Czy algorytmy predykcyjne w policji są zgodne z prawami człowieka i zasadami demokracji

Co to są algorytmy predykcyjne w policji i skąd wziął się problem

Definicje i podstawowe pojęcia

Algorytmy predykcyjne w policji to narzędzia informatyczne, które – na podstawie danych historycznych i modeli statystycznych lub uczenia maszynowego – przewidują prawdopodobieństwo określonych zdarzeń. Najczęściej chodzi o:

• ryzyko popełnienia przestępstwa w danym miejscu i czasie,
• ryzyko recydywy konkretnej osoby,
• prawdopodobieństwo wystąpienia przemocy domowej lub innego poważnego incydentu,
• „podejrzane” wzorce zachowań w sieci czy przestrzeni publicznej.

Kluczowe jest tu pojęcie prawdopodobieństwa. Algorytm predykcyjny nie „wie”, co się wydarzy. Oblicza jedynie, jak bardzo coś jest prawdopodobne na podstawie danych, które mu podano, oraz przyjętego modelu. To od ludzi – policjantów, prokuratorów, sędziów – zależy, jak tę informację wykorzystają.

Warto odróżnić proste statystyki od złożonych systemów AI w policji:

• proste statystyki: np. mapa przestępczości, która pokazuje, ile kradzieży było w danej dzielnicy w ubiegłym roku;
• systemy AI: modele, które na tej podstawie próbują przewidzieć, gdzie kradzieże pojawią się jutro i kto może być ich sprawcą, używając tysięcy zmiennych i skomplikowanych wzorów.

Do takich systemów wprowadza się wiele typów danych wejściowych:

• dane o zdarzeniach – zgłoszenia przestępstw, interwencje, mandaty, zatrzymania;
• dane osobowe – wiek, płeć, miejsce zamieszkania, wcześniejsze konflikty z prawem;
• dane kontekstowe – czas (pora dnia, dzień tygodnia), miejsce (ulica, dzielnica), typ zdarzenia, otoczenie (sklepy, bary, szkoły);
• dane zewnętrzne – np. informacje z mediów społecznościowych, monitoring wizyjny, dane telekomunikacyjne.

Im więcej danych, tym bardziej „precyzyjne” wydają się algorytmy predykcyjne w policji. Problem w tym, że większa ilość danych to również większe ryzyko naruszenia praw człowieka, zwłaszcza prawa do prywatności, równego traktowania i domniemania niewinności.

Krótka historia i przykłady zastosowań

Algorytmy predykcyjne w policji nie pojawiły się nagle. Najpierw były statystyki kryminalne, które od lat 60. i 70. XX wieku wykorzystywano do planowania patroli i działań prewencyjnych. Z czasem, wraz z rozwojem komputerów, powstały narzędzia GIS (systemy informacji geograficznej) i pierwsze mapy „gorących punktów” przestępczości.

W latach 2000–2010 w USA i innych krajach zaczęły się rozpowszechniać systemy „predictive policing”, komercyjnie oferowane policjom miejskim. Często łączyły one:

• mapy ryzyka przestępstw,
• algorytmy rekomendujące, gdzie wysłać patrole,
• systemy scoringowe oceniające ryzyko związane z osobami lub adresami.

Równolegle rozwijały się narzędzia oceny ryzyka recydywy w sądach i prokuraturach. Przykładowo, w USA wykorzystywano systemy scoringowe do oceny, czy oskarżony może oczekiwać na proces na wolności, czy należy zastosować tymczasowe aresztowanie. Algorytm – na podstawie historii skazań, wieku, rodzaju czynu – wyliczał „score” ryzyka recydywy.

W kolejnych latach algorytmy predykcyjne w policji rozlały się na nowe obszary:

• monitoring wizyjny – analiza obrazu z kamer, wykrywanie „nietypowych” zachowań, automatyczne powiadomienia o zgromadzeniach;
• rozpoznawanie twarzy – identyfikacja osób w tłumie, łączenie z bazami poszukiwanych, monitorowanie aktywistów czy mniejszości;
• analityka mediów społecznościowych – wykrywanie potencjalnych zagrożeń, „mapowanie” sieci kontaktów, profilowanie poglądów politycznych.

