник Воронежского института МВД России. - 2023.

- № 3. - С. 70-79.

99. Литвинова Т. А. Диагностирование пола автора письменного текста на основе количественных параметров: когнитивный подход / Т. А. Литвинова, О. В. Загоровская, П. В. Середин // Вопросы когнитивной лингвистики. - 2016.

- № 4. - С. 51-59.

100. Литвинова, Т. А. Компьютерные технологии в судебной автороведческой экспертизе: проблемы и перспективы использования / Т. А. Литвинова, А. В. Громова // Вестник Волгоградского гос. ун-та. Серия: Языкознание. - 2020. - Т. 19, № 1. - С. 77-88.

101. Литвинова, Т.А. Пунктуационные выборы как составляющая ортологического параметра идиолекта носителя современного русского языка в аспекте идентификационной автороведческой экспертизы / Т.А. Литвинова // Политическая лингвистика. - 2019. - № 1 (73). - С. 114-121.

102. Макаров, В. Ф. Принятие решений в территориальных органах МВД России в условиях риска и неопределенности / В. Ф. Макаров, А. С. Овчинский, А. В. Бецков, Н. И. Антонов // Инженерный вестник Дона. - 2023. - № 11(107).

- С. 87-103.

103. Манаева, И.В. Закон Ципфа: межстрановый анализ / И.В. Минаева // Экономический анализ: теория и практика. - 2018. - Т. 17, - № 7. - С. 1337-1351.

104. Мартыненко, Г. Я. Стилеметрия: возникновение и становление в контексте междисциплинарного взаимодействия. Часть 1. Первые шаги:

XIX век / Г. Я. Мартыненко // Структурная и прикладная лингвистика. - 2014.

- Вып. 10. - С. 3-22.

105. Мартыненко, Г. Я. Стилеметрия: возникновение и становление в контексте междисциплинарного взаимодействия. Часть 2. Первая половина

XX века: расширение междисциплинарных контактов стилеметрии / Г. Я. Мартыненко // Структурная и прикладная лингвистика. - 2015. - Вып. 11.

- С. 9-28.

106. Мартыненко, Г. Я. Стилеметрия: возникновение и становление в контексте междисциплинарного взаимодействия. Часть 3. Вторая половина

XX века: становление новой стилеметрии / Г. Я. Мартыненко // Структурная и прикладная лингвистика. - 2018. - Вып. 12. - С. 5-33.

107. Минаев, В.А. Моделирование динамики преступности с учетом фактора латентности / В.А. Минаев // Криминологический журнал. - 2022.

- № 2. - С. 67-78.

108. Неретина, Н.С. От научных лабораторий к судебно-криминалистическим. Развитие судебной экспертизы в ХУШ-Х1Х вв. / Н. С. Неретина // Актуальные проблемы российского права. - 2015. - № 2(51).

- С. 158-164. - EDN TKZLMH.

109. Орлова, Д. Е. Комплекс программ для решения задач моделирования, оптимизации и оценки устойчивости комплексной безопасности объектов критического применения / Д.Е. Орлова // Моделирование, оптимизация и информационные технологии. - 2020. - Т. 8, № 1(28). - DOI 10.26102/23106018/2020.28.1.036.

110. Ошкуков, С. С. Возможности идентификации авторов на основе извлечения и оценки количественных параметров текста / С. С. Ошкуков // Преступность в сфере информационных и телекоммуникационных технологий: проблемы предупреждения, раскрытия и расследования преступлений. - 2022.

- № 8. - С. 75-81. - EDN TKOKRE.

111. Ошкуков, С. С. Инструментальные методы анализа неструктурированных текстовых данных в задачах исследования анонимных текстов, содержащих угрозу совершения теракта / С. С. Ошкуков, А. В. Громова // Информатизация и информационная безопасность правоохранительных органов : сборник трудов Международной научно-практической конференции, Москва, 30 июня 2023 года. - Москва: Академия управления МВД России, 2023. - С. 196-203. - EDN УМЕНАТ.

