Продолжение серии разборов поимённых голосований Госдумы. Этот пост — про то, что происходит с текстом закона между первым и вторым чтением, и про честную попытку это измерить.

Сразу оговорюсь про жанр. Здесь нет обвинений и нет «разоблачения». Есть измерение, у которого одна часть получилась, а вторая — нет, и обе я показываю. Отрицательный результат в конце поста мне самому нравится больше положительного.

Коротко для ЛЛ

• Сравнил внесённую редакцию с редакцией ко второму чтению у 2405 законопроектов. Хотя бы один новый абзац появился у 1749 из них — это 72,7%.

• У этих 1749 медианная доля нового текста в итоговой редакции — 52,8%. Половина текста написана после того, как палата проголосовала за концепцию.

• Всего таких вставок 23 415. Там, где удалось разобрать таблицу поправок (10 978 вставок), решение комитета «принять» или «учтена» стоит у 93,1%.

• Документированный случай смены предмета есть, и доказывает его не моя модель, а аннотация самой Думы: у законопроекта №1197680-7 она между чтениями стала длиннее на две новые темы.

• А вот найти такие случаи автоматически не вышло. Разница между «прицепом» и обычной доработкой по смыслу текста статистически значима, но настолько мала, что порогом не разделяется. Показываю, как именно не вышло.

Что точно измеримо

Метод простой и его можно повторить. Беру два документа из карточки законопроекта: текст при внесении и текст ко второму чтению. Сравниваю абзац с абзацем (difflib, порог схожести 0,60). Если ни один абзац внесённой редакции не похож на абзац второй сильнее порога — считаю его новым. Вставки короче 120 знаков и шапку законопроекта не считаю: это почти всегда правка нумерации и реквизитов.

Обе редакции удалось извлечь у 2405 законопроектов. Результат:

• хотя бы одна вставка — у 1749 из 2405, это 72,7%;

• у этих 1749 медианная доля нового текста в финальной редакции — 52,8%, медианный рост объёма — ×1,32;

• если считать по всем 2405, включая нетронутые, медиана доли вставок — 29,0%, рост — ×1,15.

Оговорка, без которой цифра врёт: доработка ко второму чтению — штатная процедура, и 72,7% сами по себе ничего плохого не означают. Уточнить формулировку, исправить отсылку, добавить переходное положение — это тоже новый текст. Здесь измерен факт появления текста, а не чей-то умысел.

Кто эти поправки вносит

Там, где таблицу поправок удалось разобрать построчно, — это 10 978 вставок по 687 законопроектам — расклад такой:

• решение комитета «принять» или «учтена» — у 93,1% вставок;

• среди авторов есть депутаты — у 66,2% вставок;

• есть правительство — у 14,4%.

То есть поправки ко второму чтению почти не отклоняются, и вносят их в основном депутаты. Это, кстати, объясняет, почему стадия второго чтения так удобна: там нет отдельного голосования по каждой норме, таблицу принятых поправок голосуют целиком, одним нажатием.

Случай, который документирован

Законопроект №1197680-7 внесли в Кодекс об административных правонарушениях. Вот как его предмет описан в официальной аннотации к голосованию первого чтения 15 декабря 2021 года (Источник 1), дословно:

«О внесении изменений в Кодекс Российской Федерации об административных правонарушениях» (об установлении административной ответственности за совершение в интересах юридического лица сделок или финансовых операций с имуществом, полученным преступным путем)

Первое чтение прошло 365 голосами «за» при нуле «против» (голосование).

А вот аннотация к третьему чтению того же законопроекта, 4 марта 2022 года, дословно:

«О внесении изменений в Кодекс Российской Федерации об административных правонарушениях» (об установлении административной ответственности за совершение в интересах юридического лица сделок или финансовых операций с имуществом, полученным преступным путем, а также за публичные действия, направленные на дискредитацию использования Вооруженных Сил Российской Федерации, и за призывы к введению мер ограничительного характера в отношении Российской Федерации)

Между этими двумя строчками — 79 дней. Обратите внимание, что это не моя интерпретация и не результат работы модели: это описание одного и того же законопроекта самой Думой, до и после. Оно стало длиннее на две темы.

