Алгоритмічне таргетування суспільних втручань: ризики та нагляд
Автор: Український психологічний ХАБ · Опубліковано: 22 жовтня 2026 р. · Редакційна політика
Алгоритмічне таргетування суспільних втручань — це використання формалізованих правил, статистичних моделей або систем штучного інтелекту для визначення того, кому, коли, в якій послідовності та в якому обсязі пропонувати державну чи громадську програму. Його застосовують, коли організація прагне швидше знаходити людей із незадоволеними потребами, визначати пріоритетність звернень, адаптувати інформаційні повідомлення або розподіляти обмежені ресурси. Результатом алгоритму може бути список адресатів, оцінка ризику, рекомендований канал зв’язку чи підказка фахівцеві, а іноді — рішення, від якого залежить доступ до важливої послуги.
Від якості такого розподілу залежать і результативність програми, і здійснення прав людини. Показник, який добре передбачає майбутні звернення, може погано визначати потребу в допомозі. Алгоритм, навчений на минулих адміністративних рішеннях, може відтворювати давні бар’єри доступу. Навіть точна модель може спричинити шкоду, якщо людині важко зрозуміти причину рішення, оскаржити його або скористатися альтернативним способом отримання послуги. Саме тому міжнародні рамки управління ризиками розглядають алгоритм разом із метою, даними, адміністративною процедурою, людським контролем і наслідками впровадження (OECD, 2022; NIST, 2023).
Що означає алгоритмічне таргетування в суспільній політиці
Слово «таргетування» у цьому контексті означає визначення адресатів і умов надання втручання. Українськими відповідниками є «алгоритмічне визначення цільових груп», «алгоритмічний добір адресатів» і, для програм із дефіцитними ресурсами, «алгоритмічне визначення пріоритетності допомоги». У заголовку збережено усталений пошуковий вислів, а далі поняття розкривається через конкретні управлінські дії.
Алгоритмічне таргетування може стосуватися як підтримувальних дій — запрошення на консультацію, додаткового роз’яснення або профілактичного контакту, — так і рішень, що суттєво впливають на права людини: віднесення до категорії ризику, перевірки виплат чи пріоритету в наданні дефіцитної послуги. Ці застосування потребують різного рівня обґрунтування, прозорості й нагляду. Загальні засади вибору суспільного втручання розглянуто у статті «Поведінкова державна політика: як психологія допомагає проєктувати суспільні рішення», а вимоги до відповідального застосування — у матеріалі «Етика поведінкової державної політики: принципи та контроль».
Правила, прогнозні моделі та адаптивні системи
Найпростіший варіант — заздалегідь визначене правило: надсилати нагадування всім заявникам, які почали оформлення послуги й не завершили його. Далі йдуть статистичні моделі, які оцінюють імовірність певної події, наприклад пропуску візиту. Складніші системи використовують машинне навчання для оцінювання ризику, добору індивідуального повідомлення або прогнозування ефекту різних видів підтримки. Навіть якщо система працює без сучасної технології штучного інтелекту, вона може впливати на права людей і вимагати перевірки. Канадські правила щодо автоматизованих адміністративних рішень прямо охоплюють і прості правила, і статистичні та машинні моделі, коли вони підтримують або замінюють професійне судження (Treasury Board of Canada Secretariat).
Важливо розрізняти чотири результати роботи системи: опис поточного становища, прогноз майбутньої події, рекомендацію щодо допомоги та адміністративне рішення. Перехід від одного до іншого потребує окремих доказів. Наприклад, прогноз того, хто з високою ймовірністю пропустить консультацію, ще не встановлює, кому саме нагадування допоможе найбільше.
Таргетування, сегментація аудиторій і персоналізація
Сегментація поділяє населення на групи за характеристиками або потребами; персоналізація змінює форму взаємодії з конкретним адресатом; таргетування визначає, кому дістанеться певна дія або ресурс. У реальній програмі ці процеси можуть поєднуватися, але їхні етичні наслідки різні. Поділ аудиторії для перекладу повідомлення на зрозумілу мову може підвищувати доступність. Використання тих самих відомостей для зниження пріоритетності звернення потребує значно сильнішого виправдання.