112. Ошкуков, С. С. К проблеме криминалистического исследования текстов, содержащих угрозу совершения теракта / С. С. Ошкуков, И. В. Швецова // Преступность в сфере информационных и телекоммуникационных технологий:

проблемы предупреждения, раскрытия и расследования преступлений. - 2023. - № 9. - С. 56-65. - EDN МОН^А.

113. Ошкуков, С. С. Оптимизация сроков производства автороведческих идентификационных экспертиз на основе математических моделей / С. С. Ошкуков // Вестник Воронежского института МВД России. - 2025. - № 4. - С. 180-190. -EDN МУТВД.

114. Ошкуков, С. С. Применение множественной линейной регрессии и венгерского алгоритма для оптимизации распределения экспертных автороведческих исследований по исполнителям / С. С. Ошкуков // Вестник Воронежского института МВД России. - 2024. - № 2. - С. 119-129. - EDN ANSRDQ.

115. Ошкуков, С. С. Применение квантитативных методов исследования при идентификации автора текста / С. С. Ошкуков // Преступность. Общество. безопасность : сборник научных статей по материалам Международного форума и Международной научно-практической конференции, Академия управления МВД России, 20 октября 2023 года. - Москва: Академия управления МВД России, 2023. - С. 235-241. - EDN ZCYXAU.

116. Ошкуков, С. С. Стилеметрическая идентификация автора текста в автороведческой экспертизе / С. С. Ошкуков // Вестник Воронежского института МВД России. - 2023. - № 1. - С. 89-97. - EDN ENYOSJ.

117. Постников, В. М. Анализ подходов к формированию состава экспертной группы, ориентированной на подготовку и принятие решений / В. М. Постников // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. -2012. - № 5. - С. 333 - 349. - DOI 10.7463/0512.0360720. - EDN PGRQCN.

118. Рязанцев, В. И. Методика проведения согласования экспертных оценок полученных путём индивидуального анкетирования методом анализа иерархий / В. И. Рязанцев, А. В. Морозов // Инженерный вестник. - 2014. - № 12. - С. 19 - 28. -EDN TEUFAУ.

119. Тихомирова, Е.А. Статистический анализ в задаче идентификации автора текста, написанного на естественном языке / Е.А. Тихомирова // Наука и

Образование. МГТУ им. Н.Э. Баумана. Электронный журнал. - 2017. - № 06. - С. 131-146. - [Электронный ресурс]. - Режим доступа: http://engineering-science.ru/file/860909.html?_s=1 (дата обращения:15.10.2022).

120. Тишкина, В. В. Алгоритм сбора и анализа экспертных мнений для формирования рекомендательной базы при управлении объектами учёта на основе нечётко-множественного подхода / В. В. Тишкина // Вестник Рязанского государственного радиотехнического университета. - 2021. - № 77. - С. 93-100. -DOI 10.21667/1995-4565-2021-77-93-100. - EDN ZTKQCP.

121. Ягунова, Е.В. Особенности однословной терминологии междисциплинарной предметной области «Интеллектуальные технологии и компьютерная лингвистика» / Е.В. Ягунова, Л.М. Пивоварова, А.Н. Савина // Новые информационные технологии в автоматизированных системах. - 2014.

- № 7. - С. 357-364.

122. Andreev, S. Distribution of attributes as a feature of individual style / S. Andreev // CEUR Workshop Proceedings. - 2019. - Vol. 2552. - P. 95-104.

123. Burrows, J. «Delta»: a measure of stylistic difference and a guide to likely authorship / J. Burrows // Literary and Linguistic Computing. - 2002. - Vol. 17 (3).

- P. 267-287.

124. Burrows, J. All the way through: testing for authorship in different frequency strata / J. Burrows // Literary and Linguistic Computing. - 2007. - Vol. 22 (1). - P. 2747.

125. Burrows, J. Computation into criticism : a study of Jane Austen's novels and an experiment in method / J. Burrows. - New York, 1987а. - 271 p.