В тексте, который появился ко второму чтению, эта норма начинается так (Источник 2):

«Статья 20.33. Публичные действия, направленные на дискредитацию использования Вооруженных Сил Российской Федерации в целях защиты интересов Российской Федерации и ее граждан, поддержания международного мира и безопасности…»

Номер записан как «20.33», потому что в документе он со степенью; в кодексе номера такого вида пишут через точку.

Голосования по законопроекту №1197680-7. Источник — открытые поимённые голосования с официального сайта Государственной Думы: http://vote.duma.gov.ru/ (Источник 1); карточки законопроектов — https://sozd.duma.gov.ru/ (Источник 2); http://api.duma.gov.ru/ (Источник 3) — выгрузка и расчёты.

Как это прошло процедурно: таблицу принятых поправок голосовали 4 марта в 07:28 — 403 «за», 0 «против» (голосование). Третье чтение — в 07:31 того же дня, 407 «за», 0 «против» (голосование). Три минуты между ними.

Карточка со всеми редакциями и таблицей поправок открыта: sozd.duma.gov.ru/bill/1197680-7 (Источник 2). Оба текста лежат там, сравнить можно своими глазами.

А теперь про то, что не получилось

Дальше я хотел сделать очевидное: если такие случаи бывают, надо найти их все. В американской политологии это называют legislative hitchhikers — «попутчики»: норму цепляют к движущемуся законопроекту. Там факт вставки приходится восстанавливать по совпадениям текстов. У нас он зафиксирован документально, и казалось, что задача проще.

Гипотеза была такая: если норму прицепили, она должна быть смыслово дальше от предмета законопроекта, чем обычная доработка. Считаю для каждой вставки косинусное расстояние между её текстом и текстом внесённой редакции (модель BAAI/bge-m3), называю это «негерманностью». Контроль обязателен, иначе мерить не с чем: беру абзацы того же законопроекта, которые вставками не являются, и считаю то же расстояние для них.

Отличить «прицеп» от обычной доработки по смыслу текста не вышло. Источник — сравнение внесённых редакций и редакций ко второму чтению с карточек https://sozd.duma.gov.ru/ (Источник 2); расчёт — модуль src/insertion_germaneness.py, модель BAAI/bge-m3.

Результат честно отрицательный.

Разница есть, и она значима. Перестановочный тест на 10 000 перемешиваний: p = 0,0001. Вставки в среднем действительно чужероднее сохранённых абзацев.

Но разница мизерная. Медиана негерманности вставок — 0,394, контроля — 0,363. Разница средних +0,035. На картинке видно, что два распределения почти совпадают: порогом их не разделить, и любой «детектор прицепов» на этой мере будет ошибаться чаще, чем угадывать.

И главное — проверка на эталоне. У №1197680-7 одиннадцать вставок, и про них точно известно, что там смена предмета. Если мера работает, они должны сидеть в верхнем хвосте. В верхние 10% корпуса попала одна из одиннадцати. Остальные разбросаны по середине распределения: перцентили 84, 84, 74, 67, 64, 63, 57, 57, 55, 50.

До эмбеддингов я пробовал дешёвый структурный признак — «вставка упоминает другой кодекс или другой закон». На эталоне он сработал ноль раз из одиннадцати: статьи вставлены в тот же самый КоАП, который правит и внесённая редакция. Смена предмета внутри одного акта структурно неотличима от технической правки этого же акта.

Что из этого следует

Вывод получился не тот, которого я хотел, но он полезный.

Документ надёжнее модели. Момент вставки в российских данных не нужно угадывать — он записан в таблице поправок, с автором и решением комитета, а изменение предмета видно даже в аннотации к голосованию. Это сильная сторона наших открытых данных, и странно её не использовать.

