国外人工智能与法律研究进展述评法律方法完整版

2022-04-22 来源：乌哈旅游

国外人工智能与法律研究进展述评法律方法

HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】

国外人工智能与法律研究进展述评

张妮1*，杨遂全2, 蒲亦非3

（1四川大学图书馆，2四川大学法学院,3四川大学计算机学院成都 610064）

摘要：人工智能与法律在国外业已成为了计算机、法学的一个研究分支,二者的结合卓有成效，对促进人工智能和法律两个学科的发展均有促进和完善作用。本文以SCI和EBSCO数据库为基础，着重研究了近15年来以人工智能和法律为研究主题的相关研究成果，旨在说明人工智能与法律结合的必要性、难点、优势，希望能较为客观地展示研究的主题以及近年来新的发展趋势。论文以国外人工智能与法律的两大研究主题：法律推理和裁量模型、法律本体为线索，分别论述了其研究现状、困难和趋势，并结合我国的研究现状说明人工智能与法律的结合对提高法律系统的质量和运行效率具有积极的意义，并且正吸引着更多学者的关注。

关键词：人工智能、法律推理、法律论证、专家系统、法律检索

Research review on Artificial Intelligence and Law

Zhang Ni１，Yang Suiquan2，Pu Yifei3

张妮（1977- ），女，四川金堂人，四川大学图书馆，馆员，法学博士，主要从事人工

智能、法学、情报学交叉学科研究；杨遂全（1958- ），四川大学法学院教授、博士生导师，博士后，主要从事法经济学研究；蒲亦非（1975- ），四川大学计算机学院教授，博士后，主要从事人工智能研究。本文受2013年四川省科技厅软科学项目“人工智能在精神损害赔偿中的理论和应用研究”(2013ZR0010)和四川大学青年教师基金 (2011SCU11)的资助。

(Library of Sichuan University, School of Law, Sichuan University, College

of computer Science, Sichuan University, Chengdu 610064)

123

Abstract: Artificial intelligence and law has been the subfield of computer or law, the purpose of paper is tried to explain the benefits and disadvantage of the synergy of artificial intelligence and law, and reveal the research topic and new tendency of the interdisciplinary. In the first, we briefly review the history of artificial intelligence and law in foreign countries, analyze the inevitability of the synergy, explain the advantage and disadvantage of the subject, and objectively present the main subject and the tendency. In the second, we analyze the tendency, research status, obstacles, advantage and disadvantage of the two main branches---legal reasoning model and legal ontology based on SCI and EBSCO data. In the end, we discuss the current research status of China in this area, explain this study will benefit for improving the legislation quality and judicial efficient of law system, and point out it is attaching more attentions from scholars of law and computers.

Keywords: Artificial intelligence, Legal reasoning, Legal argument, Expert system, Legal retrieve

人工智能与法律是一门涉及伦理学、教义学、心理学、行为学、哲学等多学科知识的综合性交叉学科，其研究不能被看作人工智能与法律两个领域知识的堆砌和渗入，而是人工智能与人工智能、法律与法律、法律与人工智能深度融合，对人工智能和法律两个学科

的发展均有促进和完善作用。尽管人工智能与法律的学科定位未有定论，但毋庸置疑，作为交叉学科人工智能与法律正在逐步为人们所认识和接受，并吸引着更多的计算机、法学、逻辑学等方面诸多学者进入该领域。

早在人工智能产生的初期即上世纪50年代，2Mehl敏锐地嗅到人工智能将对法律的研究产生重大的影响，便开始致力于人工智能与法律相结合研究。此研究历经了近半个世纪的发展，其应用的优势、存在的问题也逐渐显现出来。他山之石可以攻玉，本文通过对国外人工智能与法律现有研究成果的梳理，希望能促进该学科在我国的发展。