126. Burrows, J. Not unless you ask nicely: the interpretative nexus between analysis and information / J. Burrows // Literary and Linguistic Computing. - 1992.

- Vol. 7 (2). - P. 91-109.

127. Burrows, J. Word-patterns and story-shapes: the statistical analysis of narrative style / J. Burrows // Literary and Linguistic Computing. - 1987b. - Vol. 2 (2).

- P. 61-70.

128. Chaski, C.E. Best practices and admissibility of forensic author identification / C.E. Chaski // Journal of Law and Policy. - 2013. - Vol. 21 (2). - P. 333376.

129. Eder, M. Does size matter? Authorship attribution, small samples, big problem / M. Eder // Digital Humanities 2010: Conference Abstracts. - King's College London, 2010. - P. 132-135.

130. Eder, M. Short samples in authorship attribution: a new approach / M. Eder // Digital Humanities 2017: Conference Abstracts. - Montreal, 2017а.

- P. 221-224.

131. Eder, M. Stylometry with R: a package for computational text analysis / M. Eder, J. Rybicki, M. Kestemont // The R Journal. - 2016. - Vol. 8 (1).

- P. 107-121.

132. Eder, M. Visualization in stylometry: cluster analysis using networks / M. Eder // Digital Scholarship in the Humanities. - 2017b. - Vol. 32 (1). - P. 50-64.

133. Hoover, D. L. Frequent collocations and authorial style / D. L. Hoover // Literary and Linguistic Computing. - 2003. - Vol. 18 (3). -P. 261-286.

134. Hopfield, J. J. «Neural» computation of decisions in optimization problems / J.J. Hopfield, D.W. Tank // Biological cybernetics. - 1985. - № 3.

- P. 141-152.

135. Koppel, M. Computational methods in authorship attribution / M. Koppel // Journal of the American Society for Information Science and Technology.

- 2009. - Vol. 60 (1). - P. 9-26.

136. Mamdani, E. H. Responsible Agent Behavior: A Distributed Computing Perspective / E.H. Mamdani, J. Pitt // In IEEE Internet Computing. - 2000. - № 4 (5). -P. 27-31.

137. Michalke M. koRpus: Text Analysis with Emphasis on POS Tagging, Readability, and Lexical Diversity / M. Michalke - 2021. [Электронный ресурс].

- Режим доступа: https://reaktanz.de/?c=hacking&s=koRpus (дата обращения: 01.11.2022).

138. Mikros, G. K. Investigating topic influence in authorship attribution / G.K. Mikros, E. K. Argiri // Proceedings of the SIGIR 2007 International Workshop on Plagiarism Analysis, Authorship Identification, and Near-Duplicate Detection.

- Amsterdam, 2007. - P. 29-35.

139. Mikros, G. Modern Greek corpus taxonomy / G. Mikros, G. Carayannis // Proceedings of the Second International Conference on Language Resources and Evaluation. - Athens, 2000. - P. 129-134.

140. Not all character n-grams are created equal: A study in authorship attribution / U. Sapkota [et al.] // Human language technologies: The 2015 annual conference of the North American chapter of the association for computational linguistics. - 2015. - P. 93102.

141. Rudman, J. Aphra Behn's dramatic canon: stylistics, stylochronometry, and non-traditional authorship attribution / J. Rudman // ANQ: A Quarterly Journal of Short Articles, Notes and Reviews. - 2019. - Vol. 33 (1). - P. 1-11.

142. Rudman, J. The non-traditional case for the authorship of the twelve disputed «federalist» articles: A monument built on sand? / J. Rudman // Proceedings of ACH/ALLC 2005. - Victoria, 2005. - P. 97-122.

143. Rudman, J. The state of authorship attribution studies: some problems and solutions / J. Rudman // Computers and the Humanities. - 1998. - Vol. 31 (4).

- P. 351-365.

144. Rudman, J. The state of non-traditional authorship attribution studies-2012: some problems and solutions / J. Rudman // English Studies. - 2012. - Vol. 1

- P. 259-274.