Автоматически отранжировать 23 415 вставок по «чужеродности» пока нельзя. Мера ранжирует кандидатов, но не выносит приговор, и на единственном заведомо верном примере она почти промахнулась. Публиковать список «вот прицепные поправки», построенный на ней, было бы враньём, поэтому такого списка в посте нет.

Верхняя граница, которую мера всё же даёт: у 14,5% вставок расстояние до своего законопроекта такое же, как до случайно взятого чужого. Это потолок, а не оценка, и принимать его за число прицепов нельзя.

Чего эти числа не говорят

• 72,7% — это не «доля протащенного». Это доля законопроектов, где ко второму чтению появился новый текст. Штатная доработка считается наравне с чем угодно другим.

• Выборка неполная. Сканированные PDF без текстового слоя (примерно 3% карточек) в извлечение не попадают вовсе — такие законопроекты выпадают молча, на этапе сбора.

• У 87 законопроектов из 2405 в извлечённом тексте есть невалидные байты — след неатомарной записи при пересекающихся прогонах. Ошибка исправлена, но эти 87 посчитаны и перечислены в выводе модуля, а не выброшены без объявления.

• Таблицу поправок удалось разобрать не везде — 687 законопроектов из 1749. Проценты по авторам и решениям комитета относятся только к разобранной части.

• Один случай — это один случай. №1197680-7 показывает, что смена предмета между чтениями бывает и что она документируется. Про её частоту он не говорит ничего.

Другие разборы этой серии

• Чтобы остановить закон в Думе, кнопку нажимать не нужно — про то, как законопроекты останавливают неучастием, а не голосами «против». Прямое продолжение этого поста: там про вход, здесь про то, что происходит внутри.

• 3857 принятых законов и ни одного, где голоса оппозиции меняли исход — арифметика порога в 226 голосов.

• Не только запреты: разбор 2432 текстов законов — что вообще делают законы созыва, если читать их тексты.

• Иноагенты и блокировки: кто из фракций как голосовал по 63 законам об информации — соседняя тема по предмету.

Дополнительные источники

Источник 1: поимённые голосования Государственной Думы, включая аннотации к каждому голосованию — http://vote.duma.gov.ru/

Источник 2: карточка законопроекта №1197680-7 со всеми редакциями и таблицей поправок — https://sozd.duma.gov.ru/bill/1197680-7

Источник 3: портал открытых данных Государственной Думы — http://api.duma.gov.ru/

Голосования по законопроекту: первое чтение 15.12.2021 · таблица поправок 04.03.2022 · третье чтение 04.03.2022

Ученые из Университета Джонса Хопкинса опубликовали беспрецедентный клеточный атлас развивающегося неокортекса, объединив данные почти 200 независимых исследований. Медиа уже успели окрестить это «расшифровкой исходного кода разума». Но давайте будем техно-реалистами и включим математику.

В атласе проанализировано 30 миллионов клеток. Звучит масштабно, пока мы не вспомним, что человеческий мозг состоит примерно из 170 миллиардов. 30 миллионов — это жалкие 0,017%. Мы не «взломали Матрицу» и не создали полную 3D-модель нашего процессора.

Обесценивает ли это работу ученых? Ни в коем случае. Чтобы понять минеральный состав пляжа, геологу не нужно пересчитывать каждую песчинку. Анализ активности генов этих 30 миллионов клеток дает нам не бессмысленную перепись населения, а фундаментальные узоры и паттерны. Мы впервые видим, какие именно генетические переключатели срабатывают в конкретный момент времени.

Архитектор этого колоссального проекта, нейробиолог Карло Колантуони, формулирует задачу без лишней академической лирики:

«Наша цель — понять, как неокортекс конструируется на клеточном уровне, и найти ключи к пониманию самых ранних стадий задержек развития и тяжелых заболеваний мозга».

