NLP-скрининг как инструмент раннего выявления признаков финансирования экстремизма

Введение

В условиях развития современных технологий цифровая среда активно используется не только для распространения экстремистских материалов, но и для координации действий, сбора денежных средств и передачи финансовой информации. В этих условиях возрастает потребность в инструментах работы с обилием текста и выделении в них в том числе ранее неформализованных признаков финансирования экстремизма. Ручной анализ таких материалов отличается трудоемкостью и ограниченными возможностями выявления скрытых и изменяющихся языковых паттернов. Применение методов обработки естественного языка (Natural Language Processing – NLP) повышает оперативность и системность анализа текстового контента, а также расширяет эмпирическую базу для уточнения и развития системы признаков финансирования экстремизма, что значимо для повышения результативности финансового мониторинга и снижения издержек контрольных процедур.

Проблематика выявления финансовых сигналов в цифровом контенте для целей противодействия финансированию экстремизма и терроризма формируется на пересечении нескольких исследовательских направлений.

В зарубежной литературе одним из наиболее развитых направлений является исследование цифровых механизмов финансирования террористической и экстремистской деятельности. Так, Т. Китинг и Ф. Кин показывают, что социальные медиа выступают не только каналом коммуникации и пропаганды, но и инструментом фандрайзинга, причем уязвимости различаются в зависимости от типа платформы и характера взаимодействия пользователей [15]. В их работах выявлено, что цифровая среда снижает транзакционные барьеры для привлечения средств, расширяет географию потенциальных доноров и усложняет процедуры обнаружения и пресечения таких потоков. Похожий вывод содержится в материалах Группы разработки финансовых мер борьбы с отмыванием денег (FATF, где указано, что онлайн-платформы активно используются для финансирования терроризма, а риски приобретают более адаптивный характер. При этом в данных документах основное внимание уделяется типологии угроз, институциональным уязвимостям и общим мерам риск-ориентированного реагирования, тогда как конкретные инструменты автоматизированного отбора финансово значимых сигналов не становятся центральным предметом анализа [12].

Вторая крупная ветвь зарубежных исследований связана с автоматическим выявлением экстремистского, радикализирующего и иного вредоносного контента. Систематический обзор М. Гейквода, С. Ахиррао, С. Фансалкара показывает, что данное направление уже располагает крупным числом работ, в которых используются различные методы классификации, машинного и глубокого обучения, но сохраняются проблемы ограниченности и несбалансированности датасетов, недостаточной валидности выборок и идеологической асимметрии исследовательского поля [14]. Аналогичный вывод содержится и в обзоре К. Рави и Дж.-С. Юан, охватывающем множество исследований по выявлению идеологической ориентации и экстремизма в социальных сетях. Авторы фиксируют значительное разнообразие применяемых методов, но одновременно подчеркивают наличие устойчивых проблем, связанных с дезинформацией, слабой сопоставимостью и ограниченной переносимостью результатов между платформами [16].

Ряд зарубежных исследований углубляет содержательную сторону автоматического анализа радикализации. О. Арак и соавт. обосновывают необходимость перехода от упрощенной бинарной классификации к более сложной интерпретации языковых сигналов, связанных с драйверами радикализации на разных уровнях социальной среды. Авторы показывают, что языковые признаки должны анализироваться не изолированно, а в связи с поведенческим и социальным контекстом [9]. В исследовании С. Де Кок и E. Хови внимание сосредоточено на выявлении социолингвистических индикаторов радикализации в онлайн-сообществах; авторы приходят к выводу, что NLP-модели способны поддерживать раннюю идентификацию пользователей из группы риска даже на основе ограниченного числа первичных взаимодействий [10]. В позиционной работе З. Талат и соавт. исследования онлайн-радикализации рассматриваются как еще не зрелое направление, для которого важны учет временной изменчивости контента и интеграция разных модальностей данных [17]. И.M. Аль-Шавакфа и соавт., анализируя арабоязычные медиа, показывают, что ансамблевые модели на основе глубокого обучения и трансформерных архитектур эффективны для раннего выявления радикализации и использоваться в задачах противодействия терроризму и модерации контента [8].

Научное сообщество уже выработало инструментарий автоматического анализа экстремистского и радикализирующего контента. Однако, в большинстве исследований конечной целью выступают детекция идеологически опасного контента либо мониторинг радикализационных процессов, тогда как вопросы финансовой значимости обнаруженных сигналов, их связи с инфраструктурой сбора средств и использования для оптимизации процедур финансового мониторинга остаются на периферии анализа.