一、人工智能与法律：卓有成效的结合

1. 人工智能与法律发展简史

1958年Lucien最早提出了法律科学的信息化处理，即建立法律文献或案例自动检索模型和法官裁量模型，但该观点最初并不被大多数的学者所认可，直到1970年Buchanan发表了《关于人工智能和法律推理若干问题的考察》，3标志人工智能与法律作为研究分支的诞生。该文讨论了法律推理模型的可行性，借助于计算机编程提出判决建议模型、法律分析，并强调了类推的重要性。 1

有人从领域拓展的角度认为法律只是人工智能研究的拓展领域，属于人工智能研究的一

个分支，亦有人从工具论的角度认为人工智能只是法学研究的工具，研究围绕着解决法律问题，属法学研究分支。

Lucien Mehl, Automation in the Legal World，Proccedings of conference on the

Mechanisation of Thought Processes, Teddington, 1958.

See Buchanan & Headrick, Some Speculation About Artificial Intelligence and Legal Reasoning, Stanford Law Review(1970). pp.40-62.

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，如何使用人工智能的方法建立基于规则和案例的法律推理模型或专家系统是人工智能与法律的研究重点。1977年Thorne用逻辑推理的方式分析公司税务法建立了TAXMAN系统，1981年Waterman等开发设计了产品责任的民事裁量模型，1984年Gardner在其博士毕业论文中探讨了法律失效情况下合同法的自适应处理，1继而在1987年发表了“人工智能与法律推理”，1989年澳大利亚开发IKBALSI用于解释事故《司法补偿》条例，处理工人事故补偿问题，1991年Deedma以加拿大案例为基础研究人工智能的专家断案系统。21995年开发的Split-Up用于处理离婚案件的财产分割。32005年贝叶斯网络被用于法庭调查中评估火灾事故的证据。42007年Strand将一般用于工程、计算机、医学的贝叶斯方法用于法学的实证分析，5以观察规范值与实际值的差异。2008年Riesen以受 1

See Anne von der Lieth Gardner, An Artificial Intelligence Approach to Legal Reasoning, MIT Press?Cambridge, MA, USA, 1987 pp 1-50.

Cal Deedman, Smith J C, The Nervous Shock Adviser: A Legal Expert System in

Case-based Law, Operational Expert Systems Applications in Canada, Ching Y. Suen and Rajjan Shinghai eds., Pergamon Press Oxford, 1991, pp 56-71.

JOHN ZELEZNIKOW, An Australian perspective on research and development required for the construction of applied legal decision support systems, Artificial Intelligence and Law, Vol.10: 237–260, 2002.

A Biedermann, F Taroni, O Delemont，et al, The evaluation of evidence in the forensic investigation of fire incidents. Part II. Practical examples of the use of Bayesian networks. Forensic Science International, 2005, V.147(1) ,pp 59–69.

Jeff Strand. Should Legal Empiricists Go Bayesian? Stanford Law and Economics

Online Working Paper. No. 342, 2007.

害人的特点为视角，1用贝叶斯信念网络分析美国刑事案件，提高自动分析的效率。各国开发了不少专家系统或裁量模型，如HYPO, CATO, IBP,CABARET, GREBE, SCALIR和PROLEXS等系统，有的系统具有连续性和承继性，有的已用于司法实践之中。

当前基于关键字的法律检索已远不能满足法律信息爆炸时期对法律知识管理要求，法律本体论已被广泛应用于文献查询、数据和文件挖掘、计算机辅助拟定法律，法律汇编、建立裁量模型、多主体模拟以及环境资源管理的决策系统等。2法律本体工程应用研究是计算机和法学发展的必然要求，一方面法学希望使用最新的研究工具用于法律理论和法律实践，另一方面需要拓展计算机的应用范围，以满足从事法律事务的工作者以及公民的需求。法律本体的研究相关成果较多，2011年以前就有60余篇论文专注于此，3主要涉及法律知识的语义表达、法律语义检索和查询、法律信息管理，譬如，Núria Casellas and Rinke Hoekstra在博士论文中具体论述了法律知识的表达和法律本体的构造，lame对法国法律规定查询建立了法律本体，Breuker建立了荷兰刑法的本体结构，Hafner构造了法律概念的语义网络，McCarty 建立了法律语言的本体(LLD) 等。

2. 人工智能与法律结合必要性、优势和难点 1

Michael Riesen，Gursel Serpen. Validation of a bayesian belief network representation for posterior probability calculations on national crime victimization survey，Artificial Intelligence and Law，2008, Vol.16:3, pp 245-276.