Неокортекс — это та самая «материнская плата» нашего вида. Именно в этих внешних слоях мозга обрабатывается сенсорика, хранится память, принимаются решения и рождается наше мышление. И расшифровка его архитектуры ответит на главный философский вопрос: почему мы пишем симфонии и запускаем коллайдеры, а мыши — нет?

Секрет нашего вида кроется в длительном окне пластичности, которое позволяет развернуть масштабную стройку не отдельного города, а целой страны. Наш мозг — это грандиозный нейробиологический долгострой.

Сравнив человеческий атлас с картами мозга макак и мышей, генетики увидели, что мышиный мозг собирается наспех, за считанные недели. У нас же генетические программы сфокусировались в так называемой радиальной глии и запустили механизм растянутого созревания. По сути, человек рождается с мозгом в стадии «бета-версии». Нейроны калибруются десятилетиями, всю юность догружая обновления из сложной социальной среды.

За эволюционный скачок нам приходится дорого платить

Сегодня расстройствами аутистического спектра страдают около 3% детей (только по статистике США), а болезнь Альцгеймера разрушает жизни более 7 миллионов взрослых. Длительное окно пластичности человеческого мозга — это открытые ворота для подобных системных сбоев. Данные атласа наглядно доказывают, что микроцефалия или шизофрения — это не случайные внешние поломки. Это сбои в конкретных строках кода (например, в генах MEF2C или TCF4), возникающие в строго определенные недели внутриутробного развития.

Открытый доступ и перспективы применения

До сегодняшнего дня лечение психиатрических и нейродегенеративных заболеваний напоминало ковровые бомбардировки: мы глушили симптомы тяжелой химией, не понимая корня проблемы. Теперь у нас появился фундамент для медицины совершенно нового типа.

И здесь кроется главная революция, выходящая далеко за рамки биологии. 30 миллионов многомерных генетических профилей — это колоссальный массив данных, в котором классические алгоритмы просто захлебнулись бы. Чтобы этого не произошло, разработчики выложили весь атлас в открытый доступ на облачной платформе NeMO Analytics. Это своего рода GitHub для нейробиологов. Теперь искать лекарство от шизофрении или Альцгеймера будет не одна закрытая университетская лаборатория, а тысячи независимых команд и ИИ-стартапов по всему миру.

Скрестив эти открытые базы со скринингом нейронов, в будущем фармацевтика сможет предсказывать задержки развития на самых ранних этапах формирования плода. А главное — создавать сверхточные таргетные лекарства. Если мы точно знаем, в какой именно клетке и на какой неделе развития произошел фатальный сбой, мы сможем нацелить терапию ровно в эту мишень, не отравляя остальной организм.

Конечно, нужно оставаться реалистами: от красивой структурной карты до работающего таргетного лекарства пройдут годы, а скорее всего — десятилетия тяжелых клинических испытаний. Этот атлас не исцелит нас завтра. Но впервые в истории человечества мы хотя бы перестали бродить по собственному разуму вслепую.

Источники

• Nature Neuroscience (2026): A Curated Compendium of Transcriptomic Data for the Exploration of Neocortical Development — первоисточник с архитектурой исследования (Sonthalia et al.), где интегрированы данные 30 млн клеток.

• MedicalXpress / Johns Hopkins Medicine: High-resolution atlas of developing human brain combines data — официальный релиз с заявлениями Карло Колантуони о связи ранних стадий развития с задержками, расстройствами аутистического спектра и болезнью Альцгеймера.

• Nature News / NeMO Analytics: First-ever atlas of brain development shows how stem cells… — обзорная статья об открытой облачной базе данных (веб-портале) для анализа экспрессии генов, которая стала ключевым инструментом демократизации нейробиологии.

• NeMO Analytics: Официальный портал NeMO Analytics — та самая открытая облачная база данных, где исследователи (даже без навыков программирования) могут изучать паттерны экспрессии генов и вносить свой вклад в развитие атласа.