Российская литература тоже демонстрирует наличие двух сравнительно самостоятельных направлений. Первое связано с правовыми, организационными и криминологическими аспектами противодействия финансированию экстремизма и терроризма в условиях цифровизации. В работах Г.А. Лашина, И.В. Охотникова и И.В. Сибирко, Т.В. Пинкевич и О.А. Зубаловой и В.В. Баранова рассматривается влияние новых технологий, цифровой трансформации, платформенных сервисов и иных современных факторов на характер угроз финансирования терроризма и экстремизма. Эти публикации подтверждают, что цифровая среда меняет механизмы привлечения, перемещения и маскировки денежных потоков, а значит, требует адаптации мер противодействия. Также в них преобладают нормативно-правовые, институциональные и общетеоретические аспекты, а прикладные модели автоматизированного отбора финансово значимых сигналов из цифрового контента специально не разрабатываются [1, 2, 7].

Второе направление представлено исследованиями об автоматическом выявлении деструктивного, экстремистского и террористического контента в социальных медиа и мессенджерах. В исследованиях показано, что методы машинного обучения дают высокую результативность при выявлении деструктивного контента в медиа [4]. В последующей работе делается вывод о превосходстве моделей на базе BERT ряда других архитектур при выявлении экстремистского контента в условиях шумных данных [3]. В исследовании о Telegram-каналах предлагается подход к их автоматизированному «просеиванию» по доле экстремистских сообщений [6]. В работе В.В. Баранова использование искусственного интеллекта для выявления и предотвращения распространения экстремистской и террористической информации рассматривается как одно из ключевых направлений развития современной системы мониторинга деструктивного контента [1].

Проведенный анализ позволяет сделать вывод о средней, но фрагментированной степени научной разработанности проблемы. С одной стороны, подробно изучены цифровые каналы финансирования терроризма и экстремизма, а также методы автоматического выявления подобного контента. С другой стороны, гораздо слабее разработана исследовательская ниша, находящаяся на стыке этих направлений, а именно применение NLP- и ML-инструментов для выделения финансовых сигналов в цифровом контенте в интересах ПОД/ФТ, управления финансовыми рисками и снижения издержек контроля.

Это обстоятельство определяет актуальность данного исследования. Его научная новизна обоснована не самим фактом применения NLP к деструктивному контенту, а переносом этих инструментов в плоскость финансово-аналитического риск-скрининга. Автоматический анализ рассматривается как средство раннего отбора потенциально значимых ситуаций, снижения транзакционных издержек контроля, повышения адресности проверки и последующего выявления финансовой инфраструктуры противоправной активности.

Гипотеза исследования заключается в том, что NLP-скрининг текстового контента позволяет повысить оперативность выявления уже известных признаков финансирования экстремизма и создать аналитическую основу для уточнения и расширения системы таких признаков в целях повышения результативности финансового мониторинга.

Цель заключается в разработке системы признаков и аналитического подхода к NLP-скринингу текстового контента для выявления признаков финансирования экстремизма.

Необходимость разработки инструментов раннего выявления признаков финансирования экстремизма обусловлена сохраняющейся значимостью экстремизма в России и усложнением каналов финансовой поддержки противоправной деятельности в цифровой среде. Официальные статистические материалы Генеральной прокуратуры Российской Федерации выделяют экстремистские преступления в самостоятельный массив федерального учета, подтверждая устойчивость данной категории как объекта уголовно-правового и криминологического контроля. Публичные оценки правоохранительных органов указывают на рост числа преступлений экстремистской направленности в 2025 г., что свидетельствует о сохранении актуальности проблемы и необходимости совершенствования механизмов ее раннего выявления [1].

В исследовании использованы методы анализа и синтеза научной литературы, сравнительного анализа, теоретического моделирования и аналитической типологизации. На их основе систематизированы признаки финансирования экстремизма в текстовом контенте, предложен подход к NLP-скринингу и определены показатели его потенциальной применимости в целях финансового мониторинга.