G. Sartor et al. (eds.), Approaches to Legal Ontologies, Law, Governance and

Technology Series 1, DOI 10.1007/978-94-007-0120-5_7, pp 117.

G. Sartor et al. (eds.), Approaches to Legal Ontologies, Law, Governance and

Technology Series 1, DOI 10.1007/978-94-007-0120-5_1, pp 1

人工智能作为计算机科学的研究分支，研究旨在用机器模拟人的智能，建立智能计算系统，自1956年诞生以来，其研究成果已广泛渗透到经济学、心理学、社会学等许多社会学科之中。法学是以社会关系为研究对象的关于法律问题的知识和理论体系，前者关于利用智能算法模拟人类的思维，后者关注于逻辑、经验，立法和司法语言模糊、司法裁量标准的不明确、价值判断的实效性和地域性，使得裁量结果具有不确定，人工智能能够模仿人类的思维进行相关的判断和检索吗？

法律多年来一直陷于“技艺学”和“社会科学”之争1，尽管法的科学性的争论早已尘埃落定，成为不争的事实，然而法律仍存在模糊性、滞后性问题。表面上法律是不一个人意志为转移的客观存在，而实际上法律是人们习惯和信仰的产物，是多种利益权衡的结果，司法实践中法官按照自己的理解解读法条，律师按对当事人有利的方式解读法律，利益较量获得的裁量结果受到多种“不可控”因素控扰，其非线性表现得尤为突出，试图用经典数学对于模糊性问题进行准确描述获得的结论往往偏离了人们的正常认识。法律的复杂性和模糊性具体表现在：21）法律是多种知识的结合，涉及案例、规则、理论、程序、授权、规则及元规则等；2）法律需要特定的知识储备，包括来自各层法院的案例、法律法规、司法解释、规则等； 3）法律判定标准不同，英美法国家强调遵循先例，大陆法国家则更强调遵循规则；4）法律推理原则不同，大陆法系以规则为法律推理的起点，英美 1

法学是否是社会科学，存在着两种截然相对的观点，Kirchmann法官以法的不确定性和

滞后性为由否认了法的科学性，对此耶林博士从历史的角度分析了法的科学性并对其观点进行了驳斥。

Edwina L. Rissland, Kevin D. Ashley, R.P. Loui, AI and Law: A fruitful synergy, Artificial Intelligence, 2003, V. 150(1) pp 1-15.

法系以案例为中心；5）法律制度并非机械的适用规则，同时需满足不同的功能定位，如倡导、调整、警示、制定规则和政策等；6）法律概念并非界定清晰明确，往往是模糊不清的，难以用简单的语言进行定义；7）法律通常采用双方对立辩论的方式寻求事实的真相；8）法律是一门值得反思的学科，各种流派的法理学知识是法律规则产生的基础。