Для яких суспільних завдань застосовують алгоритми
Основні напрями застосування охоплюють проактивне інформування про послуги, громадське здоров’я, освіту, зайнятість, підтримку сімей, соціальні виплати, житлову допомогу та управління зверненнями. OECD відзначає поширення штучного інтелекту в державних процесах і публічних послугах, водночас наголошуючи на нерівномірності управлінських спроможностей, нестачі оцінювання впливу та обмеженій практиці публічних реєстрів алгоритмів (OECD, 2026).
Проактивне звернення та допомога в навігації
Орган може визначати людей, які ймовірно мають право на послугу, але ще не звернулися по неї; тих, кому потрібна допомога з формою; або тих, хто через мовний чи цифровий бар’єр не завершив заявку. Такий добір варто оцінювати за тим, чи збільшується фактичне отримання належної допомоги, а не тільки за кількістю повідомлень і переходів на сайт. Людина може не відповісти через нестачу часу, страх помилок, недовіру або недоступність офлайн-каналу. Ці причини мають інституційний вимір.
Пріоритизація випадків за обмеженої спроможності
Коли кількість спеціалістів, візитів або місць у програмі обмежена, алгоритм може допомагати організувати чергу. Однак будь-який критерій відбору фактично задає правило розподілу суспільного ресурсу. Якщо модель максимізує очікувану кількість успішних завершень, вона може віддавати перевагу заявникам, які й без того краще орієнтуються в системі. Якщо пріоритетом визначено гостроту потреби, потрібні інші показники й інші перевірки справедливості.
Додаткові перевірки та контроль ризиків
Автоматизоване виявлення можливих помилок або зловживань потребує особливої обачності: хибнопозитивне спрацювання може означати затримку виплати, повторне підтвердження права чи психологічне навантаження на людину. Оцінка ризику є підставою для пропорційної перевірки лише за наявності законних повноважень і належної процедури; вона сама по собі не доводить порушення.
Як працює психологічний механізм алгоритмічного відбору
Вплив алгоритмів на поведінку населення часто є непрямим. Людина бачить повідомлення, запрошення, черговість, форму або рішення посадової особи, а алгоритмічна логіка залишається за межами її досвіду. Психологічні наслідки виникають у точці взаємодії з установою: людина оцінює справедливість процедури, зрозумілість пояснення, власні можливості діяти, конфіденційність і ймовірність того, що помилку виправлять.
Сприйнята справедливість і довіра
Коли громадяни розуміють підстави пріоритету й мають реальний спосіб перевірити дані, процедура стає передбачуванішою. Натомість непрозоре віднесення до «ризикової» групи може сприйматися як приховане таврування. Опублікувати технічний опис моделі корисно для фахового нагляду, але для громадянина важливе пояснення конкретного рішення зрозумілою мовою. Британський стандарт відкритості алгоритмів передбачає публічні записи про призначення інструмента, його місце в ухваленні рішень, дані та засоби перегляду (Government Digital Service, 2025).
Відчуття контролю та автоматизаційне упередження
Працівник, який бачить числовий показник ризику, може сприймати його як більш об’єктивний, ніж дозволяють дані. Це створює можливість надмірної довіри до автоматизованої рекомендації. Можлива й протилежна реакція — повне ігнорування інструмента після помітної помилки. Якість людського нагляду залежить від навчання, доступу до первинних матеріалів, повноваження змінити рекомендацію і зрозумілого запису причин такого рішення. Процедура, у якій посадовець лише натискає «погодити», не забезпечує змістовного контролю.
Стигматизація і самопідтверджувальні прогнози
Якщо людина отримує позначку «високий ризик», у подальшому з нею можуть частіше контактувати контрольні служби, частіше фіксувати труднощі та частіше збирати дані. Модель, навчена на наступних адміністративних записах, може трактувати інтенсивніший нагляд як свідчення більшого ризику. Це потенційний механізм зворотного зв’язку; його наявність та силу слід перевіряти для конкретної системи. Потрібно розрізняти реальну поширеність проблеми й частоту її реєстрації установою.