Правовые и институциональные основы применения NLP-скрининга в деятельности Росфинмониторинга

Нормативно-правовая основа исследования определяется закрепленностью в российском праве финансирования экстремизма как юридически значимого поведения, влекущего специальные меры финансового мониторинга и, в предусмотренных законом случаях, уголовно-правовые последствия. Базовое значение здесь имеет ФЗ «О противодействии экстремистской деятельности», в котором финансирование экстремистской деятельности понимается как оказание финансовых услуг, а также предоставление, сбор денежных средств или иного имущества при осознании того, что они предназначены для финансирования экстремистской организации, экстремистского сообщества, подготовки или совершения преступлений экстремистской направленности либо обеспечения лица в целях совершения таких преступлений. Близкая по содержанию конструкция закреплена в ст. 282.3 УК РФ, где финансирование экстремистской деятельности раскрывается предоставлением или сбором средств либо оказанием финансовых услуг, заведомо предназначенных для обеспечения экстремизма. Законодатель задает исходные элементы, на основе которых могут быть выделены признаки финансирования экстремизма в текстовом контенте: призывы к сбору средств, указание способов перечисления, распространение реквизитов, координация передачи имущества или финансовых услуг, а также информационное сопровождение материального обеспечения экстремистской активности.

Российское законодательство не содержит единого самостоятельного перечня «признаков финансирования экстремизма» в виде, пригодном для автоматизированного анализа. Это объясняется тем, что закон закрепляет составы деяний, основания контроля и ограничения, но не может детально формализовать все текстовые и поведенческие индикаторы. Поэтому признаки финансирования экстремизма на практике складываются из совокупности нескольких нормативных массивов: антиэкстремистского законодательства, уголовно-правовых норм и законодательства о противодействии легализации доходов, полученных преступным путем, и финансированию терроризма. Эта разобщенность образует исследовательскую нишу для аналитической систематизации признаков, пригодных для NLP-скрининга.

Ключевое место в правовом обеспечении занимает ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путём, и финансированию терроризма». Он не содержит развернутой типологии признаков финансирования экстремизма, но формирует правовую основу внутреннего и обязательного контроля, передачи сообщений в Росфинмониторинг, применения ограничительных мер и работы с перечнем организаций и физических лиц, в отношении которых имеются сведения об их причастности к экстремистской деятельности или терроризму. В системе ПОД/ФТ экстремизм и терроризм частично объединяются в единый операционный режим контроля. Нормативная логика 115-ФЗ показывает, что в практике финансового мониторинга задача состоит в выделении сигналов, имеющих значение для выявления финансовой поддержки запрещенной деятельности и последующей передачи информации по компетенции.

Особое значение имеет перечень организаций и физических лиц, в отношении которых имеются сведения об их причастности к экстремизму или терроризму. Включение в него осуществляется на основании предусмотренных законом юридических фактов. Такими основаниями выступают вступившие в законную силу судебные решения о ликвидации или запрете деятельности организации, вступившие в силу приговоры суда, процессуальные решения о признании лица подозреваемым, постановления о привлечении в качестве обвиняемого, решения прокурора или органа государственной регистрации о приостановлении деятельности организации, а также признаваемые в Российской Федерации решения иностранных компетентных органов. Перечень строится по модели юридически оформленной причастности, а не свободной аналитической оценки. Это значит, что инструменты автоматизированного скрининга не могут и не должны подменять собой механизм включения в перечень: их функция заключается в раннем выявлении сигналов риска, которые еще не перешли в стадию процессуального оформления, но уже требуют проверки.

Такой вывод важен для определения места NLP-скрининга текстового контента на предмет выявления признаков финансирования экстремизма в деятельности Росфинмониторинга. Так как перечень причастных к экстремизму лиц формируется на основе судебных и процессуальных решений, предложения по NLP-скринингу текстового контента нельзя интерпретировать как инструмент установления юридического статуса лица или организации. Корректнее рассматривать их как средство предварительного аналитического выявления признаков финансирования экстремизма. В этом смысле NLP-скрининг дает эффект ранее, чем перечни, так как ориентирован на поиск текстовых и контекстуальных сигналов.

Важную роль в конкретизации признаков играют подзаконные акты, регулирующие правила внутреннего контроля в системе ПОД/ФТ, и используемые Росфинмониторингом форматы и справочники кодов для направления сведений. Требования к правилам внутреннего контроля предписывают субъектам учитывать признаки операций, видов и условий деятельности, имеющих связь, в том числе, с экстремизмом и терроризмом [2]. В справочниках кодов для передачи сообщений выделяются операции, связанные с финансированием террористической деятельности, включая те, где одной из сторон выступает лицо, включенное в перечень лиц, причастных к экстремизму или терроризму [3]. Наряду используются общие коды признаков необычных операций: запутанный характер сделки, отсутствие очевидного экономического смысла, сложные схемы расчетов, резкое изменение параметров операции, использование представителей, трудности верификации клиента и т.д.

