Dr. Kajó Cecília LL.M.: Előrejelezhető-e a visszaesés az állatkínzást elkövetőknél a mesterséges intelligencia segítségével?

Ahhoz, hogy Magyarországon a címben feltett kérdésre igen lehessen a válasz és egy működő rendszer kerülhessen kifejlesztésre, több dolgot kell megvizsgálnunk: a megfelelő jogszabályi háttér megteremtése mellett a gyakorlati megvalósíthatóság elsődleges kérdése az lehet, hogy rendelkezésre állhat-e megfelelő mennyiségű tanítóadat az előrejelzések elkészítésére?

Nézzünk néhány nyilvánosan hozzáférhető adatbázisból (ENYÜBS, OBH, BM) számokat!

A Magyarországon regisztrált állatkínzás bűncselekmények száma az ENYÜBS adatai szerint: 2013: 867, 2014: 801, 2015: 761, 2016: 547, 2017: 539, 2018: 545, 2019: 586, 2020: 700.

Elmarasztaló ítélet 2020-ban 321 született, ebből 14 végrehajtandó szabadságvesztés. 2020-ban 10 állatkínzásért elítélt közül 5 kapott 6-12 hónap közötti letöltendő szabadságvesztést, 2 kapott 1-2 év, 1 kapott 2-3 év és 2 kapott 3-5 év közötti letöltendő szabadságvesztést. 2021-ben 9 állatkínzásért elítélt közül 5 kapott 6-12 hónap és 4 kapott 1-2 év közötti letöltendő szabadságvesztést. 2022-ben 4 állatkínzásért elítélt közül 1 kapott 0-6 hónap, 1 kapott 6-12 hónap, 1 kapott 2-3 év és 1 kapott 10-15 év közötti letöltendő szabadságvesztést (a felsorolt években az állatkínzás más bűncselekménnyel halmazatban állt).

Halmazat nélkül „csak” állatkínzásért 2020-ban 4 elítélt közül 3 kapott 6-12 hónap és 1 kapott 1-2 év közötti letöltendő szabadságvesztést. 2021-ben 2 elítélt közül 2 kapott 6-12 hónap közötti letöltendő szabadságvesztést. 2022-ben 2 elítélt közül 1 kapott 0-6 hónap és 1 kapott 6-12 hónap közötti letöltendő szabadságvesztést.

A visszaesést tekintve 2020-ban 177 állatkínzásért elítéltből 1 volt különös visszaeső, 2021-ben 171 elítéltből 1 volt visszaeső és 2 többszörös visszaeső, 2022-ben 85 elítéltből 1 volt visszaeső (itt az állatkínzás mellett más bűncselekmény is a vádirat tárgya volt). Halmazat nélkül, „csak” állatkínzásért elítéltek száma 2020-ban 144 és nem volt köztük visszaeső, 2021-ben 137 elítéltből 1 visszaeső és 1 többszörös visszaeső volt, 2022-ben 67 elítéltből nem volt visszaeső.

Az állatkínzásnak nincs jogi értelemben sértettje, a megkínzott vagy elpusztított állatok mint elkövetési tárgyai szerepelnek a tényállásnak. A rendőrség honlapján elérhető, 2014-2019. között publikált állatkínzással kapcsolatos hírekben említett állatok összlétszáma (melyet nem voltam rest legyűjteni és összeszámolni ebben a tanulmányban egyéb más adatok mellett) 701, melyből 23 ló, 1 süllő, 2 csuka, 47 keszeg, 3 őz, 38 macska, 6 ürge, 2 parlagi sas, 17 kecske, 7 ponty, 317 sertés, 3 szarvas, 2 róka, 1 bárány, 1 birka, 16 szarvasmarha.

A mesterséges intelligencia halmazában a tanuló algoritmusok a bevitt adatokból állítják elő a kért eredményeket – de idővel felhasználják a saját maguk által előállított adatbázist is. Ha például egységes joggyakorlatra szeretnénk törekedni egy-egy ügytípusban, arra kiválóan alkalmas lehet egy algoritmus alkalmazása, hiszen hihetetlen méretű adatbázisokat tud elemezni, azokból következtetéseket, valószínűségeket lefejteni majd döntéstervezeteket előállítani. Ha a betáplált adat szubjektív és elfogult, az algoritmus által elkészített döntéstervezetek is azok lesznek, hiszen csak mennyiségi elemzést tud készíteni ezekből az adatokból, a szubjektumot pedig nem tudja kiszűrni.