Головна методологічна помилка: прогноз ризику замість оцінювання потреби та користі
Для ухвалення рішення про допомогу потрібно відповісти на три різні питання: хто має потребу, хто перебуває в ризику небажаної події та кому конкретне втручання принесе найбільшу користь. Модель, що добре розв’язує друге завдання, не обов’язково придатна для першого або третього.
У дослідженні Obermeyer та співавторів (2019) поширений у системі охорони здоров’я США алгоритм використовував очікувані витрати на лікування як наближений показник медичної потреби. За однакового алгоритмічного балу темношкірі пацієнти мали вищу фактичну тяжкість стану, ніж білі пацієнти. Дослідники показали, як нерівність у доступі до медичних ресурсів переходить у систематичне викривлення прогнозного критерію. Це емпіричний приклад конкретної американської системи, який пояснює універсальну методологічну загрозу: зручний адміністративний показник може вимірювати історію доступу до послуги замість самої потреби.
Прогнозна точність і причинний ефект
Точність прогнозу відповідає на питання, наскільки добре модель відрізняє людей із майбутньою подією від інших. Причинний ефект відповідає на питання, що змінилося б після надання допомоги порівняно з ненаданням. Щоб спрямувати обмежені ресурси туди, де користь найбільша, потрібне оцінювання ефекту втручання та його неоднорідності, а також справедливості правил доступу. Огляд методів машинного навчання для неоднорідних ефектів у рандомізованих дослідженнях показує різноманіття підходів і необхідність обережно перевіряти їхню практичну придатність (Inoue та співавт., 2024).
Приклад різниці між ризиком і потенційною користю
Припустімо, програма може запропонувати супровід ста родинам. В однієї групи високий ризик незавершення оформлення допомоги, але телефонне нагадування майже не змінює результат, бо основна перешкода — відсутність необхідного документа. Інша група має помірний ризик, зате супровід фахівця значно підвищує шанс отримати належну виплату. Алгоритм, що сортує лише за ризиком, направить ресурс за одним правилом; алгоритм, який оцінює очікувану додаткову користь, — за іншим. У цій умовній ситуації рішення має враховувати і тяжкість потреби, і законодавчі пріоритети, і доступність документів, і право кожної родини отримати базову послугу.
Що свідчать дослідження про результативність
Для алгоритмічного відбору існують дослідження прогнозної якості, спостережні оцінки й окремі польові експерименти. Їхня доказова сила відрізняється. Високий показник точності в ретроспективній базі описує поведінку моделі на наявних даних. Він ще не доводить, що впровадження зменшить шкоду, поліпшить життя людей або збереже рівність доступу.
У польовому рандомізованому дослідженні Baron, Ghosh і Lombardo (2026) алгоритмічний показник ризику надавали керівникам, які розглядали звернення щодо захисту дітей у конкретному окрузі США. За даними робочої публікації, експеримент охопив 4752 направлення протягом 14 місяців і засвідчив зміни в рішеннях про послуги та наступних повідомленнях про неналежне поводження. Автори не виявили посилення расових відмінностей у досліджуваних показниках. Це важливий, але вузькоконтекстний і наразі попередній результат робочої статті; його не можна перетворювати на загальне доведення безпечності алгоритмічного відбору у сфері захисту дітей.
Міжнародні інституційні документи підтверджують потребу системного контролю. OECD (2026) виявляє поширення урядових ініціатив із штучним інтелектом поруч з обмеженнями вимірювання результатів та наглядової спроможності. Це оцінка стану урядування, а не метааналіз причинної ефективності окремих моделей. Для практичного рішення потрібна власна оцінка наслідків конкретної програми.