W Europie dyskusja przyspieszyła po ujawnieniu projektów wykorzystujących sztuczną inteligencję do typowania „osób wysokiego ryzyka” oraz po krytyce systemów takich jak PredPol w USA czy COMPAS w sądownictwie. W Polsce temat pojawia się na razie rzadziej w przestrzeni publicznej, ale rozwiązania z zakresu analityki predykcyjnej są stopniowo testowane i wdrażane, często w projektach pilotażowych.

Dlaczego temat budzi emocje

Algorytmy predykcyjne w policji dotykają kilku fundamentalnych lęków. Po pierwsze, wiele osób ma skojarzenie z kulturą popularną – „Minority Report” i wizją ścigania za „przestępstwa przyszłości”. Nie chodzi tylko o science-fiction; chodzi o realny niepokój, że można być traktowanym jak potencjalny przestępca wyłącznie na podstawie statystyk.

Po drugie, istnieje obawa przed wzmacnianiem uprzedzeń. Dane historyczne, na których uczy się algorytm, odzwierciedlają nie tylko przestępczość, ale też sposób działania policji: gdzie wysyłała patrole, kogo częściej zatrzymywała, kogo częściej legitymowała. Jeśli policja przez lata częściej kontrolowała określoną grupę (np. mieszkańców biedniejszych dzielnic), algorytm nauczy się, że to właśnie tam jest „największe ryzyko” i będzie wysyłał tam jeszcze więcej patroli. To klasyczna spirala.

Po trzecie, algorytmy predykcyjne grożą niewidzialnym przesuwaniem granic wolności. Działają w tle, technicznie, bez głośnych zmian w prawie. Zmienia się praktyka operacyjna policji, a obywatel najczęściej nawet nie wie, że decyzja o kontroli, zatrzymaniu czy zwiększonym nadzorze wokół jego dzielnicy została zainspirowana „modelem ryzyka” opracowanym przez prywatną firmę.

To wszystko powoduje, że pytanie „Czy algorytmy predykcyjne w policji są zgodne z prawami człowieka i zasadami demokracji?” nie jest ani akademickie, ani czysto technologiczne. Dotyka codziennego doświadczenia wolności, równego traktowania i zaufania do instytucji państwa.

Jakie prawa człowieka są stawką przy algorytmach predykcyjnych

Katalog praw szczególnie narażonych

Algorytmy predykcyjne w policji dotykają niemal całej palety praw człowieka, ale kilka z nich jest szczególnie zagrożonych. Bez ich ochrony trudno mówić o realnej demokracji, a nie tylko o formalnych procedurach wyborczych.

Prywatność i ochrona danych osobowych

Żeby przewidywać, trzeba gromadzić dane. Często są to dane bardzo wrażliwe:

• szczegółowe informacje o miejscu zamieszkania, rodzinie, relacjach społecznych,
• historia kontaktów z policją, także w charakterze świadka czy ofiary,
• dane z monitoringu miejskiego, rozpoznawania twarzy, lokalizacji telefonów,
• aktywność w mediach społecznościowych, przynależność do grup, udział w wydarzeniach.

Pojawiają się tu dwa główne problemy:

• zakres gromadzenia danych – czy policja może zbierać dane „na wszelki wypadek”, tylko dlatego, że algorytm może je potencjalnie wykorzystać?
• łączenie baz danych – im więcej źródeł połączonych w jedną sieć, tym więcej można powiedzieć o konkretnym człowieku, nawet bez jego wiedzy i zgody.

RODO i prawo UE wymagają, aby przetwarzanie danych osobowych było proporcjonalne, konieczne i oparte na jasnej podstawie prawnej. Profilowanie predykcyjne, zwłaszcza w sektorze publicznym, wymaga szczególnej ostrożności i często oceny skutków dla ochrony danych (DPIA). Jeśli ten etap jest traktowany jako formalność, ryzyko naruszeń prywatności rośnie lawinowo.

Domniemanie niewinności i prawo do rzetelnego procesu

Domniemanie niewinności oznacza, że każdego traktuje się jako niewinnego, dopóki jego wina nie zostanie udowodniona. Algorytmy predykcyjne w policji działają jednak na logice „ryzyka”, nie „winy”. Osoba o wysokim „score” może być:

• częściej kontrolowana i zatrzymywana,
• traktowana jako bardziej „podejrzana” przy każdym incydencie w okolicy,
• mniej chętnie wypuszczana z aresztu,
• ostrożniej traktowana przez sąd przy wymiarze kary.