A jogi területen kiválóan megmutatkozik, hogy azért mert valami mennyiségileg jelentős, az abból levonható magas valószínűség nem jelenti egyben azt, hogy igazságos is. Azokon a területeken, ahol jelenleg már ilyen automatikus döntéshozatalt alkalmaznak, éppen ezért érvényes a szabály, hogy az érintett vendég, ügyfél, eljárás alá vont személy stb. kérheti, hogy az algoritmus által készített döntés emberi felülvizsgálat alá essen, későbbi érdekes példáinkban a robotbíró döntéseinek felülvizsgálatát kérhetné az akinek az ügyét ebéd előtt, vesztes focimeccs után, nem a szülinapján vagy kellemes időben utasították el (a fura állítások később érthetővé válnak az írásban). A mesterséges intelligencia nagy halmazának eszközei megkönnyíthetik az életünket, csak mindig figyelemmel kell lennünk arra, hogy ez az eszköz mire való: a tökéletlen és ilyen számítási kapacitással nem rendelkező emberi elme kiegészítője, segítője, de az életünket mivel értékalapú ami minőséget jelent és nem mennyiséget elsősorban, nem vezérelheti valószínűségi alapon mert az csak puszta mennyiségi mutató, a többség uralma ami sokszor nagyon nem igazságos.

Talán elsőre nem is gondolunk erre, de a hagyományos büntetőbíróság ítélkezése is valószínűségeken alapszik, hiszen a múltbeli történést teljességében megismerni nem lehetséges. A jelenlegi ítéletek jogi nyelvről matematikai nyelvre való lefordítása azt jelentené, hogy mondjuk a bemutatott bizonyítékok fényében 85%-nál nagyobb az esélye, hogy a gyanúsított követte el a bűncselekményt. Az MI alkalmazása a büntetőjog területén választást is jelent: az emberi bíróság vagy a program valószínű igazságát fogadjuk-e el hitelesebbnek. A valószínűségi véleményalkotás az igazságügyi szakértők munkájában egyébként régóta megfigyelhető.

Állatkínzásnál kiemelt fontosságú a látenciában maradó bűncselekmények száma, amelyek szerényebb vagy merészebb becsléseken alapulnak, figyelembe véve például az állatvédelmi szervezetekhez egy év alatt bekerülő olyan állatok számát amelyekkel kapcsolatban több okra visszavezethetően nem tesznek feljelentést (csalódás korábbi büntetőeljárások tapasztalataiban, időhiány, kapacitáshiány, tudáshiány stb.). A tanulóadatok között a látencia nem jelenik meg, csak a bűnügyi statisztikák konkrét számai (tehát azok az ügyek melyek hatóság elé kerültek). Ez is erős torzítást eredményezhet. Torzítást (és diszkriminációt) okozhat, ha a historikus adatokat tekintjük, a bűncselekmények tényállásai ugyanis koronként eltérőek: az elmúlt száz év bűnügyi adatainak betáplálása Magyarországot tekintve jelenti a szocializmust, a Horthy-korszakot és a monarchia idejét, a legfontosabb jogágak (polgári jog, büntetőjog) írásba foglalásának kései időpontjait, az azt megelőző élő joggyakorlatot, büntetőjogra leszűkítve a dichotóm és a trichotóm rendszer változásait, a büntetőjog és  a szabálysértési jog elválasztását (azon belül az értékhatár-módosulásokat). Az állatkínzás 2004-ben került be a Büntető Törvénykönyvbe, korábban szabálysértésnek minősült, illetve garázda változatát már a Kihágási Büntetőtörvénykönyv is szankcionálta.