Иногда возникает необходимость найти человека по ФИО. Причины могут быть разные: вы утратили контакт со старым другом, хотите проверить личность потенциального делового партнера или просто стремитесь обеспечить безопасность при аренде жилья. Такие ситуации требуют точной и быстрой реакции, особенно когда других зацепок нет.

Сейчас поиск информации о человеке — это уже не задача только для детективов. Интернет предлагает широкий спектр инструментов, позволяющих отыскать данные даже о тех, кто редко проявляется онлайн. Если под рукой только ФИО, это уже неплохая отправная точка.

В этой статье разберём, как находить сведения о людях, используя всего лишь имя, фамилию и, при возможности, отчество. От бесплатных поисковых систем и форумов  до более глубоких OSINT-методов. Даже если человек старается не светиться в сети, узнать ключевую информацию всё же можно.

Какие данные можно узнать о человеке по его имени

Имя само по себе редко даёт результат, но в сочетании с фамилией и отчеством оно превращается в мощный фильтр. Если вы знаете только имя, то поиск лучше начинать с его комбинирования с возможными регионами проживания, профессиями или школами.

Информация, которую реально узнавать по имени:

• полные ФИО;

• дата рождения;

• родной город;

• страница в соцсетях;

• фото;

• упоминания в публикациях;

• связи с организациями.
  

Многие бесплатные базы помогают делать поиск по имени более точным:

• Google и Яндекс — используем кавычки, добавляем город, школу, вуз;

• poiskme.info, nomer.org — помогают найти ФИО, возраст, род деятельности;

• Форумы и справочники — встречаются упоминания и отзывы, особенно на старых ресурсах.
  

Отчество играет важную роль — с ним проще определить личность среди однофамильцев. Если ищете "Евгений Иванов", то "Евгений Павлович Иванов"  уже совершенно другая история.

Поиск человека по соцсетям

Соцсети — один из самых продуктивных каналов, если вы хотите найти данные о человеке быстро. Даже базовый поиск по имени и фамилии может дать десятки совпадений. Но есть приемы, как сузить круг.

Как искать правильно:

1. Введите полное ФИО + предполагаемый город.

2. Добавьте школу или вуз (если известны).

3. Ищите среди общих друзей — они могут навести на цель.

4. Используйте фото — загрузите его в Google Images или Yandex Картинки.

5. Просматривайте лайки, репосты, комментарии — это тоже следы.

Особенности по платформам:

• ВКонтакте — мощный поиск по школам, годам, местам работы.

• Facebook* — полезен при международных запросах.

• Instagram* — визуальная идентификация по фото.

• Telegram — если у вас есть номер, легко выйти на пользователя.

Кстати, в Telegram уже есть боты, которые помогают автоматизировать процесс, про них расскажем ниже.

Иногда бывает достаточно одной аватарки, чтобы через «умный поиск» по изображению выйти на целевой профиль: узнать город, школу, род занятий, даже подписки на паблики.

Можно ли найти человека, который не делится информацией о себе в сети?

Сложности начинаются, когда человек сознательно старается скрыть данные. Нет страниц в соцсетях, отсутствуют публичные фото, не оставлено комментариев на форумах — кажется, что он «цифровой призрак». Но даже в этом случае есть способы, которые позволят отыскать сведения о человеке.

Что может сработать:

• Старые упоминания в форумах, где имя и фамилия могли всплыть в обсуждениях.

• Участие в онлайн-курсах, конференциях, подписка на публичные сервисы.

• Комментарии к статьям, блогам, отзывам (особенно на редких ресурсах).

• Регистрация на сайтах объявлений (Avito, Юла).

Даже если человек не ведёт соцсети, его могут упомянуть родственники, коллеги, знакомые. Фамилия мужа или жены, место проживания, учебное заведение — всё это можно использовать, чтобы находить следы.

Когда совсем нет зацепок, можно применить пробив в специальных базах. Важно понимать, что доступ к таким источникам регулируется законом, и использовать их нужно осознанно.