Jeśli decyzje procesowe opierają się w praktyce na algorytmicznych ocenach ryzyka, domniemanie niewinności staje się fikcją. Dodatkowo, gdy algorytm jest nieprzejrzysty („czarna skrzynka”), oskarżony ma ograniczone prawo do obrony. Jak podważyć „wynik”, jeśli nie wiadomo, jak został obliczony i na jakich danych się opierał?

Zakaz dyskryminacji i równe traktowanie

Profilowanie predykcyjne a dyskryminacja to rdzeń kontrowersji wokół takich systemów. Formalnie algorytm może nie wykorzystywać danych o rasie, religii czy poglądach, ale używać zmiennych zastępczych (np. kodu pocztowego, typu szkoły, zapisów w rejestrach socjalnych). Wtedy efekt bywa taki sam: określone grupy są częściej wskazywane jako „wysokiego ryzyka”.

Dyskryminacja może przybierać różne formy:

• rasowa lub etniczna – dotyka mniejszości, migrantów, Romów, osób o innym kolorze skóry;
• klasowa – osoby biedniejsze, z zadłużeniami, mieszkające w określonych dzielnicach są częściej traktowane jako „problemowe”;
• terytorialna – całe dzielnice stają się „czerwone” na mapie, co wpływa na reputację mieszkańców, inwestycje, poczucie bezpieczeństwa.

Zakaz dyskryminacji obejmuje nie tylko działania bezpośrednio motywowane uprzedzeniami, ale też praktyki, które w efekcie prowadzą do gorszego traktowania grup chronionych. Algorytmy predykcyjne są tu szczególnie zdradliwe, bo ich „uprzedzenia” wynikają z danych i modeli, a nie z deklaracji funkcjonariuszy. Trudniej je zauważyć i zakwestionować.

Wolność przemieszczania się, zgromadzeń i wypowiedzi

Jeśli algorytmy predykcyjne w policji wykorzystywane są do monitorowania protestów, aktywistów, środowisk politycznych, uderzają w kluczowe wolności demokratyczne:

• wolność zgromadzeń – ludzie mogą rezygnować z udziału w demonstracjach, jeśli czują, że są filmowani, identyfikowani i „profilowani”;
• wolność wypowiedzi – sama świadomość, że komentarze w sieci są analizowane przez algorytmy, może prowadzić do autocenzury;
• wolność przemieszczania się – wzmożone kontrole w okolicach „ryzykownych” zgromadzeń zniechęcają do pojawiania się tam nawet w celach obserwacyjnych.

Kontrola nad tym, kto wychodzi na ulicę i co może powiedzieć, jest jednym z najpotężniejszych narzędzi władzy. Jeśli władza wspiera się w tym nieprzejrzystymi algorytmami, ryzyko nadużyć rośnie, a możliwość społecznego nadzoru maleje.

Standardy międzynarodowe ochrony praw człowieka

Ocena zgodności algorytmów predykcyjnych z prawami człowieka nie zaczyna się od zera. Istnieją wiążące standardy międzynarodowe, które tworzą ramy dla nowych technologii.

Europejska Konwencja Praw Człowieka

Kluczowe artykuły EKPCz w tym kontekście to:

• Art. 8 – prawo do poszanowania życia prywatnego i rodzinnego: obejmuje ochronę danych osobowych, nadzór elektroniczny, monitoring. Każda ingerencja musi być „przewidziana przez ustawę”, służyć „legitymowanemu celowi” (np. bezpieczeństwo publiczne) i być „konieczna w społeczeństwie demokratycznym”.
• Art. 10 – wolność wyrażania opinii: nie tylko zakazuje cenzury, ale też chroni przed nadmiernym nadzorem, który mógłby zastraszać lub tłumić debatę publiczną.
• Art. 11 – wolność zgromadzeń i stowarzyszania się: dotyczy protestów, związków zawodowych, organizacji pozarządowych. Profilowanie uczestników zgromadzeń pod kątem „ryzyka” może być ingerencją w te wolności.
• Art. 14 – zakaz dyskryminacji: wymaga, by wszystkie prawa z Konwencji były realizowane bez dyskryminacji ze względu na m.in. płeć, rasę, pochodzenie, poglądy.

