贵州空管分局管制运行部党总支专题学习“三严三实”之“严以用权”

阶段一，界定法律场景中某个具体的任务，这一阶段并不是寻求法律的定性，而是将适用法律领域的某一任务用计算机的技术话语表述出来。

这是新时代中国站在新的历史方位上对马克思主义法理学所作的理论创新，是在对马克思列宁主义、毛泽东思想、邓小平理论、三个代表重要思想和科学发展观的法治理论进行继承、丰富和拓展的基础上，以高度的中华文明的主体性自觉对马克思主义法理学进行的创造性转化和创新性发展，使之真正用以指导新时代中国特色社会主义法治实践。在强调维护以联合国为核心的国际体系、以国际法为基础的国际秩序、以联合国宪章宗旨和原则为基础的国际关系基本准则，在现存国际治理体系之下适应规则、利用规则、参与规则制定的同时，进一步面向未来，以负责任大国的姿态，提出推动全球治理变革，推动构建人类命运共同体，适时推动国际治理体系和治理规则向更公平公正的方向变革，努力推动构建新型国际关系，坚持践行多边主义的鲜明立场。

改革开放后，中国社会日益向多元化发展，难以用抽象的公民或当事人概念去概括多样分化的群体，人民作为最高的价值依归，厘定了社会主义法治的价值属性。这四个维度各有侧重，共同构成中国特色社会主义法治的鲜明立场。首先，法律不可能调整所有社会关系、解决所有问题。这种将法律与道德分离的国家法中心主义理念是在资产阶级为了摆脱宗教神权和封建王权的控制，推动法律现代化的历史过程中形成的。习近平法治思想采用多元主义视角，对中国数千年的国家治理传统进行了创造性转化，强调必须以道德滋养法治精神，一手抓法治，一手抓德治，将社会主义精神文明建设作为社会主义法治建设的坚实基础，引导社会形成全民守法的义务自觉，把社会主义核心价值观融入法治建设的各个环节。

习近平法治思想提出构建人类命运共同体的中国方案，在现有国际体系的基础之上，进一步推动国际关系民主化、法治化、合理化。然而，这些西方法理学思潮的前提假设违背了马克思主义法理学的基本原则和立场，与中国文化传统和国情民情并不一致，不能准确描述和解释中国特色社会主义政治和法律实践。我国有学者则将其翻译为计量法学或数量法学，所谓计量法学是一种使用法律实证分析，以数据建模为方法，从事判决预测与制度评价的研究。

换言之，量刑幅度与量刑情节是具备数量变化特征的法律关系，特别在最高法院积极推动的量刑规范化改革影响下，我国量刑程序公开化、透明化程度已经取得长足进步，由相对确定的法定刑与法官自由裁量权共同构成的量刑程序构造，更有利于排除非法律因素的干扰，使量刑结果与量刑情节之间的数量关系特征更为明显。单纯的机器学习方法本身可能难以直接发现因果关系，揭示现象背后更深层次法律实践之因果律。然而，机器学习对法律的计算并不是一种全方位、无死角的计算，使用机器学习的法律计算存在两方面的局限性。此外，在处理选择性标签与潜在混淆因素问题之后，机器学习预测的释放结果与法官释放结果的差异化因素即会被捕获。

全文转载自公众号清华法学。同时，为了弥补机器学习方法在因果推断领域的缺憾，归纳法律现象背后的内在规律与成因，还需要创新传统的实证研究方法，这主要是使用诸如随机实验、断点回归、双重差分、工具变量等方法，在实验室条件下或者随机田野试验的条件下不断探索法律规范、法律政策与法律实践之间的因果律。

笔者所著的《刑事辩护率：差异化及其经济因素分析》一文，应用爬虫软件对54409份裁判文书进行了数据挖掘，使用Python语言参与数据挖掘和分析工作。例如，王禄生开发了分段、分词检索工具，实现对303万份判决书的自然语义挖掘，形成了一系列的法律实证研究成果。（二）可供计算的法律数据特征 当然，拥有了成熟的计算方法以后，法律的计算还需要有大量符合计算要求的法律数据。什么研究才能称为计算法学研究？抑或是计算法学的概念与定义是什么？第二，计算法学应当如何计算。

相比人类意识和人类大脑所具备的自监督学习机制，机器学习方法在法律的预测能力、学习效率、成本收益方面不尽如人意。不过，这种学科定位与发展模式仅是科技与法律简单交叉的研究定位，可能导致计算法学与法律人工智能、司法人工智能的研究内容重叠。如在美国法官的审前释放决定中，被告人是否出庭相比被告人是否具有前科，对于评估逃避审判责任的风险可能就是一组更为重要的关系。此外，基于法律人法律推理和思维判断所获取的主观性法律经验或法律感受往往无法进行类型化处理，更难以客观量化。

真实法律世界的某些部分包括重要而隐秘的部分是可获得的法律数据尚未充分反映的。如乔恩·克莱因伯格等人利用美国司法部（1990年至2009年）审前保释决定的相关数据，并将其分为法官决定组与机器学习预测组，对影响释放决定的因素，如再犯风险、逃避审判风险、保释金数额等决定性要素量化处理。

即便是从司法机关内部获取的法律数据，因其数据本身主要满足诉讼管理之需要，还不能完全呈现司法实践的全貌，更难以充分满足精确计算法律的需要。法律计算还不能如自动售货机那般输入案情与法条便得出判决的结果。