Що потрібно порівнювати
Відправною точкою може бути чинна ручна процедура, просте прозоре правило, універсальне інформування або випадковий добір за рівного права на послугу. Алгоритм має демонструвати додаткову користь порівняно з реалістичною альтернативою. Порівняння тільки з відсутністю будь-якої програми часто перебільшує цінність технологічного компонента, якщо ефект створює сам додатковий контакт із людиною.
Чому масштабування змінює ефект
Під час пілотного дослідження команда може мати якісні дані, мотивованих виконавців і час на виправлення помилок. У великій програмі змінюються навантаження, поведінка фахівців, склад населення, повнота даних і організаційні стимули. Люди також можуть пристосовуватися до критеріїв відбору. Потрібні повторне калібрування, перевірка результатів у нових громадах, документування змін та визначені правила припинення застосування. Методологію причинного оцінювання розкрито у статті «Оцінювання поведінкових суспільних втручань: дизайн і показники».
Джерела ризику: де саме виникає несправедливий результат
Помилка постановки завдання
Якщо метою стає скорочення часу опрацювання звернень, орган може оптимізувати швидкість замість належного захисту прав. Якщо система заохочує завершувати найбільше справ за годину, складніші випадки можуть отримувати менше уваги. До розробки моделі потрібно визначити, який суспільний результат справді важливий, які правові гарантії є обов’язковими та які групи можуть опинитися в гіршому становищі.
Викривлення даних і приховані замінники чутливих характеристик
Адміністративні дані відображають доступ до установ, прийняті раніше рішення, нерівномірність документування та регіональні відмінності. Поштовий індекс, тип пристрою, історія звернень і місце проживання іноді корелюють із доходом, віком, інвалідністю або іншими захищеними обставинами. Усунення одного прямо названого поля не усуває автоматично такого впливу. OECD пропонує оцінювати дані, модель, завдання, економічний контекст і вплив на людей як взаємопов’язані виміри системи (OECD, 2022).
Вибір порога, хибнопозитивні та хибнонегативні результати
Кожен поріг класифікації створює різні види помилок. Хибнопозитивне спрацювання може призвести до зайвої перевірки; хибнонегативне — до ненаданої допомоги. Частота та тяжкість наслідків залежать від контексту. Пороги потрібно обирати з урахуванням відносної шкоди помилок, можливостей служби, законодавчих прав і консультацій із групами, на які впливатиме рішення.
Нерівна доступність оскарження
Навіть добре налаштована система створює нерівність, коли одна людина може швидко подати скаргу онлайн, а інша потребує перекладача, фізичного доступу до установи чи допомоги представника. Справедливість охоплює доступність повідомлень, реальний час відповіді, компенсацію наслідків затримки й можливість виправити помилкові дані. Вимірювати слід також те, хто взагалі дізнався про право на оскарження.
Зміщення відповідальності на працівника чи громадянина
Публічний орган відповідає за законність адміністративної процедури та належну організацію процесу. Технологічний постачальник відповідає в межах свого договору й застосовного права, а службовець — у межах повноважень. Вимога до громадянина «правильно поводитися», щоб отримати високий алгоритмічний пріоритет, може закріплювати системні бар’єри. Архітектура послуги, бюджет, кадрове забезпечення, територіальна доступність і нормативні правила залишаються частиною причинного механізму.
Як оцінювати справедливість розподілу
Єдиного показника справедливості для всіх застосувань не існує. Рівні частки відібраних осіб, однакова частота помилок, однакова прогнозна надійність і однакова фактична користь — різні критерії. Їх потрібно обирати, виходячи з конкретного права та ризику, а можливі суперечності між критеріями пояснювати до запуску.
Групові й індивідуальні наслідки
Необхідно порівнювати охоплення, хибні відмови, надмірні перевірки, затримки, фактичне отримання послуги та скарги за релевантними групами там, де законне збирання відповідних даних можливе. Додатково слід перевіряти змішані випадки: наприклад, жінки з інвалідністю в невеликій громаді можуть мати інший досвід, ніж узагальнені категорії «жінки» й «люди з інвалідністю». Малі вибірки породжують значну статистичну невизначеність; її потрібно відображати у звітах.