A modern büntetőjogi rendszerek az elkövető cselekményét állítják középpontba, a tettbüntetőjog dominál a tettesbüntetőjoggal szemben. Az elkövető és körülményei a jogkövetkezmény érvényesítésénél jönnek elsősorban szóba, hogy individualizálni lehessen, vagyis a legjobban rászabni. A tettbüntetőjog dominanciájával mennek szembe az adott személy jövőbeli cselekményeivel kapcsolatos előrejelző programok, alapjaiban ássák alá a tettbüntetőjogot. A kognitív idegtudomány szintén alapjaiban ássa alá a tettbüntetőjogot: Benjamin Libet amerikai tudós híres kísérletében arra kérte kísérleti alanyait, hogy emeljék fel a kezüket saját akaratuktól függően és jelezzék egy óra segítségével, hogy mikor határozták el azt. Az idegsejtek elektromos aktivitását eközben egy EEG-berendezés segítségével figyelte meg, amellyel megállapíthatta, hogy az agy mozgatókérge mikor ad parancsot a kéz felemelésére. A kísérlet eredményei szerint a mozgatókéreg hamarabb küld parancsot mint ahogy az alany tudatosan elhatározza a mozgást, nagyjából három tizedmásodperccel. Libet értelmezése szerint ez a készenléti potenciál (rendkívül leegyszerűsítve: a tudat alatt megszülető döntés) mint készenléti potenciál jelenti magát a döntést. Libet kísérlete alapján nem létezik szabad akarat, egy tudatalatti folyamat ugyanis már korábban eldöntötte, hogy mit fogunk tenni. Ezek szerint tehát a teljes felelősségi jogi dogmatika hibás feltételezésen alapul, mivel az eredmények alapján agyunk intuitív módon hoz döntést melyet utólag racionalizálunk, így az eddig elképzeltekhez tapadó jogi felelősségi rendszer is hibás. (Forrás: Vajda János: Csak a pszichológusom jelenlétében!)

Kizárhatjuk-e a szubjektumot az automatikus döntéshozatallal? Célszerű-e a bírói döntéshozatal szubjektumreleváns pszichológiai kockázatát felcserélni az algoritmusok kockázati logikájával? A transzparencia oldaláról tekintve az anyagi és eljárási jog nyilvános, az algoritmus pedig mint üzleti titok nem az. De a black box hatás az emberi elménél éppúgy megvan mint a gépnél. Ugyanakkor egyes jogágakban a platformok indexelő, kereső és rangsoroló automatizmusa sokkal megbízhatóbb garanciája a jogérvényesítésnek, a szerzői jog kikényszerítésének mint bármely jogszabály vagy szerzői jogi monopólium.


A jogalkalmazó szubjektuma mellett érdekes megemlíteni a jogkereső közönség szubjektumát: lehetséges, hogy egyes megyékben vagy településeken jobban vagy kevésbé pereskedő emberek élnek? Lehetséges, hiszen a lakosságszámhoz arányosan kimutatható éves perindítási számok (illetve saját szakmai tapasztalataim szerint az OSAP statisztikai lapok áttekintésével maximálisan alátámasztható módon a jegyzői birtokvédelmi kérelmek számai) sok évre visszatekintve magasabbak a fővárosban és a Pest környéki településeken. Kell-e egyáltalán emberi tényező a bírósági döntéshozatalba? Az Emberi Jogok Európai Bíróságának döntéseinek kutatása során (Forrás: Nikolaos Aletras – Dimitrios Tsarapatsanis – Daniel Preotiuc-Pietro – Vasileos Lampos: Predicting judicial decisions of the European Court of Human Rights. A natural language processing perspective) az ún. természetesnyelv-feldolgozási módszer alapján 79%-os pontossággal találta el a gép a meghozott döntést (600 ügy vizsgálata alapján) vagyis hogy történt-e egyezménysértés. Ezek szerint tehát például nem feltétlenül kell emberi tényező a bírósági döntéshozatalba – nyilván a feltett kérdés és a rá adott válasz erősen ügytípus-függő.

A bevezetőben áttekintett néhány százas nagyságrendek alapján egész biztosan kevés ennyi adat a címben feltett kérdésben megfogalmazott rendszer gyakorlati megvalósíthatóságához, de menjünk végig néhány elméleti lépcsőfokon és nézzük meg a leghíresebb „visszaesés-előrejelzőt”, az USA több tagállamában alkalmazott COMPAS-t is.