145. Savoy, J. Authorship attribution: a comparative study of three text corpora and three languages / J. Savoy // Journal of Quantitative Linguistics. - 2012. - Vol. 19. -P. 132-161.

146. Savoy, J. Machine learning methods for stylometry / J. Savoy. - Springer, 2020. - 305 p.

147. Shanno, D.F. Minimization of Unconstrained Multivariate Functions Responsible Agent Behavior: A Distributed Computing Perspective / D.F. Shanno, K.H7 Phus // ACM Trans. Math. Softw. - 1976. - № 2 (1). - P. 87-94.

148. Smith, P. Improving Authorship Attribution: Optimizing Burrows' Delta Method / P. Smith // Journal of Quantitative Linguistics. - 2011. - №18. - P. 63-88.

149. Stamatatos, E. Masking topic-related information to enhance authorshipattribution / E. Stamatatos // Journal of the Association for Information Science and Technology. - 2018. - Vol. 69 (3). - Р. 461-473.

150. Stine, R.A. Graphical Interpretation of Variance Inflation Factors / R.A. Stine // The American Statistician. - 1995. - Vol. 49(1). - P. 53-56.

151. Tweedie, F.J. How Variable May a Constant Be? Measures of Lexical Richness in Perspective / F.J. Tweedie, R.H. Baayen // Computers and the Humanities. -1998. - Vol. 32 (5), - P. 323-352.

Электронные ресурсы

152. Python 3 implementation of the Hungarian Algorithm [Электронный ресурс] // Github inc. 2024. - Режим доступа: https://github. com/benchaplin/hungarian-algorithm?tab=readme-ov-file#readme (дата обращения: 15.02.2024).

ПРИЛОЖЕНИЯ

Приложение 1

Программный код программы для ЭВМ «Стилеметрическая идентификация авторов текстов»

import itertools import os import subprocess import sys import math import pymorphy2 import pickle import re import demoji import numpy as np import string

from tensorflow import keras

import matplotlib.pyplot as plt

from nltk.probability import FreqDist

from chardet.universaldetector import UniversalDetector

from PyQt5 import QtCore, uic, QtWidgets

import scipy.spatial.distance as ds

from PyQt5.QtWidgets import *

from nltk import ngrams

from collections import Counter

from def_and_var import (delta_burrows_coeff, message_info, entropy_, tokens_for_sentence, get_lemmas, get_sentence, \

list_pretexts, freq_and_coeff_part_of_speech, add_service_part, list_partials, list_conjunction, list_pronouns, \

indefinite_pronouns, list_smiles_keyboard, count_punctuation,

punct_n_gramms_choice, vowel_list, get_tokens, w2v,

get_count_derived_prepos) import setting_identification from infotext.divtext import DividedText

INTERVAL = 0.01060458

, ' '), (

1*1 11 1*1

), (',', ' ', '*'), (' ', '*', ','), ('?',

N_GRAMS_CHARACTERS_DVSA = [(

'*', ',', ' '), ('*', ' ', 'в'), (' ', '*', '?'), ('*', ' ', 'б'), ('.', ' ', '*'),

*| 101 I |\ /II 1*1 I |\ /1*1 II I |\ /II I I I |\ /I I I I |*|\

5-5 М 5 ■>■)■>{ 5-5 М ) В) ■> ■> Л

', '#', ' '), Г, ' ', '?'), ('#', ' ', '*'), Г, ' ', '#'), (')', ' ', '*'), ', ',', ' '), ('*', ' ', ','), (' ', '?', ' '), (' ', 'б', 'у'), ('б', 'у', 'д'), ', 'б', 'ы'), ('*', ' ', ')'), ('т', ' ', '*'), ('?', '?', ' '), ('?', '?', '?'), а', ' ', '*'), (' ', 'в', 'о'), (' ', 'А', ' '), (' ', '?', '?'), ('А', ' ', '*'),

*', ' ', 'В'), ('е', ' ', '*'), (' ', ')', ' '), ('у', 'д', 'е'), ('о', ' ', '*'),