Применимость таких индикаторов к финансированию экстремизма частична. Они хорошо работают в отношении транзакционного и клиентского риска, но слабее приспособлены к выявлению текстовых признаков финансирования экстремизма: публикации реквизитов, завуалированных просьб о переводе средств, маскировки назначения платежа, повторного распространения идентичных финансовых инструкций в разных каналах, использования криптовалютных адресов в агитационных или координационных сообщениях.

Сравнительно-правовой контекст помогает понять специфику российского подхода. В российском законодательстве категория экстремистской деятельности сформулирована непосредственно в законе и охватывает относительно широкий круг деяний, включая не только насильственные формы поведения, но и ряд организационных, публичных и информационных проявлений, признанных экстремистскими в установленном порядке. В документах Европейского союза и международных организаций чаще используются категории терроризма, радикализации и насильственного экстремизма, а не экстремизма как единой законодательно детализированной категории. [4] Поэтому в российском правовом контексте система признаков финансирования экстремизма шире и может охватывать прямую поддержку насильственных актов, материальное обеспечение организационной, информационной и координационной активности, отнесенной законом к экстремистской.

Нормативно-правовую основу выделения признаков финансирования экстремизма следует рассматривать как многоуровневую конструкцию. На первом уровне находятся легальные дефиниции экстремизма и ее финансирования, закрепленные в 114-ФЗ и ст. 282.3 УК РФ. На втором – механизмы финансового мониторинга, перечневого учета и внутреннего контроля, предусмотренные 115-ФЗ и подзаконными актами. На третьем – аналитическая интерпретация этих норм, позволяющая перевести юридические категории в систему текстовых индикаторов, пригодных для автоматизированного скрининга.

Росфинмониторинг является ключевым органом, для реализации задач которого может быть использован NLP-скрининг текстового контента. Он не подменяет суд, следствие или прокуратуру в вопросе установления причастности к экстремизму, но на него возложены функции финансовой разведки, анализа поступающих сведений и направления материалов в компетентные органы. Использование NLP-скрининга текстов в деятельности Росфинмониторинга целесообразно рассматривать как инструмент раннего аналитического выявления признаков финансирования экстремизма. Результаты такого скрининга могут использоваться для дальнейшей проверки.

Дополнительную остроту проблеме придает цифровая трансформация механизмов финансирования. В докладе Группы разработки финансовых мер борьбы с отмыванием денег в 2023 г. показано, что террористические и экстремистские структуры используют различные цифровые сервисы для привлечения средств у глобальной аудитории, причем сбор средств и их коммуникационное сопровождение тесно встроены в поток цифрового контента. Группа подчеркивает, что такие технологии могут эксплуатироваться террористическими организациями, а во многих странах краудфандинговые платформы остаются уязвимыми в силу неполного охвата мерами ПОД/ФТ [12].

В обзоре Группы за 2025 г. акцент переносится на адаптивность практик финансирования терроризма и сохраняющуюся способность соответствующих структур использовать международную финансовую систему и цифровые коммуникационные каналы. 69% юрисдикций, продемонстрировали существенные или структурные недостатки в расследовании, уголовном преследовании и доведении до приговора дел о финансировании терроризма [11]. Этот вывод имеет значение для анализа финансирования экстремизма, указывая на дефицит инструментов раннего обнаружения финансовых сигналов в цифровой среде.

В этих условиях проблема сводится к необходимости раннего анализа текстового контента, в котором могут содержаться инструменты финансовых преступлений. Задача раннего выявления признаков финансирования экстремизма приобретает экономическое значение, так как связана со снижением издержек первичного контроля и повышением адресности последующей финансово-аналитической проверки.

Система признаков финансирования экстремизма в текстовом контенте

Для целей финансового мониторинга недостаточно бинарной схемы, где цифровой контент делится лишь на экстремистский и неэкстремистский. Аналитически значимо выявление таких текстовых и контекстуальных элементов, которые указывают на возможный инструментарий преступной деятельности. Поэтому предметом анализа выступают признаки финансирования экстремизма, выраженные в текстовой форме (таблица 1).