人工智能与法律的研究包括法律推理、裁量模型、信息检索和查询，司法和立法过程中遇到的各种问题迫切需要人工智能技术参与其中，帮助解决法律系统中的具体问题。首先，智能系统有助于提高司法效率。大量的诉讼案例出现，法院压力大，有的案例长期得不到解决，且法律条文复杂，仅以德国《税收法》为例，就有7万个规章，普通人要掌握这么多法规基本上是不可能的，1对于主要依靠经验和对法律条款的熟悉程度的法官来说，智能化的法律搜索系统和办公系统，能提高法官和律师的办事规范化和工作效率。其次，智能模型能够促进司法公正，减少司法枉法裁判，促进公众对法律及司法的理解和公信力。法律语言不精确，不同法官对法学精神和法律条文的理解不一致，受个人成长经历和心理素质的影响，使得司法缺乏裁量的统一性，即便是美国或德国最高的法院亦经常对同一案例做出不同的裁量往往法官的裁判结果差异较大，易使普通老百姓受到不公正的待遇，法律查询技术和裁量专家系统，能促进同案同判和司法公正。第三，智能系统有助于提高立法质量，缺乏相关的数据支持，立法似乎仍是遵循“常识”而非依赖“科学数据”，而立法讨论往往是需要快速决断的过程，通过的立法决议经常是立法者未经深思熟虑和调查，只是暂时妥协的结果，而其修改还需要特定程序和长时间的等待，功能强大的法律信息检索能帮助立法者做出正确的判断。同时，人工智能与法律的结合，拓展了计算

L. WOLFGANG BIBEL, AI and the conquest of complexity in law, Artificial

Intelligence and Law, 2004, V.12(3), pp 159-180.

机科学的研究范围，对于发现和促进法理学、逻辑学、认知科学及人工智等理论认知科学、逻辑学等理论研究具有积极的意义。1

人工智能发展与不稳定动态系统理论密切相关，试图在杂乱无章的物质运动中寻找规律，与经典数学相比，人工智能方法具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点，对处理非线性和模糊问题具有独特的优势。用人工智能的方法建立的司法裁量模型或专家系统更接近于司法的实际裁判结果。首先，影响司法裁量的各因素无需精确的数学描述，也无需事前揭示描述这种映射关系的非线性表达式。其次，无需各裁量因素极大线性无关或更严格要求的相互独立。传统数学要求研究因素之间应是极大无关或是各因素之间相互独立，所谓无关性是指向量空间的一组元素如果其中没有向量可表示成有限个其他向量的线性组合。再次，自动搜索获取最优各裁量因素的权重和权重系数。传统数学一般要求各裁量因素的权重和权重系数是明确的，而人工智能不需要事先知道各裁量因素的权重和权重系数。本体论作为一种能在语义和知识层次上描述信息系统的概念模型建模工具，具有共享、互操作和重用的优势，面对法律信息海洋，当前基于关键字的法律检索已远不能满足法律信息爆炸时期人们对于法律检索的预期，法律本体信息查询系统对梳理法律知识系统，快速的查询相关法律文献和案例具有无可比拟的优势。

人工智能建立裁量模型或查询本体的过程不仅是工程实现的过程，也是各领域知识相互融合的过程，长远来看，此过程可以近似认为是领域研究的动态发展和知识获取的过 1 Kevin Ashley. An introduction to artificial intelligence and law, http://www.lrdc.pitt.edu/Ashley/Ashley-Tutorial05.pdf（最后访问日期：2014年8月25日）.

程。人工智能与法律结合的难点在于：第一，自然语言的句式和语义复杂多变，这种多样性使得自动分析极为困难。人工智能进行判断、预测和推理的前提在于需将法律规定、案例事实由自然语言翻译成机器语言，实现这种转换依赖于确定的法律概念、明晰的推理规则，这需要法律逻辑、法理学、认知学等相关理论的支持。第二，本体建构需要深入认识法律概念和概念之间的复杂关系，并建立法律语料库，此过程本身也具有较大的难度。第三，专家系统模型的建立是对法官裁量过程的模拟，需要明确法官裁量因素，而法官的裁判结果收到各种外在和内在价值观的影响，难以用具体语言进行描述。最后，人工智能裁量和检索系统的建立既是完善理论的过程，也是工程实现的过程，无论是专家系统的建立还是本体检索系统的建立，都需要对规则和案例进行大规模的统计和分析，且需要的各学科人员的配合，其本身也是一个费时费力的过程。