Europejski Trybunał Praw Człowieka w wielu wyrokach odnosił się do masowej inwigilacji i profilowania. Podkreślał m.in., że:

Międzynarodowy Pakt Praw Obywatelskich i Politycznych oraz inne źródła

Na poziomie globalnym punktem odniesienia jest Międzynarodowy Pakt Praw Obywatelskich i Politycznych (MPPOiP). Potwierdza on szereg praw kluczowych przy algorytmach predykcyjnych, m.in.:

• prawo do prywatności (art. 17) – zakaz arbitralnej lub bezprawnej ingerencji w życie prywatne, rodzinne, korespondencję i reputację;
• prawo do wolności i bezpieczeństwa osobistego (art. 9) – dotyczy zatrzymań i aresztowań opartych na nieprzejrzystych „ocenach ryzyka”;
• prawo do rzetelnego procesu (art. 14) – obejmuje prawo do poznania materiału dowodowego, w tym podstaw działania systemów algorytmicznych;
• wolność wypowiedzi, zgromadzeń i stowarzyszania się (art. 19, 21, 22) – zagrożone przy monitorowaniu aktywności politycznej i obywatelskiej.

Komitet Praw Człowieka ONZ w swoich ogólnych komentarzach podkreśla, że nowe technologie nie zwalniają państw z obowiązku ochrony praw. Przeciwnie, im bardziej złożone i nieprzejrzyste narzędzia, tym większa potrzeba przejrzystości, kontroli i realnych środków odwoławczych.

Do tego dochodzą współczesne, „miękkie” standardy – wytyczne ONZ dotyczące biznesu i praw człowieka, rekomendacje Rady Europy w sprawie systemów SI w sektorze publicznym czy raporty Specjalnych Sprawozdawców ONZ ds. prywatności i wolności zgromadzeń. One nie mają mocy traktatów, ale wyznaczają oczekiwania wobec państw i firm dostarczających rozwiązania predykcyjne.

Zasady państwa demokratycznego a predykcja w policji

Rządy prawa zamiast „rządów algorytmu”

Demokracja to nie tylko wybory. To także rządy prawa – sytuacja, w której władza publiczna, w tym policja, działa na podstawie jasnych przepisów i podlega kontroli. Algorytmy predykcyjne mogą ten porządek podkopać na kilka sposobów:

• technokratyczne przesunięcie decyzyjności – funkcjonariusze i decydenci zaczynają polegać na „rekomendacjach systemu”, a nie na własnej ocenie w ramach prawa;
• „ukryte” normy – parametry modelu i przyjęte definicje ryzyka działają jak nieformalne przepisy, o których nikt spoza zespołu projektowego nie wie;
• osłabienie odpowiedzialności – gdy decyzja jest kontestowana, łatwo rozmyć winę: „to nie my, tak wyszło w systemie”.

Jeśli obywatel nie może zidentyfikować konkretnej podstawy prawnej, na której doszło do ingerencji w jego prawa, albo usłyszy jedynie, że „system wskazał”, trudno mówić o pełnych rządach prawa. W praktyce powstaje obszar „pomiędzy” prawem a technologią.

Przejrzystość, która ma sens dla zwykłego obywatela

W debacie często pojawia się hasło „transparentność algorytmów”. Dla osoby narażonej na nadzór liczy się jednak nie wgląd w kod źródłowy, ale zrozumiałe wyjaśnienie:

• dlaczego znalazła się w grupie „podwyższonego ryzyka”,
• jakie dane o niej wykorzystano,
• kto decydował o wdrożeniu danego systemu i na jakich zasadach.

Przejrzystość w ujęciu demokratycznym obejmuje więc kilka poziomów:

• przejrzystość systemową – wiadomo, że policja używa danego rodzaju systemu, w jakim celu, jak długo, na jakiej podstawie prawnej;
• przejrzystość instytucjonalną – istnieją procedury wewnętrzne, które opisują, jak funkcjonariusze mogą (i jak nie mogą) korzystać z algorytmów, oraz kto to kontroluje;
• przejrzystość indywidualną – osoba dotknięta decyzją ma prawo do informacji i zrozumiałego uzasadnienia, a nie jedynie lakonicznego „tak wyszło w modelu”.