Користь і шкода за межами середніх показників
Програма може демонструвати позитивний середній ефект і водночас погіршувати становище частини населення. Звіт має містити розподіл користі, серйозність помилок, витрати часу громадян, випадки помилкового віднесення до групи ризику та доступ до відновлення прав. Пов’язана українська стаття «Рівність наслідків втручань: хто отримує користь і хто зазнає шкоди» докладніше пояснює розподільче оцінювання.
Який нагляд потрібен до запуску
Управління починається до закупівлі програмного забезпечення. Першою є правова й організаційна перевірка: чи уповноважений орган обробляти відповідні дані, чи потрібен алгоритмічний відбір, чи існує менш ризикована альтернатива та як буде забезпечено можливість оскаржити рішення. NIST AI RMF пропонує послідовно організувати врядування ризиками, опис контексту, вимірювання та заходи управління. Це добровільна рамка, а не український нормативний акт.
Оцінювання впливу на права та суспільні наслідки
Паспорт проєкту повинен описувати ціль, відповідальний орган, правову підставу, людей, на яких впливає рішення, джерела даних, способи перевірки якості, очікувану користь, передбачувану шкоду і план реагування на порушення. Канадська система Algorithmic Impact Assessment застосовує структуроване оцінювання ризику та заходів пом’якшення наслідків. Її можна розглядати як практичний міжнародний приклад, але її нормативні вимоги стосуються відповідних канадських федеральних установ.
Перевірка даних і незалежна оцінка моделі
Перед запуском потрібні інвентаризація джерел даних, перевірка законності обробки, пропусків і помилок, аналіз часової актуальності, оцінка якості для різних груп, тестування на зсув даних та контроль за тим, чи не використовується небажаний замінник мети. Незалежна оцінка має охоплювати не лише код, а і процес вибору показника, порога та адміністративної дії. Продавець програмного продукту не може бути єдиним арбітром його суспільної придатності.
Участь людей, на яких вплине рішення
Консультації мають залучати користувачів послуг, представників громад, правозахисні організації, фахівців із доступності, службовців першої лінії та дослідників. Особливо важливо перевіряти досвід людей, які рідше користуються цифровими сервісами й тому недостатньо представлені в масивах даних. Участь не обмежується презентацією готової моделі: зауваження можуть змінювати мету проєкту, правило відбору або рішення взагалі не використовувати алгоритм.
Нагляд під час використання: відповідальність, прозорість, оскарження
Людський контроль із реальними повноваженнями
Посадова особа повинна мати доступ до істотних обставин справи, знати межі точності моделі та мати право відхилити її рекомендацію з документованим обґрунтуванням. Організація перевіряє частоту таких відхилень, причини й наслідки, водночас уникаючи покарання працівників за правомірне виправлення машинної помилки. Для систем із істотним впливом на права особи людський розгляд є частиною належної процедури. Канадська директива диференціює ступінь необхідної участі людини залежно від рівня впливу (Treasury Board of Canada Secretariat).
Публічний опис алгоритму
Суспільству потрібні відомості про цілі системи, її замовника, категорії даних, групи впливу, роль людини, процедуру оцінювання, результати перевірок, відповідального посадовця й канали скарг. Британський стандарт публічної звітності щодо алгоритмів демонструє спосіб документувати використання інструментів на рівні установ. Відкритість має бути пропорційною: захист особистих відомостей та інформації, розкриття якої створює конкретний ризик безпеці, залишається обов’язковим.
Індивідуальне пояснення та перегляд
Громадянин має розуміти, яка інформація про нього була істотною, як алгоритмічна рекомендація вплинула на адміністративну дію, які дані можна виправити, хто ухвалив рішення та в який спосіб його оскаржити. Пояснення потрібно формулювати мовою дії: «ваше звернення потребує додаткового документа» має інше значення, ніж абстрактне «оцінка ризику 0,72». Наявність математичного пояснення моделі сама по собі не забезпечує процедурної справедливості.