*', ' ', 'А'), (' ', 'В', ' '), (')', ')', ' '), ('е', 'т', ' '), ('д', 'е', 'т'), ', 'в', 'с'), ('ь', ' ', '*'), (' ', ')', ')'), ('В', ' ', '*'), (' ', 'а', ' '), б', 'ы', 'л'), (' ', 'в', 'е'), (' ', 'б', 'о'), ('!', ' ', '*'), ('у', ' ', '*'), б', 'о', 'л'), ('ы', ' ', '*'), (' ', 'В', 'о'), ('и', ' ', '*'), ('*', ' ', 'а'), о', 'л', 'ь'), ('о', 'т', ' '), (')', ')', ')'), (' ', 'б', 'е'), ('т', 'ь', ' '), у', 'д', 'у'), ('б', 'ы', ' '), ('*', ' ', 'Б'), ('в', 'с', 'е'), (' ', '-', ' '), ', 'в', 'р'), ('!','!','!'), (' ', 'в', 'и'), ('*', ' ', '.'), (',', ' ', 'а'),

тт' 'т 1 'ттт'л Р ' 11 ' 'Л Л ' 11 Л ' Ч'\ I I I 1Л

Л, Ь , Ш),{.,.,.),{- , , ), \ , "Л

.', '.', ' '), ('я', ' ', '*'), (',', ' ', 'в'), ('д', 'у', ' '), (' ', '*', ')'), ы', 'л', 'о'), (',', '*', ' '), ('л', 'о', ' '), ('в', 'о', 'з'), ('е', 'з', ' '), ', '.', ' '), ('в', 'и', 'д'), ('з', ' ', '*'), ('с', 'е', 'г'), ('м', ' ', '*'), в', 'о', 'т'), ('ь', 'ш', 'е'), ('.', ' ', 'В'), ('о', 'з', 'ь'), ('з', 'ь', 'м')]

N_GRAMS_TOKENS_DVSA = [('*', '*', '*'), ('*' '*'),

('*' '*' '?') ('?' '*' '*') ('*' '' '*') ('*' '*' '') ('' '*' '*') ('*' ('*' ('*' ('*' ('*'

) ('' '*' '*') ('*' '*' '') ('*' '?'

'в' '*') ('*' '*' 'в') ('в' '*' '*') ('*' '#' '*') ('#' '*' '*') '*' '#') (')' '*' '*') ('*' '*' ')') ('*' ')' '*') ('А' '*' '*') '??' '*') (')' ')' '*') ('*' 'А' '*') ('??' '*' '*') ('*' '*' '??')

')', ')'), (',', '*', ','), ('*', '*', 'А'), ('В', '*', '*'), ('а', '*', '*'), '*', 'будет'), (')', ')', ')'), ('*', 'будет', '*'), ('*', 'В', '*'), ('*', '*',

'В'),

('будет', '*', '*'), (',', 'а', '*'), ('*', 'бы', '*'), (

1*1 II !„!

а'), (

1*1 I I 1*1

)]

N_GRAMS_TOKENS_DVMA = [('#', '#', '#'), (')', ')', ')'), ('***', '**', '*****'), ('*****', '**' '*****') ('**' '*****' '*****') ('**' '*****' '**') ('***' '**' '******') ('**' '#'

/1**1 1***1 1***1\ /1***1 1***1 1**1^

'#'), ('

/|**| 1******1 1**1

),

') ('***' '***' '**') ('*****' '**' '****') (' ('***' '**' '***') ('**' '*****' '***') ('**' '******' '***') ('*****' '**' '******') ('**' '****' '**') ('***' '***' '***') ('***' '***' '*****') ('***' '**' '****') ('**' '***' '*****') ('***' '*****' '*****') ('**' '**' '*****') ('*****' '*****' '*****') ('******' '**' '*****') ('***' '*****' '**') ('******' '***' '***') ('**' '*****' '******') ('****' '**' '*****') ('**' '***' '**')]

N_GRAMS_CHARACTERS_DVMA = [('*', '*', '*'), (' ', '*', '*'), ('*', '*', ', '*', ' '),

5 5 Л

/11 11 1*1\ /1*1 1*1 1 1\ /loi 1 1 1*1\ /1*1 I I I 1\ /1*1 I I I 1\

К, , , , ) )М') 5 Л V ■>■>■> /Д 5 5 в Л

'), (

1*1 1 1 1*1

(

*',

?