3.人工智能与法律的研究主题

早期的人工智能与法律的研究成果往往散见于计算机类、法律类的期刊中，自1992年匹兹堡大学法学院资助《人工智能与法律》（Artificial Intelligence and Law）创刊以来，一直关注人工智能与法律的最新发展成果，其研究主题包括应用人工智能、认知心理学、法理学、语言学、哲学等知识用于建立法律知识、法律推理、法庭判决的模型，也包括其他涉及伦理、社会的人工智能与法律相关研究，发表学术论文、书评、程序系统或产品的技术报告、研究笔记等，成为了人工智能与法律的研究学者的精神家园。故而，我们以该杂志发表成果为研究的对象，能够对人工智能与法律的发展历史、现状和走向有一个比较清晰的脉络。

本文以EBSCO数据库中该期刊的相关论文为研究对象，由于EBSCO数据库暂无1992年至1996年该期刊发表的论文信息，故我们选择1997年1月至2013年5月该期刊的论文

作为研究对象，通过对文章研究主题的内容、涉及的研究具体制度、使用的研究方法的分析，便于整体把握相关主题的内容、发展。

表1 《人工智能与法律》研究主题列表

编研究主题号涉及的具体内容使用的技术工具数量所占比例法律推理（Legal reasoning/argument）犹太法、隐私法、知识产权法、某具体案例、侵权法、合同法、教学、刑法、失业救济法、诉讼法、家庭法、金融犯罪、非物质损害、交通事故、商业秘密法贝叶斯网络、模糊数学（Bayesian networks、Fuzzy mathematics、AI network） 80 33.33% 1 司法裁量模型、专家系统（Judicial applications、Model、Expert System）法律本体、信息检索 2 （Legal ontology, retrieval） Ontology、 Semantic 、50 Protégé、OWL、 OWL-DL 20.83%

认知学法律知识和概念分3 析 y）（ epistemolog31 12.92% 多主体4 主体（agent）（multiagent） 30 12.50% 规则制度或修订、规则的可行性分析（norm 国际私法、销售法、5 simulation, norm 禁烟 revision ，law and defeasibility） 20 8.33% 可再生资源、公司保政策制定（policy 6 make）犯罪记录密协议、电子签名、代数 10 4.17% 7 证据（evidence） 12 5.00% 8 综述人工智能与法律的综 9 3.75%

合性论述对最近

24100.00% 合计 0 15年《人工智

能与法律》发表论文的研究主题的分析可知：第一，人工智能与法律的研究主题远比我们想象的丰富，除了比较熟知的用人工神经网络建立相关裁量模型和基于本体论的文献查询之外，还有立法和政策可行性的具体分析、多主体研究、证据分析以及关于法律概念、逻辑、义务等理论研究。第二，人工智能与法律的研究采用了最新的人工智能的相关技术和成果，如人工神经网络、贝叶斯网络、模糊数学、本体论研究等。第三，人工智能与法律的研究不仅涉及认识论、道义与逻辑、心理、法律概念的理论分析，也有对侵权法、知识产权法、合同法、教学、失业救济法、诉讼法、家庭法、金融犯罪等具体领域或相关案例的实例分析。第四，从文章发表主题的数量来看，关于利用人工智能进行法律推理、建立司法裁量模型、专家系统一直是人工智能与法律研究的重点，有80篇论文研究该主题，约占33%。信息检索的研究的论文数量最多，有49篇，约占论文总数的20%，且主要以本体论为理论的基础。近年来人们也越来越关注用人工智能的方法参与到立法检验、立法预估之中，有30篇论文关注于立法、政策的制定和修改、实施效果的评估，约占12%。电子主体、软件主体已越来越多，其对传统的合同法等也造成了一定的影响，31篇论文专注于讨论主体的权责，占13%。用人工智能的方法涉足于法律理论的研究也越来越受到重视，认知学、道义学等用于分析法律问题，有31篇相关论文，占13%。

上述研究内容虽然研究的侧重点有所不同，但又是紧密联系的整体，法律逻辑是通往司法公正的桥梁，是关注法律领域的推理或论证的分析、评价或建构的科学，它是进行司法案例、立法效果分析的前提。现代技术如贝叶斯网络用于证据推理可确定各种假定的证

