Mesterséges intelligencia innovációk a bűnüldözési képzésben: CEPOL stratégia 23–27

mesterséges intelligencia, bűnüldözés, képzési innovációk, digitális készségek, új technológiák, képzési tevékenységek, készséghiány, CEPOL stratégia 23–27

Hogyan kell idézni

Mesterséges intelligencia innovációk a bűnüldözési képzésben: CEPOL stratégia 23–27. (2025). Belügyi Szemle, 73(9), 1879-1896. https://doi.org/10.38146/bsz-ajia.2025.v73.i9.pp1879-1896

Absztrakt

Cél: A tanulmány a mesterséges intelligencia (MI) szerepét vizsgálja a bűnüldözési képzésben, elsősorban az MI használatával kapcsolatos előnyökre és kihívásokra fókuszálva. A képzésben alkalmazott MI valós idejű, személyre szabott visszajelzést adhat a bűnüldöző szervek munkatársainak teljesítményükről, amely segítheti saját készségeik és ismereteik fejlesztését. Azonban az MI használata a bűnüldözési képzésben számos kihívást is felvet, például a személyes adatok felhasználásával kapcsolatos etikai aggályokat és az MI-algoritmusokban rejlő potenciális torzításokat. Ezért elengedhetetlen, hogy a bűnüldözési szervek munkatársait hatékonyan felkészítsék az MI teljes potenciáljának kihasználására, miközben minimalizálják a lehetséges torzításokat.

Módszertan: A tanulmány az Európai Unió Bűnüldözési Képzési Ügynökségének (CEPOL) új digitális stratégiáját is vizsgálja. E stratégia mentén bemutatja azt is, hogy a CEPOL hogyan építi be az MI-technológiát a képzési programjaiba, hogy a bűnüldöző hatóságok a legfrissebb ismeretekkel és készségekkel rendelkezzenek.

Megállapítások: A tanulmány hangsúlyozza a kutatás és a tudomány fontosságát az új mesterséges intelligenciával kapcsolatos fejlesztések és jó gyakorlatok kidolgozásában.

Érték: A cikkben bemutatásra kerülnek a digitális készségek és az új technológiák használata során eddig észlelt hiányosságok a bűnüldözési képzés területén. A CEPOL rendszeresen gyűjt adatokat a bűnüldözési tisztviselők stratégiai képzési prioritásainak meghatározása érdekében, különös hangsúlyt fektetve a digitális készségekre és az új technológiák használatára. A bűnüldözési hatóságok munkájában használt technológiák fejlesztésével párhuzamosan prioritás marad a bűnüldözési szervek ismereteinek bővítése a belső biztonság területén alkalmazott mesterséges intelligencia etikus és felelősségteljes használatának szabályairól.

PDF

Hivatkozások

Angelov, P. & Gu, X. (2018). Towards Anthropomorphic Machine Learning. The Expanding Frontier of Artificial Intelligence. Computer, 51(9), 28-36. https://doi.org/10.1109/MC.2018.3620973

Celik I. et al. (2022). The Promises and Challenges of Artificial Intelligence for Teachers: A Systematic Review of Research. TechTrends, 66, 616–630. https://doi.org/10.1007/s11528- 022-00715-y

Chubb, J., Cowling, P. & Reed, D. (2022). Speeding up to keep up: exploring the use of AI in the research process. AI & Soc 37, 1439–1457. https://doi.org/10.1007/s00146-021-01259-0

Felzmann, H., Villaronga, E. F. & Lutz, C. et al. (2020). Transparency you can trust: Transparency requirements for artificial intelligence between legal norms and contextual concerns. Big Data & Society, 6(1), 1-14. https://doi.org/10.1177/2053951719860542

Gesk, T. S. & Leyer, M. (2022). Artificial intelligence in public services: When and why citizens accept its usage. Government Information Quarterly, 39(3), 101704. https://doi.org/10.1016/j.giq.2022.101704

Hayward, K. J. & Maas, M. M. (2020). Artificial intelligence and crime. A primer for criminologists. Crime Media Culture, 17(2), 209-233. https//www.doi:10.1177/1741659020917434

Lotfi, I. & El Bouhadi, A. (2022). Artificial Intelligence Methods: Toward a New Decision-Making Tool. Applied Artificial Intelligence, 36(1), e1992141. https://doi.org/10.1080/08839514.2021.1992141

Lunhol, O. & Torhalo, P. (2024). Artificial Intelligence in Law Enforcement: current state and development prospects. Proceedings of Socratic Lectures, 10, 120-124. https://doi.org/10.55295/PSL.2024.II12

Mager, R. F. & Pipe, P. (1979). Analyzing performance problems. Lake Publishing. https://hptmanualaaly.weebly.com/mager-and-pipes-model.html

McGehee, W., & Thayer, P. (1961). Training in business and industry. Wiley.

Montasari, R. (2022). Artificial Intelligence and National Security. Springer.

Ntoutsi, E., Fafalios, P. & Gadiraju U. et al. (2020). Bias in data-driven artificial intelligence systems - An introductory survey. WIREs Data Mining Knowl Discov, 10(6), 1356. https://doi.org/10.1002/widm.1356

Poushter, J. et al. (2016). Smartphone ownership and internet usage continues to climb emerging economies. Pew Research Center, 22, 1-44.

Rademacher, T. (2020). Artificial Intelligence and Law Enforcement. In T. Wischmeyer, & T. Rademacher (Eds.), Regulating Artificial Intelligence (pp. 225-254). Springer. https://doi.org/10.1007/978-3- 030-32361-5

Trutkowski, C. (2016). Training needs analysis and national training strategies Toolkit. Centre of Expertise for Local Government Reform. Council of Europe.

Vidu, C., Zbuchea, A., Mocanu, R. & Pinzaru, F. (2020). Artificial Intelligence and the Ethical Use of Knowledge. Strategica.

Zhu L. et al., (2021). Adding power of artificial intelligence to situational awareness of large interconnections dominated by inverter-based resources. High Volt, 6(6), 924-937. https://doi.org/10.1049/hve2.12157

Zhu, H. & Jin, Y. (2019). Multi-objective Evolutionary Federated Learning. In IEEE Transactions on Neural Networks and Learning Systems, 31(4), 1310-1322.