Dla wielu osób już sama świadomość, że mogą zadać pytanie i uzyskać odpowiedź w ludzkim języku, jest kluczowa dla poczucia podmiotowości i bezpieczeństwa.

Kontrola demokratyczna i udział społeczeństwa

Systemy predykcyjne w policji zwykle powstają w ramach przetargu z dostawcą technologii, gdzie szczegóły określa dokumentacja techniczna, a nie debata publiczna. Tymczasem w demokracji decyzje o tak istotnych narzędziach powinny być:

• podejmowane jawnie – z możliwością konsultacji z organizacjami społecznymi, ekspertami i społecznościami, których będzie to najbardziej dotyczyć;
• podległe kontroli parlamentu i niezależnych organów – np. rzeczników praw obywatelskich, organów ochrony danych, sądów;
• regularnie ewaluowane – z obowiązkiem publikowania wyników testów, wskaźników błędów, analiz dyskryminacji.

Dla lokalnych społeczności szczególnie ważne są mechanizmy skargi i dialogu. Jeżeli mieszkańcy konkretnej dzielnicy doświadczają nagłego wzrostu kontroli i patroli, powinni mieć dostęp do jasnej ścieżki:

1. ustalenia, czy ma to związek z algorytmem,
2. zakwestionowania takiej praktyki,
3. wypracowania zmian – np. modyfikacji modelu, ograniczenia zakresu danych, zmiany procedur.

Bez takiej dwustronnej komunikacji łatwo o narastanie nieufności, poczucia stygmatyzacji i przekonania, że „technologia jest po stronie władzy, a nie obywateli”.

Odpowiedzialność i możliwość odwołania się

Kluczową cechą demokracji jest to, że każdą decyzję władzy można zakwestionować. W świecie algorytmów predykcyjnych oznacza to, że obywatel powinien mieć realną możliwość:

• dowiedzenia się, że dana decyzja była częściowo lub w całości oparta na systemie predykcyjnym,
• otrzymania informacji o roli algorytmu (czy był jedynie wskazówką, czy de facto zadecydował),
• zaskarżenia tej decyzji do niezależnego organu.

Po stronie państwa musi istnieć jasna, przypisana odpowiedzialność: kto odpowiada za dobór danych, za sposób trenowania modelu, za nadzór nad jego działaniem, za reakcję na błędy. Bez tego także funkcjonariusze czują się „zamknięci” w systemie, który podejmuje decyzje za nich, i trudniej im sprzeciwić się ewidentnym niesprawiedliwościom.

Zaufanie do instytucji a „chłód” technologii

Policja w państwie demokratycznym opiera swoje działanie nie tylko na sile prawa, ale też na zaufaniu społecznym. Jeżeli mieszkańcy mają poczucie, że są oceniani przez bezosobowe systemy, na które nie mają wpływu, zaufanie eroduje. Może się wtedy pojawiać kilka reakcji:

• unikanie kontaktu z policją, nawet jako ofiara lub świadek,
• poczucie „profilowania” i nadzoru, szczególnie w społecznościach mniejszościowych,
• wzrost napięć i konfliktów przy kontrolach – bo to nie tylko zatrzymanie, ale też symboliczna ocena całej grupy.

Dla wielu osób sama obecność zaawansowanej technologii kojarzy się z profesjonalizmem i neutralnością. Kiedy jednak zaczynają się pojawiać historie o niesłusznych zatrzymaniach czy „policyjnych algorytmach” uderzających w określone dzielnice, ten obraz szybko się komplikuje. Demokratyczne państwo prawa musi liczyć się z tym wymiarem emocjonalnym i symbolicznym, a nie tylko z tabelą statystyk.

Jak działają algorytmy predykcyjne w policji – techniczny szkic bez żargonu

Skąd biorą się dane do „kryształowej kuli”

Podstawą każdego systemu predykcyjnego są dane wejściowe. W kontekście policji zwykle obejmują one kilka warstw:

• dane o przestępstwach – zgłoszenia, interwencje, zatrzymania, miejsca i czas zdarzeń;
• dane o środowisku – gęstość zaludnienia, typ zabudowy, infrastruktura (dworce, kluby, szkoły), wydarzenia masowe;
• dane o osobach – wcześniejsze konflikty z prawem, kontakty z policją, powiązania z określonymi grupami;
• dane z innych instytucji – w miarę możliwości prawnych: rejestry socjalne, dane transportu publicznego, monitoring miejski.