Моніторинг, інциденти й відключення
Після запуску орган має відстежувати точність, зміну складу заявників, затримки, групові відмінності, скарги, виправлення, випадки шкоди й реальні наслідки втручань. Слід визначити межі прийнятного ризику, процедуру тимчасового зупинення, відповідального за інцидент, порядок відновлення прав та умови незалежного повторного аудиту. Модель, що значно погіршилася після зміни закону або умов життя, може потребувати негайного припинення використання.
Правовий контекст України станом на жовтень 2026 року
В Україні потрібно застосовувати чинне національне законодавство й перевіряти правила конкретної адміністративної послуги. Європейські й канадські документи дають корисні порівняльні моделі, але не замінюють українське право. Офіційна інформація про розроблення українського законодавства у сфері ШІ свідчить про поточну роботу над спеціальними нормами (Верховна Рада України, вересень 2026); до ухвалення відповідного закону не варто приписувати його проєктним положенням чинну силу.
Захист персональних даних
Закон України «Про захист персональних даних» № 2297-VI регулює автоматизовану та іншу обробку персональних даних. Стаття 8 передбачає права особи, серед яких знати механізм автоматичної обробки персональних даних і право на захист від автоматизованого рішення, що має для неї правові наслідки. Згода є однією з можливих правових підстав обробки, а застосовність підстави залежить від конкретної мети та повноважень. Державні органи повинні окремо перевіряти правомірність отримання, поєднання, зберігання й передачі відомостей між системами; технічна доступність даних не означає автоматичної юридичної дозволеності їх використання.
Автоматизовані адміністративні акти та право на оскарження
Закон України «Про адміністративну процедуру» № 2073-IX встановлює засади обґрунтованості рішень і правового захисту. Зокрема, статті 71 і 72 встановлюють вимоги до змісту та мотивування адміністративного акта, а стаття 78 визначає право на адміністративне оскарження; стаття 69 допускає автоматичне прийняття адміністративного акта у випадках, передбачених законом. З цього випливає практичний обов’язок державного органу проєктувати алгоритмічну процедуру в межах належної компетенції, з мотивуванням там, де його вимагає закон, та доступними засобами оскарження.
Європейський AI Act як порівняльна нормативна рамка
Регламент ЄС 2024/1689 встановлює ризик-орієнтовані вимоги для визначених систем штучного інтелекту. У додатку III, зокрема, виділено застосування для оцінювання права фізичних осіб на істотні суспільні виплати та послуги, а також рішення про надання, скорочення, припинення чи повернення таких виплат. Регламент діє за власними правилами територіального й предметного застосування та переходу до виконання різних положень. Він не є автоматично чинним українським законом для всіх органів влади України. Його категорії корисні при проєктуванні класифікації ризику й майбутньої нормативної сумісності.
Практичний алгоритм упровадження для органу влади
Наведена нижче послідовність є редакційною синтезою міжнародних рамок OECD, NIST і досвіду відкритості державних алгоритмів Великої Британії. Вона не замінює формальних процедур закупівлі, правового аналізу або оцінювання впливу.
Сформулювати суспільну проблему в термінах потреби, прав та кінцевого результату. Підтвердити, що проблема полягає саме у розподілі уваги чи ресурсів, а не переважно в нестачі послуг.
Описати чинний шлях громадянина, адміністративні рішення, джерела затримки та нерівність доступу. Перевірити прості альтернативи, зокрема універсальне інформування й покращення форм.
Визначити законну мету й правову підставу для кожної категорії даних. Обмежити збір і зберігання необхідним обсягом.
Заздалегідь затвердити критерії суспільної користі, допустиму шкоду помилок, правила пріоритетності та процедуру оскарження.
Перевірити якість і репрезентативність даних, вибір цільового показника, можливі приховані замінники соціально чутливих характеристик.
Порівняти алгоритм із простою прозорою альтернативою на незалежних даних; окремо оцінити результати для груп населення.
Провести оцінювання впливу на права, приватність і доступність. Залучити до обговорення користувачів послуг, фахівців і незалежних експертів.