*',

?

*',

?

I

?

*',

а', *i

о', ('д',

('у', *i

*' '?') ('*' ' ' 'б') (''' ' '*') ('*' '?' ' ') ('*' '*' ' ') ' '), (' ', 'в', ' '), ('в', ' ', ''*'), ('*', '' ', '?'), ('#', '' ', '*'), '

а

, '#'), (')', ' ', '*'), (' ', ',', ' '), ('*', ' ', ','), (' ', '#', '#'),

, ' '), ('#', '#', ' '), (' ', 'б', 'у'), ('б', 'у', 'д'), (' ', 'б', 'ы'), , ')'), ('т', ' ', '*'), (' ', '#', ' '), ('?', '?', ' '), ('?', '?', '?'), , '*'), (' ', 'в', 'о'), (' ', 'А', ' '), (' ', '?', '?'), ('А', ' ', '*'), , 'В'), ('e', ' ', '*'), (' ', ')', ' '), ('у', 'д', 'e'), ('#', '#', '#'), , '*'), ('*', ' ', 'А'), (' ', 'В', ' '), (')', ')', ' '), ('e', 'т', ' '), e', 'т'), (' ', 'в', 'с'), ('ь', ' ', '*'), (' ', ')', ')'), ('В', ' ', '*'), , ' '), ('б', 'ы', 'л'), (' ', 'в', 'e'), (' ', 'б', 'о'), ('!', ' ', '*'), , '*'), ('б', 'о', 'л'), ('ы', ' ', '*'), (' ', 'В', 'о'), ('и', ' ', '*'), , 'а'), ('о', 'л', 'ь'), ('о', 'т', ' '), (')', ')', ')'), (' ', 'б', 'e'),

т, ь,

I I I I

1 '), ('у', 'д', 'у'), ('б', 'ы', ' '), ('*', ' ', 'Б'), ('в', 'с', 'e'),

'), (' ', 'в', 'р'), ('!', '!', '!'), (' ', 'в', 'и'), ('*', ' ', '.'),

,', ' ', 'а'), ('л', 'ь', 'ш'), ('.', '.', '.'), ('*', '*', '!'), ('-', ' ', '*'), *i ti i i\ /ti ti 11\ /i*i i*i i\i\ /i_i 11 i*i\ /it it i_i\ 5 , ~ J, \ ■ , ■ , Л\ 5 5 5 > ° Л

('д', 'у', ' '), ('ы', 'л', 'о'), ('л', 'о', ' '), ('в', 'о', 'з'), (',', '*', '*'), e', 'з', ' '), (' ', '.', ' '), ('в', 'и', 'д'), ('з', ' ', '*'), ('с', 'e', 'г')]

), ('

(

(

(

FIRST_GROUP_TREEGRAMS = [('S', 'V', '?'), ('A', 'S', '.'), ('S', 'S', '.'), ('V', 'V', '?'), ('S', 'S', '?'),

('ADV', 'V', '?'), ('A', 'S', '!'), ('PR', 'S', '?'), ('S', 'V', '.'), ('PART', 'V', '.'), ('PR', 'S', '.'), ('SPRO', 'V', '?'), ('V', 'S', '?')]