W praktyce dane są czyszczone, standaryzowane i łączone. Na tym etapie pojawia się wiele decyzji:

• co uznać za „istotne” zmienne (np. pora dnia, dni wypłat, bliskość szkoły),
• jak traktować zdarzenia niezgłoszone lub niepotwierdzone,
• jak radzić sobie z brakami w danych (np. brak informacji o części zdarzeń w niektórych dzielnicach).

Te wybory nie są neutralne. Mogą sprawić, że określone zjawiska zostaną „niewidzialne” dla systemu albo przeciwnie – będą nadreprezentowane.

Modele przewidywania miejsc i ludzi

W policji stosuje się głównie dwa typy predykcji:

• predykcja miejsc (hot spots) – system tworzy mapę obszarów o podwyższonym ryzyku wystąpienia określonego typu przestępstw w określonym czasie;
• predykcja osób – system szacuje prawdopodobieństwo, że dana osoba popełni (lub padnie ofiarą) przestępstwa.

W pierwszym przypadku algorytm analizuje wzorce przestrzenno-czasowe: kiedy i gdzie w przeszłości dochodziło do zdarzeń, jakie czynniki im towarzyszyły. Na tej podstawie określa „gorące kwadraty” na mapie miasta, do których sugeruje skierowanie większej liczby patroli.

W drugim przypadku model przypisuje osobom „wyniki ryzyka” na podstawie ich historii (np. wcześniejsze wykroczenia, częstotliwość kontaktu z policją) i cech otoczenia (np. powiązania towarzyskie, przynależność do „sieci”). Takie systemy mogą być wykorzystywane np. do wskazywania „osób wymagających interwencji profilaktycznej”. W praktyce ta granica między profilaktyką a stygmatyzacją jest bardzo cienka.

Uczenie się na przeszłości – dlaczego to problematyczne

Algorytmy predykcyjne „uczą się” na danych historycznych. Jeśli w przeszłości policja częściej patrolowała określone dzielnice i częściej tam odnotowywała wykroczenia, te miejsca będą w danych wyglądały na bardziej „przestępcze”. Model, analizując takie dane, uzna, że to tam właśnie „statystycznie” warto wysyłać patrole. Po wdrożeniu systemu:

1. patrole częściej pojawiają się w tych dzielnicach,
2. wzrost obecności policji prowadzi do większej liczby wykrytych wykroczeń,
3. dane potwierdzają „skuteczność” wskazań modelu – koło się zamyka.

Dla mieszkańca takiej dzielnicy oznacza to, że doświadcza on policji częściej niż sąsiednia, bogatsza dzielnica – choć realny poziom poważnej przestępczości może być bardzo podobny. Technologia utrwala w ten sposób dawne schematy działania służb, nadając im pozór obiektywności.

Co oznacza „dokładność” w praktyce

Producenci systemów często chwalą się „wysoką dokładnością” modeli. W języku statystyki oznacza to jednak coś innego niż w języku potocznym. Algorytm może:

• często trafnie wskazywać obszary o rzeczywiście wyższym ryzyku, a jednocześnie
• generować wiele fałszywych alarmów – miejsc i osób, które zostaną obciążone zwiększonym nadzorem, chociaż nic by się tam nie wydarzyło.

W skrajnym przypadku model może być „skuteczny” z punktu widzenia ogólnej statystyki, ale koszt błędów ponoszą stale te same grupy społeczne. Dla nich nie jest pocieszeniem, że w skali miasta algorytm poprawnie typuje większość „gorących punktów”. Liczy się codzienne doświadczenie: czy można spokojnie wracać do domu bez obawy o kolejną kontrolę.

Algorytm jako doradca czy jako decydent

W dokumentach wdrożeniowych często można przeczytać, że system predykcyjny pełni jedynie funkcję „narzędzia wspomagającego decyzje”. W praktyce jednak:

• funkcjonariusz ma ograniczony czas i zasoby, więc naturalnie polega na podpowiedziach systemu;
• odchylenie od rekomendacji może wymagać dodatkowego uzasadnienia w papierach lub systemach raportowania;
• z czasem kultura organizacyjna zaczyna traktować rekomendacje algorytmu jako „domyślne rozwiązanie”.

Od „czarnej skrzynki