Визначити відповідального власника системи, повноваження службовця змінити рекомендацію та процедуру документування такого рішення.
Організувати обмежений пілот із наперед визначеними результатами та, коли можливо й етично припустимо, надійним причинним дизайном оцінювання.
Оприлюднити зрозумілий опис системи й правила звернення та оскарження; забезпечити доступні цифрові й нецифрові канали.
Налагодити постійний моніторинг наслідків, аудит постачальника, контроль зміни даних і критерії зупинення.
Масштабувати лише за наявності доказів додаткової користі, належного правового забезпечення, бюджетної спроможності й прийнятних розподільчих наслідків.
Як оцінювати результат програми
Оцінювання включає технічний, поведінковий, організаційний і правовий рівні. Показники бажано визначати до запуску, а не добирати після того, як стали відомі позитивні результати.
Показники моделі й процесу
До технічних належать калібрування, чутливість, частка хибних спрацювань, стійкість до зміни даних і відмінності між групами. До процесних — частка людей, яких вдалося охопити, час до відповіді, кількість повторних звернень, витрати на адміністративну дію, частота ручних переглядів та кількість успішних виправлень помилкових даних. Такі показники показують, як працює система, але ще не встановлюють її суспільної користі.
Кінцеві результати та причинність
Для програми підтримки можуть бути важливими фактично отримана допомога, зменшення тривалості очікування, поліпшення здоров’я чи безпеки, зниження необхідності повторних звернень. Якщо оцінюють зміну, спричинену саме алгоритмічним правилом, потрібна відповідна контрольна альтернатива: рандомізоване впровадження, ступінчастий запуск або належно обґрунтований квазіекспериментальний дизайн. Вибір залежить від допустимості експерименту та права кожного громадянина на базову послугу.
Інтерпретація статистичного та практичного значення
Статистично значуще покращення середнього показника може супроводжуватися дуже малою зміною реальних результатів. Слід подавати абсолютну величину ефекту, довірчі інтервали, витрати, групові відмінності й найсерйозніші небажані наслідки. За невеликої громади невизначеність оцінок може бути більшою; чесний звіт показує її разом із результатом.
Коли алгоритмічний добір варто обмежити або відхилити
Система може бути неприйнятною, якщо для її роботи немає законної підстави, дані не дають змоги перевірити значущі помилки, очікувана шкода непропорційна користі, відсутнє зрозуміле оскарження або орган не може забезпечити контроль постачальника. Додаткові підстави — неспроможність довести перевагу перед простим правилом, високі ризики для вразливих людей, масове використання особистих відомостей поза початковою метою та інституційна нездатність підтримувати систему після запуску.
Вибір відмовитися від алгоритмічного відбору також може бути результатом якісного оцінювання. Коли головною перешкодою є відсутність лікаря, транспорту, доступного приміщення чи правомірної можливості отримати послугу, точніше передбачати поведінку людей означає лише краще описувати дефіцит, який потребує системного рішення.
Поширені запитання
Чи є алгоритмічне таргетування завжди штучним інтелектом?
Ні. Воно може спиратися на заздалегідь визначене правило, статистичну модель або систему машинного навчання. Права людини й належність адміністративної процедури важливі незалежно від технічної назви інструмента.
Чи означає високий прогнозований ризик, що людина порушила правило?
Ні. Прогноз вказує на оцінену ймовірність події за певних умов і може містити помилку. Правовий висновок потребує встановлення фактів і належної процедури.
Чи можна використовувати алгоритм для першочергового надання допомоги?
Можна розглядати його як допоміжний інструмент у межах законних повноважень, із прозорими критеріями пріоритету, перевіркою справедливості та процедурою перегляду. Сама модель не створює нових законних підстав відмовити людині в послузі.
Чи достатньо вилучити з набору даних інформацію про стать або інвалідність?
Ні. Інші змінні можуть опосередковано відображати ті самі соціальні відмінності. Потрібно перевіряти кінцеві рішення, помилки та їхні наслідки, а також правову основу роботи з даними.
Хто відповідає за алгоритмічне рішення державного органу?