我国裁判文书网公布的裁判文书是可公开获取的法律数据，但公开的仅仅是裁判结果与清单式的证据材料，而没有公开裁判形成过程的相关信息。即便未来机器的处理能力变得同人类一般强大，但是机器是否也具备人类基于生理的共情能力仍然未知。例如，若干法学院校开设了计算法学课程、法学与计算机的双学位专业，甚至开始在计算法学相关领域招收研究生。随机森林、聚类算法、神经网络等机器学习方法的出现，为法律计算的实现提供了可能。对于需要发现法学理论因果律的领域，通过法律文本的法教义学研究仍然是未来法学理论建构的重要源泉，结合司法实践的法律实证研究与社科法学研究在揭示法律实践规律方面也依然占有一席之地。有研究就指出，人类区别于其它灵长类动物的典型特征即是拥有意识。

据此，计算社会科学被视为一种充分使用大数据和依托计算科学方法的社会科学研究。又如可以影响量刑的法官的价值取向，主观偏好、司法潜见等因素似乎也未充分公开。

从积极层面而言，使用机器学习方法对法律经验数据的分析，可以获得一种数据拟合性较高的回归分析结果，能够客观揭示复杂法律实践之间所蕴含的法律运行规律，从而改变了传统依据主观先验式经验，通过法律逻辑推理并且创造法学理论的传统法学知识生产方式。同时，这种定位还将法律与科技的结合问题，如法律如何规制大数据、人工智能应用的相关问题作为学术研究的关切点。

通过决策树、梯度提升算法等机器学习方法构建和训练计算模型，使用梯度算法提高计算模型的精确性，通过对比法官决策结果与机器学习算法预测结果的差异，分析影响差异产生的不具有观察性的要素。为了达到人脑的计算能力，必须将10万处理器链接并且至少消耗25兆瓦的巨型计算机才能实现。

同时，当前域外研究者包括实证研究者通过长期关注并不断吸收机器学习等计算科学的方法，展开新的科学研究包括新的实证研究，相关研究成果甚至可能促进法学与人工智能技术的跨界融合。一方面，机器学习的法律计算仅仅是一种依托历史数据的预测，仅能发现法律世界的相关性，难以解释法律世界中的因果律。再次，使用梯度算法提升模型预测结果的精确性，对比预测结果与法官决定的差异，分析影响人类法官决策的潜在因素。不仅如此，还会不断使用估计与评估的相关算法，避免因使用相同数集造成过度拟合与标签缺失问题，确保训练树（输入值）的数据与评估树的数据之间没有缺漏。

作为社会现象的一种，法律现象也具有量的属性，可以从量的方法进行观察和研究。为避免单一法律特征可能被过度放大，造成不必要的偏差，其随机挑选部分法律数据特征建构多棵决策树形成随机森林。

将机器学习的输出结果与现实答案（法官释放结果）代入损失函数，可以对比出人类法官决策与机器学习预测之间的差异。2019年诺贝尔经济学奖阿比吉特·班纳吉（Abhijit V. Banerjee ）、埃斯特·迪弗洛（Esther Duflo ）、迈克尔·克雷默（Michael Kremer）在减轻全球贫困方面的实验性方法作出了杰出贡献，发现了全球贫困原理以及各种扶贫政策的因果效用。

这些研究方法便是当下域外相当成功的实证研究与计算法律的最新方式，值得我们观察、借鉴与尝试运用。法律计量学的最早倡导者洛文杰（Loevinger）在《法律计量学：前进的下一步》一文中主张，将量化思维引入法律分析过程，强调使用概率统计方法来测量证人、法官与立法者行为。

计算法学处于统计学、计算机技术与法学的交叉领域，并非单纯强调计算科学方法与计算机技术在法学领域内的推广，更不是那种既不使用数据，也不运用统计学方法，更没有决策树、梯度算法等机器学习方法应用，仅简单将法律问题与科学技术简单组合的伪计算研究。计算法学与法律大数据的到来从未叫嚣理论已死，而只是可能从根本上改变了我们理解世界的方式。实际上，传统法律实证研究往往也能够处理较大数量的有代表性的数据，但完美的全样本大数据在法律计算时并不多见，因而计算法律的实践或许还会遭遇一定的数据质量难题。第一，结合我国法律数据的本土资源，探索可行的法律计算思路与机器学习方法。

这类数据可能已受到人类选择性认知的影响，难以全面展现裁判结果形成的完整过程与全部考量因素。在笔者看来，其原因可能与域外社会科学界包括法学界如美国实证研究已经成为主流研究范式有关。

换言之，可以计算的法律经验数据需要具备一定的类型化特征，具备模式化识别的条件。以做实证研究来促进法律人工智能技术的发展，进而寻求在重大问题上的研究共识，正在成为美国式法律实证研究（计算法学）发展的新方向。

通过分析法官经验和法律决策模式，使用机器学习方法构造和模拟出同人类决策类似的决策模型，并依据决策模型的研究成果研发出风险评估和预测案件裁判结果的人工智能系统。如苏尔登（Surden）等人的专题文章详尽介绍机器学习算法在法律实证研究中的实践应用，张永健等人使用聚类算法等机器学习方法分析法律渊源的分类，李本（Benjamin Liebma）等人应用深度学习方法分析中国法官规避司法责任的规律性特征，等等皆是如此。