Таблица 1 – Аналитическая типология схем финансирования экстремизма по типу канала вовлечения

Эта типология позволяет перевести анализ из плоскости общей контентной опасности в плоскость экономически значимых действий.

К первой группе относятся признаки прямой финансовой мобилизации: побудительные формулы, императивные конструкции, указание срочности, обращения с просьбой поддержать переводом, обозначение суммы, срока или адресата сбора. Эти сигналы позволяют фиксировать начальную точку вовлечения аудитории в платежное действие и оценивать потенциальный масштаб кампании.

Ко второй относятся признаки публикации финансовых реквизитов: номера банковских карт, адреса криптовалютных кошельков, QR-паттерны, и т.д. Эти признаки обладают особой аналитической ценностью, так как поддаются формализации, нормализации и сопоставлению между различными сообщениями. Повторное использование реквизитов является одним из наиболее ценных и дешевых для контроля сигналов, так как один идентификатор может связывать несколько каналов, временных интервалов и волн публикаций.

К третьей группе относятся признаки инструктивного сопровождения перевода средств: указание способа отправки, допустимых сумм, последовательности действий, необходимости подтверждения оплаты, использования сервисов и посредников. Эти элементы позволяют реконструировать организационный механизм финансовой активности, включая канал движения средств и характер используемой инфраструктуры.

Четвертая группа - признаки маскировки назначения платежа: эвфемизмы, нейтральные формулировки назначения, подмена смыслов, непрямая цели перевода, а также аномальные сочетания слов, приобретающие финансовое значение только в контексте. Они отражают не только факт возможного финансирования, но и стремление участников кампании снизить вероятность выявления и блокировки, то есть раскрывают экономику обхода контроля.

Пятую группу составляют признаки координации и распределения ролей: указания на сборщика, посредника, канал обратной связи, порядок отчетности, маршрут передачи средств, последовательность коммуникации после перевода. Эти сигналы позволяют перейти от анализа отдельного сообщения к описанию структуры финансовой кампании и сети распределения ролей.

Шестую группу образуют признаки повторного тиражирования кампании: повторяющиеся формулы призыва, реквизиты, публикации в разных каналах, ссылки и шаблоны. Эти признаки позволяют оценивать масштаб распространения, выявлять первоисточник кампании и фиксировать устойчивые узлы финансовой активности во времени.

Данная типология показывает, что признаки финансирования экстремизма в текстовом контенте не сводятся к словарю «опасных» слов, а образуют систему индикаторов, отражающих экономически значимые действия: мобилизацию доноров, организацию перевода средств, маскировку назначения платежа, координацию ролей и масштабирование кампании. Такая систематизация делает возможным последующий автоматизированный скрининг.

Аналитический подход к NLP-скринингу: от текстового сигнала к финансовой инфраструктуре кампании

NLP-скрининг в данном исследовании рассматривается как элемент аналитического подхода, ориентированного на реконструкцию финансовой инфраструктуры кампании. Его задача состоит в выделении из потока цифровых текстов сигналов, позволяющих связать между собой сообщения, реквизиты, каналы распространения, посреднические роли и временные параметры предполагаемого сбора средств.

Целевой аналитический результат такого подхода выражается в связке «канал – реквизиты – посредник – временной профиль – повторное использование идентификатора». Эта конструкция позволяет перейти от анализа публикаций к анализу более устойчивой конфигурации финансовой активности, делая скрининг значимым для финансового мониторинга.

Логика такого перехода может быть представлена последовательностью аналитических стадий.

На первом этапе осуществляется первичный анализ текстового потока. Задача состоит не в окончательной квалификации сообщения, а в выделении контента, потенциально содержащего финансово значимые сигналы. Скрининг выполняет функцию предварительного фильтра, уменьшающего объем информации, подлежащей дальнейшему анализу.

На втором этапе происходит семантическое уточнение сигнала. Его смысл состоит в различении сообщений, связанных с вероятным финансированием экстремизма, и текстов, в которых финансовая лексика носит нейтральный, метафорический или нерелевантный характер. Преимущество NLP-подхода состоит в возможности учитывать контекст словоупотребления, устойчивые сочетания, коммуникативную функцию сообщения и место финансового элемента в его общей структуре.

На третьем этапе выделяются и нормализуются финансовые идентификаторы. Повторно используемые идентификаторы приобретают на этой стадии ключевое значение, связывая разные каналы, временные окна и волны публикаций.

