当前位置:首页 > 科技博览 > 科技热点 > 正文

4同案不同判预警系统助力监管

发布时间: 2020-10-19 13:02:45   作者:本站编辑   来源: 本站原创   浏览次数:        字号:[ 常规 ]

“同案不同判”是司法实践中面临的一个难题,大数据技术的利用则可有效解决这一问题。江苏省法院与东南大学合作研制了基于司法大数据和人工智能技术的“同案不同判预警系统”,以支撑推动类案类判,方便院庭长行使监督管理职权

“同案不同判预警系统”基于海量历史裁判文书,实现类案推送、量刑建议与偏离预警的多元功能。系统通过案件法律要素特征,从千万量级的法律文书中实时自动并大批量地检索出类似案件,并推荐相似案例数据。基于海量裁判数据的情节特征的自动提取和判决结果,建立起具体案件裁判模型,根据案件情节特征从案例库中自动匹配类似案例集合,自动分析相似案例中地区判决差异、案由适用、法律适用、争议焦点和证据引用情况,并据此计算出类案判决结果,为法官裁判提供参考。对于相似度较高的类案,对裁判结果自动进行监控,如果法官制作的裁判文书判决结果与之发生重大偏离,系统将自动预警,实行裁判偏离度分析、预警提示,规范法官自由裁量权,推动“类案类判”,方便院庭长行使监督管理职权。

微信截图_20201019131056.jpg 

“同案不同判预警系统”综合预警统计分析界面

目前系统已经在江苏省盐城市、南京市、苏州市等七个城市的中级人民法院、56家基层人民法院的350名法官中使用,成功预警高偏离度(三级预警)案件120多起,总预警案件占总案件数的3.3%,准确率达到92%。

“同案不同判预警系统”主要是以海量历史裁判文书为训练样本,通过训练可构建基于卷积神经网络的分类模型,对案件进行分类,以此实现类案推送、量刑建议与偏离预警功能。同时,系统通过案件法律要素特征,构建相似度计算模型,从千万量级的法律文书中根据案件情节特征检索出类似案件,并推荐相似案例数据。对于相似度较高的类案,对裁判结果进行差异性分析,包括犯罪定性和量刑差异性分析。

卷积神经网络:卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。其结构包括:输入层、卷积层、池化层、全连接层和输出层。卷积神经网络中的卷积层和池化层能够响应输入特征的平移不变性,即能够识别位于空间不同位置的相近特征。能够提取平移不变特征是卷积神经网络被广泛应用的重要原因。

相似度计算:相似度就是比较两个事物的相似性。一般通过计算事物的特征之间的距离,如果距离小,那么相似度大;如果距离大,那么相似度小。设有两个对象X,Y都包含N维特征,计算X和Y的相似性常用的方法有:欧氏距离、曼哈顿距离、明氏距离、余弦相似性、Jaccard系数相似性和皮尔森相关系数相似性。欧氏距离是最常用的距离计算公式,衡量的是多维空间中各个点之间的绝对距离,当数据很稠密并且连续时,这是一种很好的计算方式。曼哈顿距离是各对应特征项值之差的绝对值之和。明氏距离是欧氏距离的推广,是对多个距离度量公式的概括性表述。余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小,相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上。Jaccard系数主要用于计算符号度量或布尔值度量的个体间的相似度,因为个体的特征属性都是由符号度量或者布尔值标识,因此无法衡量差异具体值的大小,只能获得“是否相同”这个结果,所以Jaccard系数只关心个体间共同具有的特征是否一致这个问题。皮尔森相关系数相似性又称相关相似性,通过皮尔森相关系数计算两个对象向量的相关系数来度量两个对象的相似性。相似性计算在推荐方法中的核心。