Список литературы

2518-1092

Научный результат. Информационные технологии

2518-1092

10.18413/2518-1092-2022-8-2-0-5

3145

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПРИНЯТИЕ РЕШЕНИЙ

<strong>МЕТОД ВЫЯВЛЕНИЯ КОСВЕННЫХ ПРИЗНАКОВ КОРРУПЦИОННЫХ ДЕЯНИЙ ПО ВИДЕОЗАПИСЯМ ВЫСТУПЛЕНИЙ ГОССЛУЖАЩИХ</strong>

<strong>THE METHOD OF IDENTIFYING INDIRECT SIGNS OF CORRUPTION ACTS BASED ON VIDEO RECORDINGS OF SPEECHES OF CIVIL SERVANTS</strong>

Крайновских

Вероника Игоревна

Krainovskikh

Veronika Igorevna

vikraynova@edu.hse.ru

Комарова

Алёна Алексеевна

Komarova

Alyona Alekseevna

Басов

Олег Олегович

Basov

Oleg Olegovich

oobasov@mail.ru

Басов

Олег Олегович

Basov

Oleg Olegovich

oobasov@mail.ru

2023

8200

На данный момент проблема противодействию коррупционным действиям в сфере государственной службы по–прежнему не теряет свою актуальность. Предполагается, что при совершении коррупционных деяний люди проявляют определенные вербальные и невербальные сигналы, с помощью которых можно выявить коррупционные признаки. В статье рассматривается проблема нарушения антикоррупционного законодательства в государственных и муниципальных учреждениях с точки зрения психоэмоционального состояния чиновников. Предлагается использовать методы машинного обучения для анализа видео и аудио записей выступлений с неподготовленной речью чиновников различного уровня власти, где они отвечают на вопросы журналистов и общественности, с целью определения эмоций и выявления агрессии, неуверенности, а также уклончивости в ответах. Результаты исследования могут быть полезны для государственных органов, занимающихся борьбой с коррупцией, а также для общественности, заинтересованной в прозрачности и честности деятельности государственных служащих.

At the moment, the problem of countering corruption in the field of public service still does not lose its relevance. It is assumed that when committing acts of corruption, people show certain verbal and non-verbal signals, with the help of which it is possible to identify signs of corruption. The article deals with the problem of violation of anti-corruption legislation in state and municipal institutions from the point of view of the psycho-emotional state of officials. It is proposed to use machine learning methods to analyze video and audio recordings of speeches with unprepared speech of officials of various levels of government, where they answer questions from journalists and the public, in order to determine emotions and identify aggression, uncertainty, and evasiveness in answers. The results of the study may be useful for government agencies involved in the fight against corruption, as well as for the public interested in transparency and honesty of the activities of civil servants.

противодействие коррупциигосударственное управлениемашинное обучениевербальный анализанализ аудио-видеозаписейанализ психоэмоционального состояния

anti–corruptionpublic administrationmachine learningverbal analysisanalysis of audio-video recordingsanalysis of psycho-emotional state

Список литературы

Овсянникова В. В. К вопросу о классификации эмоций: категориальный и многомерный подходы // Финансовая аналитика: проблемы и решения. – 2013. – №. 37. – С. 43-48.

Рогов Е. И. Настольная книга практического психолога: Учебное пособие // М.: ВЛАДОС. – 1998. – С. 134-142.

Самигулин Т. Р., Смирнов И. З., Лаушкина А. А. Определение маркеров агрессивного поведения человека на основе анализа аудио и текстового каналов // Научный результат. Информационные технологии. – 2022. – Т. 7. – №. 2. – С. 55-62.

Bazarevsky V. et al. Blazeface: Sub-millisecond neural face detection on mobile gpus //arXiv preprint arXiv:1907.05047. – 2019.

Burkhardt F. et al. A database of German emotional speech // Interspeech. – 2005. – Т. 5. – С. 1517-1520.

Chow A., Louie J. Detecting lies via speech patterns. – 2017.

Devyatkin D. A. et al. Intelligent analysis of manifestations of verbal aggressiveness in network community texts //Scientific and Technical Information Processing. – 2014. – Т. 41. – С. 377-389.