На четвертом этапе сообщения группируются по кампаниям на основе совпадения реквизитов, повторяемости формул сбора, сходства инструкций по переводу, общих каналов распространения и временной синхронизации. Это позволяет перейти от единичного текста к повторяющейся схеме финансовой мобилизации.

На пятом этапе реконструируется финансовая инфраструктура кампании - выявляется связь между инициатором, каналами распространения, посредниками, реквизитами и временным профилем активности. В результате объектом анализа становится структура вероятного финансового обеспечения.

Эффект, ограничения и условия применения NLP-скрининга

Экономическая логика применения NLP-скрининга определяется необходимостью снижения издержек контроля в условиях нарастания цифрового контента. В ручном режиме значительная часть аналитических ресурсов расходуется на просмотр инфошума, и вероятность пропуска значимого сигнала сохраняется. Рациональная задача состоит в перераспределении стадий анализа, при котором относительно дешевые процедуры предварительного отбора уменьшат нагрузку на более дорогие формы углубленной проверки.

Каскадная организация анализа позволяет распределить функции между различными стадиями обработки. К числу относительно дешевых стадий относятся автоматизированный отбор сообщений по системе признаков, извлечение реквизитов и иных идентификаторов, сопоставление повторов и предварительная группировка по кампаниям. К числу дорогих - углубленная экспертная оценка, финансово-аналитическая проверка, сопоставление с транзакционными данными и подготовка материалов для передачи компетентным органам. Экономический эффект возникает вследствие того, что дорогостоящие процедуры применяются к ограниченному числу кейсов, предварительно выделенных как финансово значимые.

В этой модели ценны признаки, связанные с повторным использованием платежных идентификаторов. Такие элементы сравнительно легко поддаются формализации, обеспечивая при этом высокий аналитический эффект, так как один и тот же реквизит может связывать несколько каналов, временных интервалов и волн публикаций, сокращая стоимость поиска устойчивых узлов кампании и увеличивая результативность контроля за счет расширения охвата связанных сообщений.

Еще один эффект связан с повышением производительности аналитика. В традиционной модели эксперт вынужден самостоятельно просматривать большие массивы сообщений и искать в них фрагментарно выраженные финансовые сигналы. При использовании NLP-скрининга аналитик получает предварительно отобранный и структурированный массив материалов, где внимание сосредоточено на кейсах с наибольшей вероятностью финансовой значимости. Это повышает адресность контроля и переносит интеллектуально более затратную работу с первичного поиска на этап интерпретации и верификации.

Потенциальная результативность такого подхода раскрывается через систему показателей финансовой линии мониторинга (таблица 2).

Таблица 2 – Показатели, отражающие финансовую результативность системы

Из таблицы 2 следует, что оценка качества подобного инструмента не должна ограничиваться общей точностью классификации. Для прикладной задачи важнее количество уникально выявленных реквизитов и платежных идентификаторов, коэффициент повторного использования реквизитов, среднее число каналов на один повторно используемый идентификатор и доля эскалированных кейсов, подтвердивших финансовую значимость при ручной проверке. Эти показатели имеют прямой управленческий смысл, отражая способность системы выявлять именно финансовую инфраструктуру кампании и сокращать издержки контроля.

Значение применения скрининга состоит в изменении структуры аналитического процесса. Наиболее затратная часть работы перемещается с малопродуктивного первичного поиска на этап верификации выделенных сигналов. Создаются условия для рационального распределения компетенций между автоматизированными процедурами и экспертной оценкой, для более адресного использования ограниченных аналитических ресурсов.

Использование NLP-скрининга для раннего выявления признаков финансирования экстремизма связано с ограничениями, которые необходимо учитывать во избежание методологической и практической переоценки результатов.

Предлагаемый подход имеет теоретико-прикладной характер и не основан на самостоятельном корпусном анализе массива сообщений. Речь идет о концептуальной схеме, систематизации признаков и логике их возможного скрининга.

Существенное ограничение - изменчивость цифровой среды. Языковые формы, используемые для сбора средств, координации финансовой поддержки и маскировки назначения платежа, нестабильны. С усилением контроля участники подобных кампаний меняют лексику, переходят на другие площадки, изменяют способы публикации реквизитов и комбинируют открытые и закрытые каналы коммуникации. Любая система признаков в таких условиях требует адаптации к изменяющемуся коммуникативному контексту.