Відповідальність визначають закон, компетенція відповідного органу, конкретна адміністративна процедура й договірні відносини з постачальником. Делегування розрахунків програмі не усуває обов’язку органу діяти законно та обґрунтовувати адміністративні акти у передбачених законом випадках.
Які документи може вимагати громадянин в Україні?
Можливість отримати відомості залежить від характеру даних і процедури. Закон про захист персональних даних передбачає права щодо власних даних і механізму автоматичної обробки, а Закон про адміністративну процедуру встановлює засади мотивування та оскарження адміністративних актів. Для конкретної справи слід звертатися до відповідального органу й застосовувати чинний порядок оскарження.
Чи гарантує участь посадовця справедливість?
Лише за умови, що людина має необхідні відомості, компетентність, час і повноваження змінювати машинну рекомендацію, а система фіксує обґрунтування. Формальне підтвердження результату не дає належної гарантії.
Який перший крок для громади з невеликим бюджетом?
Варто дослідити адміністративний шлях отримання послуги, визначити реальні бар’єри й порівняти найпростіші поліпшення з прогнозним добором. Дорога модель не є обов’язковою передумовою якісної поведінкової програми.
Висновок
Алгоритмічне таргетування суспільних втручань впливає на те, хто буде помічений установою, кому запропонують допомогу, чиє звернення перевірять і хто отримає пріоритет. Його якість визначається правильністю постановки суспільної мети, придатністю даних, перевіреним причинним ефектом, розподільчою справедливістю, повноваженнями людини та доступним оскарженням. Найнадійніша практика поєднує правову основу, незалежне оцінювання й постійний нагляд із реальним поліпшенням доступності послуг.
Пов’язані статті
Поведінкова державна політика: як психологія допомагає проєктувати суспільні рішення — загальна архітектура державних поведінкових рішень.
Етика поведінкової державної політики: принципи та контроль — автономія, ризики, процедури відповідальності.
Оцінювання поведінкових суспільних втручань: дизайн і показники — причинний дизайн і вимірювання реальних результатів.
Рівність наслідків втручань: хто отримує користь і хто зазнає шкоди — аналіз розподільчих наслідків.
Алгоритмічна прозорість: що вона дає користувачу і чому сама прозорість не гарантує довіри — психологічні умови розуміння алгоритмів.
Джерела
Baron, E. J., Ghosh, A., & Lombardo, R. (2026). Predictive Risk Scores in the Public Sector: Experimental Evidence from Child-Protection Investigations. NBER Working Paper No. 35540. Попередня робоча публікація. Оригінал.
European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). EUR-Lex.
Government Digital Service. (2025). Algorithmic Transparency Recording Standard: Guidance for Public Sector Bodies. UK Government. Офіційний документ.
Inoue, K., Adomi, M., Efthimiou, O., et al. (2024). Machine learning approaches to evaluate heterogeneous treatment effects in randomized controlled trials: A scoping review. PubMed.
National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. DOI.
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. DOI.
Organisation for Economic Co-operation and Development. (2022). OECD Framework for the Classification of AI Systems. OECD Digital Economy Papers. DOI.
Organisation for Economic Co-operation and Development. (2026). Digital Government Outlook 2026: From Foundations to Transformational Impact. Розділ 4: Adopting and governing AI in government. Оригінал.
Treasury Board of Canada Secretariat. (2025). Directive on Automated Decision-Making. Офіційний документ.
Treasury Board of Canada Secretariat. (без дати). Algorithmic Impact Assessment. Офіційний документ.
World Health Organization. (2021). Ethics and governance of artificial intelligence for health. WHO guidance. Оригінал.
Верховна Рада України. (2010; чинна редакція). Закон України «Про захист персональних даних» № 2297-VI. Офіційний текст.
Верховна Рада України. (2022; чинна редакція). Закон України «Про адміністративну процедуру» № 2073-IX. Офіційний текст.
Верховна Рада України. (2026). Як Україна розробляє правила для штучного інтелекту. Офіційне повідомлення.