Goupil L. et al. Listeners’ perceptions of the certainty and honesty of a speaker are associated with a common prosodic signature // Nature communication. – 2021. – Т. 12. – №. 1. – С. 861.

Gournay P., Lahaie O., Lefebvre R. A canadian french emotional speech dataset //Proceedings of the 9th ACM multimedia systems conference. – 2018. – С. 399-402.

Korobov M. Morphological analyzer and generator for Russian and Ukrainian languages //Analysis of Images, Social Networks and Texts: 4th International Conference, AIST 2015, Yekaterinburg, Russia, April 9–11, 2015, Revised Selected Papers 4. – Springer International Publishing, 2015. – С. 320-332.

Kossaifi J. et al. Sewa db: A rich database for audio-visual emotion and sentiment research in the wild // IEEE transactions on pattern analysis and machine intelligence. – 2019. – Т. 43. – №. 3. – С. 1022-1040.

Laushkina, Anastasia & Smirnov, Ivan & Medvedev, Anatoly & Laptev, Andrey & Sinko, Mikhail. (2022). Detecting incongruity in the expression of emotions in short videos based on a multimodal approach. Cybernetics and Physics. 210-216.

Luna-Jiménez C. et al. A Proposal for Multimodal Emotion Recognition Using Aural Transformers and Action Units on RAVDESS Dataset // Applied Sciences. 2021. – Vol. 12. – № 1. – P. 327.

Marcolla F., de Santiago R., Dazzi R. Novel Lie Speech Classification by using Voice Stress // Proceedings of the 12th International Conference on Agents and Artificial Intelligence. SCITEPRESS – Science and Technology Publications. – 2020. – С. 742–749.

McFee B. et al. librosa: Audio and music signal analysis in python //Proceedings of the 14th python in science conference. – 2015. – Т. 8. – С. 18-25.

Oviatt S. et al. (ed.). The Handbook of Multimodal-Multisensor Interfaces: Signal Processing, Architectures, and Detection of Emotion and Cognition-Volume 2. – Association for Computing Machinery and Morgan & Claypool, 2018.

S. Haq P.J.B.J. Multimodal Emotion Recognition / ed. Wang W. IGI Global, 2010. C. 398–423.

Saeed H. H., Shahzad K., Kamiran F. Overlapping toxic sentiment classification using deep neural architectures //2018 IEEE international conference on data mining workshops (ICDMW). – IEEE, 2018. – С. 1361-1366.

Sinko M. et al. Method of constructing and identifying predictive models of human behavior based on information models of non-verbal signals //Procedia Computer Science. – 2022. – Т. 212. – С. 171-180.

Tenney I., Das D., Pavlick E. BERT rediscovers the classical NLP pipeline // arXiv preprint arXiv:1905.05950. – 2019.

Tsai Y. H. H. et al. Learning factorized multimodal representations // arXiv preprint arXiv:1806.06176. – 2018.

Tsai Y. H. H. et al. Multimodal transformer for unaligned multimodal language sequences //Proceedings of the conference. Association for Computational Linguistics. Meeting. – NIH Public Access, 2019. – Т. 2019. – С. 6558.

Tzirakis P. et al. End-to-end multimodal emotion recognition using deep neural networks //IEEE Journal of selected topics in signal processing. – 2017. – Т. 11. – №. 8. – С. 1301-1309.

В МВФ оценили потери мировой экономике от коррупции [Электронный ресурс]. – Режим доступа: https://www.rbc.ru/economics/18/09/2017/59bfead89a794704d063c4f0 (дата обращения: 03.04.2023).

Краткая характеристика состояния преступности в Российской Федерации за январь-июнь 2022 года. URL: https://xn--b1aew.xn--p1ai/reports/item/31209853/ (дата обращения: 03.04.2023).

НИУ ВШЭ предложил использовать искусственный интеллект для предотвращения коррупции в РФ [Электронный ресурс]. – Режим доступа: https://tass.ru/ekonomika/14304599 (дата обращения: 03.04.2023).

Bert for Sequence Classification (Question vs Statement)  [Электронный ресурс]. – Режим доступа: https://sparknlp.org/2021/11/04/bert_sequence_classifier_question_statement_en.html (дата обращения: 15.04.2023).