SECOND_GROUP_TREEGRAMS = [('*', '*', ','), ('*', '*', '?'), ('*', '*', '.'), ('*', '*', ')'), ('*', ',', '*')]

THIRD_GROUP_TREEGRAMS = [('*', '*', 'PNCT'), ('*', 'PNCT', '*'), ('PNCT', '*', '*'), ('*', 'PNCT', 'PNCT') def cos_params(list_text): all_lst_var_cos = [] all_lst_std_cos = [] all_lst_mean_cos = [] lst_for_w2v = [] for elem in list_text:

tokens_ = tokens_for_sentence(elem) for tok in tokens_:

if re.sub("[Ла-яА-Я]", '', tok) != '':

lst_for_w2v .append(tok.replace('\ufeff, '')) lst_for_w2v = get_lemmas(lst_for_w2v)

cos_distance_vectors = w2v(lst_for_w2v) all_lst_mean_cos.append(np.mean(cos_distance_vectors)) all_lst_std_cos.append(np.std(cos_distance_vectors)) all_lst_var_cos. append(np.var(cos_distance_vectors)) cos_distance_words = round(np.mean(all_lst_mean_cos), 4) cos_std_distance_words = round(np.mean(all_lst_std_cos), 4) cos_var_distance_words = round(np.mean(all_lst_var_cos), 4) return cos_distance_words, cos_std_distance_words, cos_var_distance_words

def freq_struct_words(file_name, read_text, type_='st'): if read_text:

sum_service_part = \ list_pretexts + list_partials + list_conjunction + list_pronouns + add_service_part + indefinite_pronouns

service_part_for_file = []

for service_part_ in sum_service_part:

service_part_for_file.append(re.findall(r'\b' + service_part_ + r'\b', read_text.lower()))

serv_part = list(itertools.chain(*service_part_for_file)) serv_part_count = Counter(serv_part).most_common() serv_part_freq = [] for part in serv_part_count:

serv_part_freq.append((part[0], round(part[1] /

len(tokens_for_sentence(read_text.replace('\n', ' '), no_stop_words=False)), 6))) str_serv_part_total = "\n".join([str(sp) for sp in serv_part_freq]) name_save = 'service_part_' + type_ + '.txt'

with open(os.path.join(os.path.abspath(os.curdir), 'FEATURES', name_save), 'w') as sp_file: sp_file.write(

'-----Структурные части речи в файле ' + file_name + '-----\n'

+ str_serv_part_total)

else:

message_info('B файле ' + file_name + 'отсутствует текст')

def pca_func(vector, type_view='2d'): pca_name = type_view + '.pickle'

if os.path.isfile(os.path.join('pca', pca_name)):

with open(os.path.join('pca', pca_name), 'rb') as file_:

pca = pickle.load(file_) pca_comp = pca.transform(np.array(vector, dtype=float)) std_ = np.sum(pca.explained_variance_ratio_) return pca_comp, std_

else:

message_info('He найден файл pca с именем:\п' + pca_name)

def is_digit(token): if token.isdigit():

return True else: try:

float(token) return True except ValueError: return False

def text_distortion_dvma(text, most_popular):

morph = pymorphy2.MorphAnalyzer(path='pymorphy2_dicts_ru/data')

distortion_text = ''

pos, tokens = get_tokens(text)

for ind, token in enumerate(tokens):

if morph.parse(token.lower())[0].normal_form not in most_popular: if is_digit(token): for dig in token:

if dig not in string.punctuation:

distortion_text += '#' else:

distortion_text += dig if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' '

elif token in string.punctuation or token[0] in string.punctuation + "«" + "»" + "—

11.

distortion_text += token if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' '

else:

distortion_text += '*' * len(token) if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' '

else:

distortion_text += token if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' ' return distortion_text

def text_distortion_dvsa(text, most_popular):

morph = pymorphy2.MorphAnalyzer(path='pymorphy2_dicts_ru/data')

distortion_text = ''

pos, tokens = get_tokens(text)

for ind, token in enumerate(tokens):

if morph.parse(token.lower())[0].normal_form not in most_popular: if is_digit(token): distortion_text += '#' if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' '

elif token in string.punctuation or token[0] in string.punctuation + "«" + "»" + "—

11.