Отдельная проблема - риск ложноположительных срабатываний. Поток нерелевантных эскалаций может вновь увеличить нагрузку на аналитиков, нейтрализуя предполагаемый экономический выигрыш. По этой причине результаты скрининга не могут рассматриваться как достаточное основание для самостоятельной правовой квалификации сообщения, канала или лица. Их функция ограничивается ранним выявлением подозрительных конфигураций, заслуживающих дальнейшей проверки.

Еще одно ограничение связано с доступностью данных. Эффективность скрининга определяется доступностью массива текстового контента для анализа, полнотой извлечения реквизитов и контекстуальных связей, степени возможности сопоставления сообщений между платформами и каналами. В условиях изменчивости цифровой среды значительная часть финансово значимых сигналов может оставаться вне зоны наблюдения.

Ограничения носят и институциональный характер. NLP-скрининг не подменяет собой уголовно-процессуальные механизмы установления причастности к экстремизму и не предназначен для самостоятельного формирования перечневых решений. Его место - в сфере предварительной аналитической работы, выявляющей признаки риска, структурирующей их и направляющей материалы на проверку. Научно-прикладная ценность подхода состоит в создании рамки для ранней и адресной аналитической селекции финансово значимых сигналов в текстовом контенте.

Ограничения и условия применимости данного подхода подтверждают, что NLP-скрининг следует рассматривать как инструмент усиления финансово-аналитической составляющей мониторинга, а не как автономный механизм правовой квалификации. Его эффективность зависит от качества системы признаков, доступности данных, регулярного обновления моделей, разумного распределения аналитических ресурсов и включенности результатов скрининга в широкий цикл финансового мониторинга и межведомственного взаимодействия.

Заключение

Данное исследование показало, что раннее выявление признаков финансирования экстремизма требует перехода от мониторинга экстремистского контента к выделению финансово значимых текстовых сигналов, связанных со сбором средств, публикацией реквизитов, инструктивным сопровождением переводов, маскировкой назначения платежа, координацией ролей и повторным тиражированием кампаний. Разработана система признаков, показывающая текстовый контент как источник информации о возможной финансовой инфраструктуре противоправной активности.

На основе систематизации данных признаков предложен аналитический подход к NLP-скринингу, ориентированный на переход от первичного текстового сигнала к выявлению связки «канал – реквизиты – посредник – временной профиль – повторное использование идентификатора». Этот подход позволяет использовать автоматизированный анализ текста для ранней аналитической селекции кейсов, представляющих интерес для финансового мониторинга.

Экономический смысл применения NLP-скрининга состоит в снижении издержек первичной обработки информации, повышении адресности контроля и более рациональном распределении аналитических ресурсов между автоматизированными и экспертными процедурами. Цель исследования, состоявшая в разработке системы признаков и аналитического подхода к NLP-скринингу текстового контента для выявления признаков финансирования экстремизма, достигнута.

[1] Генеральная прокуратура Российской Федерации [Электронный ресурс] : официальный сайт. – Режим доступа: https://epp.genproc.gov.ru/ru/gprf/activity/crimestat/ (дата обращения: 20.03.2026)

[2] Положение Банка России от 18.06.2025 N 860-П "О требованиях к правилам внутреннего контроля кредитной организации, филиала иностранного банка, через который иностранный банк осуществляет деятельность на территории Российской Федерации, в целях противодействия легализации (отмыванию) доходов, полученных преступным путем, финансированию терроризма и экстремистской деятельности" (Зарегистрировано в Минюсте России 06.08.2025 N 83148)

[3] "Описание структур наименования, служебной и информационной частей ФЭС, описание кодов признаков, указывающих на необычный характер операций (сделок), и требования к технологическим электронным документам, направление которых регламентировано Особенностями представления в Федеральную службу по финансовому мониторингу информации, предусмотренной Федеральным законом от 7 августа 2001 г. N 115-ФЗ "О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма", утвержденными приказом Федеральной службы по финансовому мониторингу от 8 февраля 2022 г. N 18" (утв. Росфинмониторингом)

[4] European Commission. Counter-terrorism and radicalisation : [website] / European Commission, Directorate-General for Migration and Home Affairs. – Brussels, 2026. – Updated: 26.02.2026. – URL: https://home-affairs.ec.europa.eu/policies/internal-security/counter-terrorism-and-radicalisation_en (дата обращения: 26.02.2026)