A mesterséges intelligencia és azon belül a tanuló algoritmusok jogi alkalmazása jelenleg elsősorban proaktív, megelőző funkcióval képzelhető el. A témával foglalkozó előadások, szakmai napok többségén elsütik a poént, hogy a mesterséges intelligencia sem nem mesterséges, sem nem intelligens. Való igaz, hogy amíg az agyműködésről is keveset tudunk a mai napig, úgy elég nehéz olyan „gépet” építeni ami úgy működik mint az agy. Egyáltalán mi az, hogy agyműködés? Eltérő a férfi és női agy működése, az idős, a fiatal, az egészséges, a sérült agy működése és nyilvánvalóan földrajzi és kultúrkör-függő is, hogy egy-egy probléma megoldásához ki hogyan áll hozzá és milyen „agyműködés” révén jut el a megoldásig.  A proaktivitást tekintve a jogi területeken lehet létjogosultsága a robotügyvédnek, amely jogtárakból ítéleteket szemléz és elemez, dinamikusan változó űrlapok segítségével tulajdoni lapot kér le nyilvántartásból, előre megadott adatokból okiratot szerkeszt, feltett kérdésekre tanácsot ad vagy felületet biztosít egy-egy alternatív (tehát nem peres úton történő) vitarendezéshez. Messze vagyunk még de lehet, hogy egyenesen elképzelhetetlen a proaktív, előzetes jogi munkához képest az utólagos (megtörtént esemény utáni) értékelést igénylő tevékenységeknél (pl. ítélethozatal, az ítélet végrehajtása stb.) robotbíró vagy robotügyész alkalmazása.

Susskind írja Az ügyvédség vége c. könyvében, hogy azért mert nincsenek már lovaskocsik és nem használunk gyertyát, még ugyanúgy közlekedünk és világítunk, csak már lovakra meg gyertyaöntőkre nincs szükség. Felvetése tehát azon a kiindulóponton nyugszik, hogy nem a jogi személyek léte a fontos hanem a megoldáshoz vezető út ami akár lehet gépi alapú is, a jogászlét tehát nem öncélú. A gépi alapú döntéshozatal ellen ágálók szerint a döntéshozatal olyan kifinomult értékelést, mérlegelést és időnként méltányosságot igénylő magatartás, amelyet hagyományosan egy program nem tud elvégezni illetve valószínűleg nem is fogadnánk el egy programtól – akár ugyanazt a döntést, amit egy ember is meghozna.

De valóban objektív az emberi döntéshozatal egy-egy jogi eljárásban? Nézzünk három érdekes kutatást a témában: ezek szerint Izraelben, az USA-ban és Franciaországban a döntések sokszor attól függnek, hogy:

– mennyire éhes a bíró

– hogyan szerepelt a bíró kedvenc focicsapata az előző napon és

– mennyire teszi engedékennyé a bírót ha a vádlottnak a döntéshozatal napján van a születésnapja.


Izraeli bírók feltételes szabadlábra helyezési kérelmekkel kapcsolatos ügyeit vizsgálva kiderült, hogy jóval nagyobb százalékban döntöttek a kérelmek helyt adása mellett az ebédszünet után. Az USA-ban végzett kutatás szerint ha vasárnap veszít a bíró kedvenc futballcsapata, nagyobb százalékban hoz szigorúbb ítéletet hétfőn. Franciaországban igen impozáns – 12 éven át tartó és 6 millió ítéletet áttekintő – kutatás alapján megállapították, hogy a bírók közel azonos ügyekben jóval engedékenyebbek voltak a döntéshozatal során, amennyiben annak a napja a vádlott születésnapjára esett.  Végül négy év több mint kétszázezer menedékjogi ügyeinek áttekintése kapcsán a kutatók megállapították, hogy hidegebb időben jóval nagyobb esélye van valakinek a menedékjogi státuszt megkapnia, kellemesebb hőmérsékletű döntéshozatali napokon pedig jóval több ilyen kérelmet utasítanak el. (Források: Shai Danziger – Jonathan Levav – Liroa Avnaim-Pesso: Extraneous factors in judicial decisions. Proceedings of the National Academy of Scienses, 2011/17., 6889-6892.; Ozkan Eren – Naci Mocan: Emotional judges and unlucky juveniles. American Economic Journal: Applied Economics, 2018/3., 171-205.; Daniel L. Chen – Markus Loecher: Mood and the malleability of moral reasoning SSRN 2019., https://bit.ly/3R515uj; Daniel L. Chen – Arnaud Philippe: Clash of norms: Judicial leniency on defendant birthdays. SSRN 2020., https://bit.ly/3YKXOPL)

Ha abból indulunk ki, hogy az igazságszolgáltatás funkciója a jogviták megoldása, akkor a humán döntéshozatalról a gépire való átállás igazából csak paradigma-váltást jelent.