distortion_text += token if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' '

else:

distortion_text += '*' if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' '

else:

distortion_text += token if pos[ind][1] != len(text): if text[pos[ind][1]] == ' ': distortion_text += ' ' return distortion_text

def freq_dvma_dvsa_characters(text_distruct, type_destruction='dvma'): list_result = []

n_grams_characters = Counter(ngrams(text_distruct, 3)).most_common() if type_destruction == 'dvma':

n_grams_ = N_GRAMS_CHARACTERS_DVMA elif type_destruction == 'dvsa':

n_grams_ = N_GRAMS_CHARACTERS_DVSA for elem in n_grams_: flag_yes = False

for elem_counter in n_grams_characters: if elem == elem_counter[0]:

list_result.append('_'join(elem) + '-' + str(round(elem_counter[1] / len(text_distruct), 4)))

flag_yes = True if not flag_yes:

list_resultappend('_'join(elem) + '-' + str(0)) return list_result

def freq_dvma_dvsa_tokens(text_distruct, type_destruction='dvma'): pos, tokens = get_tokens(text_distruct) list_result = []

n_grams_tokens = Counter(ngrams(tokens, 3)).most_common() if type_destruction == 'dvma':

n_grams_ = N_GRAMS_TOKENS_DVMA elif type_destruction == 'dvsa':

n_grams_ = N_GRAMS_TOKENS_DVSA for elem in n_grams_: flag_yes = False

for elem_counter in n_grams_tokens: if elem == elem_counter[0]:

list_result.append('_'.join(elem) + '-' + str(round(elem_counter[1] / len(tokens),

4)))

flag_yes = True if not flag_yes:

list_result.append('_'.join(elem) + '-' + str(0)) return list result

def get_most_popular_rus_words_top_sharov() :

if os.path.isfile(os.path.join(os.path.abspath(os.curdir),

'top_4926 ._sharov.txt')): try:

with open(os.path .j oin(o s.path. abspath(os. curdir),

'top_4926._sharov.txt'), 'r') as text_file:

most_popular_rus_words_top_10000 = text_file.read().split('\n') return most_popular_rus_words_top_10000 except Exception as e: message_info(str(e))

else:

message = и'Файл стоп слов не найден' message_info(message)

'infotext',

'infotext'.

def calc_vector_features(text, flag, count_symbols_div, move_win_size, n_gramms_punct=True,

coeff_logical=False, flash_ganning=False, only_ngramms=False, only_de struct_ngram s=False,

coeffs_lexical=True, coeff_jiro=False, destruct_ngrams=True, emoji_use=True, cos_metrics=True):

vector_features_float = []

if flag == 'st':

vector_features = ['st'] elif flag == 'sample':

vector_features = ['sample'] try:

tokens_no_stopwords_all = tokens_for_sentence(text)

if len(tokens_no_stopwords_all) != 0:

divided_obj = DividedText(text, count_element=count_symbols_div)

lemmas_all = get_lemmas(tokens_no_stopwords_all)

list_for_entropy = []

list_for_entropy_words = []

_, list_divided_text = divided_obj.divided_text()

for list_i in list_divided_text:

tokens_ = tokens_for_sentence(list_i.lower(), no_stop_words=False) lemmas_ = get_lemmas(tokens_)

list_for_entropy_words.append(entropy_(list(lemmas_))) list_for_entropy.append(entropy_(list(list_i))) entropy_symbols = np.mean(list_for_entropy) entropy_words = np.mean(list_for_entropy_words)

if move_win_size > len(tokens_no_stopwords_all):

ttr_mattr = round(len(set(lemmas_all)) / len(tokens_no_stopwords_all), 4) ttr_jiro = round(len(set(lemmas_all)) /

math.sqrt(len(tokens_no_stopwords_all)), 4)

ttr_maas = round(math.sqrt((math.log(len(tokens_no_stopwords_all)) -math.log(len(set(lemmas_all)))) / math.log(len(tokens_no_stopwords_all)) ** 2), 4) ttr_brunet = round((len(tokens_no_stopwords_all) * * (len(set(lemmas_all)) * * -0.172)) / 10, 4)

v_n_v = Counter(lemmas_all).most_common()

sichel_ind = []

honore_ind = []