В OSINT-сообществе популярны инструменты, которые собирают даже косвенные сведения:

• агрегаторы утечек;

• сервисы проверки номеров телефонов;

• email-обратный поиск;

• публичные базы по участию в тендерах, регистрациях юрлиц.

Если человек где-то официально регистрировался, вероятность, что информация всплывет, высока.

Как найти информацию по имени через телеграм-ботов

Когда стандартные методы поиска не приносят результата, на помощь приходят боты в Telegram. Это мощные инструменты, которые позволяют находить информацию о человеке по имени, номеру телефона, логину или даже фото. Использование таких сервисов значительно ускоряет процесс и повышает точность.

Полезные OSINT инструменты в телеграме (всегда рабочие ссылки)

Что умеют Telegram-боты

Многие боты подключены к десяткам баз данных — от слитых e-mail'ов до паспортных утечек. Они выдают собранные сведения в ответ на один запрос.

Основные возможности:

• определить аккаунты в соцсетях;

• найти дату рождения, регион проживания, никнеймы;

• проверить наличие человека в утечках;

• сопоставить фото с другими изображениями;

• выяснить персональные данные, даже если они частично скрыты.
  
  

Вот таблица с кратким сравнением двух популярных решений:

Userbox

Проверить

Himera Search

Попробовать

Попробуйте протестировать Himera на своём фото, так вы поймете, какую информацию о вас могут найти другие пользователи.

Userbox тоже заслуживает внимания — с его помощью легко выяснить, в каких базах уже засветилось ваше имя и фамилия. Особенно эффективно работает поиск по номеру телефона.

Почему боты лучше ручного поиска

Алгоритмы ботов уже обучены находить совпадения в десятках форматов: от древних форумов до JSON-архивов с персональными данными. Это часто дает результат, когда ручной поиск по имени не работает. Кроме того, функционал ботов можно попробовать бесплатно, а стоимость довольно символическая, что делает их доступными для каждого.

Протестировать ботов самостоятельно можно по здесь:

Himera Search

UserBox

Законность и риски поиска данных по ФИО

Поиск информации о человеке - тема не только техническая, но и юридическая. Важно понимать, что можно делать легально, а где начинаются риски.

Что разрешено по закону

Можно находить сведения, которые находятся в открытом доступе: профили в соцсетях, публикации, участие в публичных мероприятиях. Все это не считается нарушением.

Но когда речь идёт о персональных данных — например, адрес, номер паспорта или ИНН — действует закон 152-ФЗ «О персональных данных», а также европейский GDPR. Без согласия человека собирать, хранить или распространять такие данные запрещено.

Что будет за нарушение

Если использовать информацию из закрытых баз или применять её во вред человеку (шантаж, дискриминация, слежка), это может повлечь:

• административную или уголовную ответственность;

• блокировку аккаунтов;

• жалобы в суд или Роскомнадзор.

Важно: даже если бот дал результат, вы несёте ответственность за его дальнейшее использование.

Как искать безопасно

• Не сохраняйте копии чужих данных без цели;

• Не передавайте найденную информацию третьим лицам;

• Изучите 152-ФЗ — это поможет не нарушить закон случайно.

Выводы

Найти человека по имени и фамилии — задача вполне решаемая. Главное - знать, где и как находить сведения, не нарушая прав и этики. Даже если у вас есть только имя и фамилия, можно собрать данные о возрасте, фото, аккаунтах, и даже определить связи с организациями.

Важно не увлекаться: любые поиск и проверка должны оставаться в рамках закона и уважения к частной жизни.

Хочется прокачаться в OSINT? Подписывайтесь на канал с подборками инструментов — там много полезного для старта.

Статьи по теме на Пикабу:
Как узнать геолокацию человека по номеру телефона

Вы также можете прочитать больше наших интересных статей на Хабр:

Разведка по Telegram ботам — OSINT в телеграм

Бот OVERLOAD и поиск групп пользователя в Telegram

Анализ аккаунтов Telegram

*Instagram и Facebook принадлежит компании Meta, деятельность которой запрещена на территории РФ