A jogalkalmazók szubjektumán túl milyen a jogkereső közönség szubjektuma? Mit gondolnak az emberek egy olyan per kimeneteléről, melyben „biztosan igazuk van”, ha az a per a szomszédjuk, a főnökük, a bank, a rendőrség, az adóhivatal, egy gazdag vállalkozó vagy egy politikus ellen irányul? ”Az elképzelt pereskedési helyzetek nyerési esélyei egyértelműen a szomszéd ellen indított perben a legmagasabbak, majd a főnök, a bank és a rendőrség következik. A válaszadók leginkább az adóhivatal, a gazdag vállalkozó és a politikus ellen indított perekben pesszimisták. A válaszadókat tekintve nincs lényegi különbség a férfiak és a nők válaszai között, jellegzetes életkori mintázatot sem lehet fellelni, ami viszont elsősorban differenciál: az iskolai végzettség, a jövedelmi viszonyok, meglepő módon a vallásosság, és a főváros-vidék „ellentét”. A magasabb végzettségű, jobb jövedelmi helyzetben lévő, vallásos, fővárosban élő emberek jóval nagyobb esélyt adnak a pernyertességnek, mint a kevésbé képzett, kevésbé tehetős vidéki válaszadók.” (Forrás: Róbert Péter – Fekete Balázs: Ki ellen nyerne meg ön egy pert? Attitűdök jogról, bizalomról rétegződési szempontból c. tanulmánya alapján, MTA Law Working Papers 2016/10.)

A kockázatelemzési rendszereknek óriási irodalma van, közel 40 éve alkalmaznak strukturált, kérdőív alapú megoldásokat, amelyek több országban erős szoftveres támogatást kaptak az évek folyamán. Vannak tematikus eljárások (szexuális bűncselekményekre vagy radikalizációra), de jellemzően a visszaesésre irányulnak. A hatékonyság kapcsán nagyon sok statisztikai kutatás készült, az eredmények és az etikai aggályok alapján sok ország a  személyes beavatkozás kontrollja mellett alkalmaz szoftveres rendszereket. (Forrás: Czenczer Orsolya – Bottyán Sándor: Büntetés-végrehajtási algoritmusok Tallózás a büntető igazságszolgáltatásban alkalmazott technikai nóvumok és fejlett technológiai megoldások tárházából a büntetés-végrehajtás vonatkozásában)

A COMPAS elvrendszeréhez hasonló kategóriájú kockázatelemző algoritmus a magyar büntetés-végrehajtásban a KEK-rendszer, azaz a Kockázatelemzés és Kezelési Rendszer. A fogvatartottak kockázati elemzése és értékelése kiemelten fontos szakmai kérdés, és a bv.-nak külön erre a célra kialakított, létrehozott szakmai rendszere és  intézete is van, mégpedig a  Központi Kivizsgáló és  Módszertani Intézet (KKMI). A rendszer egyik legfontosabb ismérve, hogy a társadalom hatékony védelmét szolgálja, valamint a fogva tartás folyamatában érezhető változásokat eszközöl. Eredményessé teszi a működést, a szakmai munkát, és végső soron a végrehajtási cél érvényesülését. Máshogyan megfogalmazva a célja az, hogy az egyéniesítés módszerét szem előtt tartva, minden egyes fogva tartás esetében meg kívánja találni az egyén személyiségében azt az utat, ahol a legnagyobb sikerességgel vezethető vissza a társadalomba. (Forrás: Schmehl János: A fogvatartottak kockázatelemzési és kezelési rendszere. Börtönügyi Szemle 2014.)

A LexisNexis (https://www.lexisnexis.com/en-us/home.page) napjaink legelterjedtebb jogi adatbázis-szolgáltatása, amelyben mesterséges intelligencia, szöveggeneráló eszköz, szövegbányászat és vizualizációs eszköz található. Alapját több mint 83 milliárd jogszabály és bírósági határozat, 40 ezernél több cikk és milliós nagyságrendű cégadat adja. Vessük össze a tanító adatbázis nagyságát az írásom elején hivatkozott magyar adatokkal…

Az ítélethozatalban segítő szoftverek közül a legismertebb talán a Correctional Offender Management Profiling for Alternative Sanctions – azaz a COMPAS, melyet az USA több tagállamában (New York, Wisconsin, Kalifornia, Florida) alkalmaznak a visszaesők kockázatbecslésére. Vagyis a program nem azt dönti el a bíróság helyett, hogy kit helyezzen szabadlábra és kit nem, hanem több bizonyos információk és adatok alapján valószínűséget számít a visszaesés kockázatáról. A COMPAS-ba betáplálásra kerül az elítélt adatai, a lefolytatott büntetőeljárások, a vádiratok, büntetőjogi előélete, lakhatási körülményei, személyes körülményei, iskolai végzettsége, családi állapota, függőségekkel kapcsolatos ismert problémái (a rendszer összesen 137 adatra kérdez rá).

A COMPAS egy webalapú értékelési és elítéltprofilozási rendszer az igazságszolgáltatásban dolgozók számára, mellyel megpróbálják meghatározni az elkövetők jövőbeli magatartását, vagy legalábbis egyfajta kockázati értékeket, például újabb bűnelkövetésre vonatkozóan. A program nem újkeletű, először 1998-ban fejlesztették ki, és az évek során többször átdolgozták. A jelenleg alkalmazott verziót már a negyedik generációnak tekinthetjük.

A COMPAS három mutatót számol: a tárgyalás előtti szabadon bocsátás kockázatát, a visszaesési valamint az erőszakos visszaesési együtthatót. Az adatokat a rendszer egy 1-10 közötti skálán értékeli, és a végeredmény is egy 1-10 skálán található valószínűségi érték lesz. Minél nagyobb az érték annál nagyobb a valószínűsége a tárgyaláson való meg nem jelenésnek vagy a visszaesés kockázatának, tehát annál óvatosabban kell eljárnia a bíróságnak a terhelt szabadlábra helyezése kapcsán. A COMPAS tehát mindösszesen három számot ad a bíróság kezébe amelyet az szabadon használ fel. Az amerikai Pro Publica Institut több ezer döntés elemzése után megállapította, hogy a rendszer sokszor diszkriminatívan jár el, ugyanakkor ennek magyarázata érthető: a színes bőrű vádlottak nagyobb eséllyel minősültek kockázatosnak, a rossz lakhatási körülmények, a stabil foglalkoztatás hiánya ugyanis megnövelik a kockázatot, ezek az értékek viszont kedvezőtlenebbek a szegényebb rétegek körében, amelyekben pedig a színesbőrűek felülreprezentáltak.

A COMPAS egyik funkciója egyértelműen az amerikai börtönök telítettségének egy újfajta metodika annak kiküszöbölésére.

A küszöbérték meghatározása kicsit hasonlít a kétséget kizáró bizonyítékok hiányához: mi legyen a cél? Csak a teljes bizonyossággal visszaesők (ha van ilyen egyáltalán) maradjanak előzetesben, vagy húzzuk meg alacsonyan a küszöbértéket és essen bele jóval több, akik nagy valószínűséggel sosem követnek el újabb bűncselekményeket? Vagy inkább tartóztassunk le és ítéljünk el ártatlanokat is megfelelő bizonyítékok nélkül mintsem egyetlen bűnös is megússza?

A küszöbérték meghatározásánál az amerikai metódus a Blackstone-arányt veszi alapul, vagyis legyen inkább tízszer annyi bűnös (jelen esetben visszaeső) szabadon mint egy ártatlanul (itt nem visszaeső) börtönben.

Ha túllendülünk azon a tényen, hogy nincs elegendő tanítóadatunk az algoritmushoz és nem áll rendelkezésre a hatályos jogi háttér a bevezetéséhez, már „csak” a kérdéslista összeállítása van hátra, amelyet az állatkínzók visszaesésének lehetséges MI-alapú előrejelzéséhez a COMPAS 137 kérdésből álló űrlapja alapján állíthatunk össze. Ez egyébként egy nagyon érdekes kutatási alapanyag lehet önkéntes interjúkra alapítva állatkínzás miatt elítélt fogvatartottakkal különböző bv-intézetekben is. Az űrlap 15 fő részből áll, a személyes adatok kitöltése után rákérdez részletesen a bűnügyi előéletre (külön a fiatalkorúként elkövetett cselekményekre és az ott kiszabott speciális szankciókra), az aktuális bűnügyi státuszra (pl. hogy próbára bocsátás alatt követte-e el az aktuális bűncselekményt), hogy hányszor és miért volt valaki letartóztatva, elítélve, hány éves korában volt először letartóztatva stb. A családi körülmények kapcsán ki kell tölteni az űrlapon, hogy vérszerinti vagy örökbefogadott (és együttélő vagy elvált) szülők gyermekeként nőtt-e fel valaki, hány éves volt mikor a szülei elváltak, a szülők valamelyike volt-e letartóztatva vagy elítélve (és ugyanezt megkérdi a testvérekkel illetve a felnőtt partnerekkel, házastársakkal vagy élettársakkal kapcsolatban is). A letartóztatás, elítélés a baráti kapcsolatokat érintően is felmerül, illetve meg kell adni, hogy volt-e valaha vagy jelenleg tagja-e például bűnszervezetnek. Alkohol- és drogfogyasztási szokásokra kérdez rá az űrlap, illetve a családhoz való viszonyulásra: hány alkalommal, milyen sűrűn beszél valaki személyesen, telefonon a családtagjaival, milyen gyakran találkoznak, mióta él az elkövető a legutóbbi lakcímén, kikkel él együtt stb. Fontos kérdés, hogy az elkövető illetve családja, baráti köre esett-e áldozatul korábban és milyen bűncselekménynek vagy például úgy érzik-e, hogy a környék ahol élnek, megköveteli-e a fegyverviselést a védekezés érdekében, van-e tudomások bűnszervezetekről a lakókörnyezetben. Az iskolai végzettségekkel kapcsolatban rákérdez az űrlap pl. osztályismétlésre, iskolaváltásra, tanárokkal való konfliktusra a múltban. A foglalkoztatási adatoknál a jelenlegi munkahelyen túl a munkahely-váltások számát és azt is megkérdezi az űrlap, hogy okoz-e gondot a mindennapi megélhetés, a számlák kifizetése. Kikapcsolódás témakörben rákérdez az űrlap, hogy az elkövető szokott-e unatkozni, érez-e dühöt, érzi-e kilátástalannak az életét, mik a hobbijai – a korábbi eldöntendő kérdésekhez képest itt azt kell megjelölni, hogy milyen gyakran illetve hogy mennyire érzi jellemzőnek magára nézve az adott állítást. A legérdekesebb kérdésfeltevések talán az űrlap legvégén találhatóak: itt olyan közhelyszámba menő mondatokról kell eldönteni az elkövetőnek, hogy inkább igaznak vagy kevésbé igaznak érzi-e őket, mint például a szegény emberek gyakrabban keverednek bajba vagy hogy a jog az átlagembereknek nem segít.

Amennyire én látom, kellő mennyiségű tanítóadat nélkül nincs potenciál egy ilyen rendszerben valamint nem érdeke profitorientált piaci szereplőnek, hogy kifejlesszen egy „magyar COMPAS-t”, a rendszer tanulmányozása szerintem jelenleg leginkább az űrlap által feltett kérdések bv-intézetekben történő kutatások során való felhasználása miatt lehet leginkább érdekes vagy tágabb összefüggésekben más bűncselekményekkel való kapcsolat kutatására-előrejelzésére. Hála istennek az emberölések száma Magyarországon alacsony, így tanítóadatként az is kevés, így az „aki állatot kínoz az emberre készül” kampánymondatot nem tudjuk algoritmussal alátámasztani, de más típusú bűncselekményekkel való kapcsolatot (orvvadászat, lőfegyverrel visszaélés, drogbirtoklás) már könnyebben lehetne kutatni (a halmazati ítéletek főképp ezeket a bűncselekményeket tartalmazzák az állatkínzások mellett).