明力，该网络的建立与法律逻辑紧密相连。法律理论研究，诸如智能主体、道义与法律的关系、权利义务、法律概念的分析等是建立裁量模型和本体的基础。总之，这些主题互为前提，很难清楚地将各研究主题割裂开来。法律推理、裁量模型、专家系统、法律本体检索一直是人工智能与法律研究的重点，故而本文将以这两部分的研究现状为主要研究对象，分析人工智能与法律的现状及趋势，但实际上，也将其他主题的内容大多都涵盖了。

4.研究的整体趋势

通过回顾1997年至2013年《人工智能与法律》发表的论文，可以发现：1）人工智能与法律的研究主题更为拓展，除了专注于司法应用的法律推理、专家系统、法律检索之外，应用人工智能进行智能主体1、权利义务、本体概念分析等理论方面的研究的作品越来也多，说明该研究对法律理论的促进作用越来越明显；2）研究的内容更具针对性和实用性，无论是基于规则还是基于案例的建模，都不只是理论的分析，而是与实践相结合，深入探讨某一领域的概念、特点，更加重视系统的实用性，早期的人工智能与法律的研究成果主要由人工智能方面的专家主导，随着更多的法学研究者介入模型建构中，使得研究成果更有实用价值；3）学科融合更加紧密，贝叶斯网络、语义技术、向量空间模型、本体论等最新的科研成果很快被用于法律领域，以提高司法裁量模型的实用性、评估和改善立法质量、促进法律检索的效率；4）更多的国家的学者涉入人工智能与法律的研究，不仅以案例为基础的英美法国家重视人工智能的立法和司法中的应用，传统的大陆法系国家如德国、法国、日本也有不少学者积极的进行相关的探讨。

二、法律推理与法律裁量模型

智能主体是指能在某一环境中运行,并能适应环境的变化, 灵活、自主地采用行动以满足

其设计目标的计算机系统或程序。

1. 研究现状及趋势的初步分析

为了对法律推理、法律裁量模型及法律专家系统整体的研究现状及趋势有一个了解，我们选择了对SCI数据库进行分析，以“legal reason*”“model”为关键词，选择SCI数据库进行检索有741条数据，根据web of science的类别进行精炼，发现有359相关研究成果(最后查询时间为2014年1月20日)。通过研究这359篇论文我们可以获得如下的信息：

（1）论文的数量和引文的数量在稳步增长

图1 论文发表情况图2 论文引用情况

图1是近十年以来相关论文的发表情况，从柱状图可见，2006年以后相关论文发表是逐年增加，图2是相关论文的引用情况，2009-2012年引用率较高，表明人们对该交叉学科研究热情在增加，学科正处于上升态势，虽然2013年的引文数据不多，与本统计处于2013年末2013年的数据未统计完整也有关系。

（2）相关论文所属学科

法律推理和建立裁量模型属于法律与计算机的交叉学科，从所发表论文的学科来看，属于计算机和工程类的论文最多，而法律类的论文其次，可以推测目前对本领域的关注目光主要来自于工程应用的需要，法学对此领域的涉入比计算机学科对此的关注相对要少一些。

表2 相关论文所属学科

交叉学科领域论文篇所占比

数例 176 COMPUTER SCIENCE 49.03% 158 GOVERNMENT LAW 44.01% 37 ENGINEERING 10.31% 25 INFORMATION SCIENCE LIBRARY SCIENCE 6.96% 24 BUSINESS ECONOMICS 6.69% 18 PSYCHOLOGY 5.01% OPERATIONS RESEARCH MANAGEMENT SCIENCE 17 4.74%

13 SOCIAL ISSUES 3.62% 13 SOCIOLOGY 3.62% 12 CRIMINOLOGY PENOLOGY 3.34% （3）会议论文较多

一般来说，专着、教材是对较为成熟和完备的知识的总结，比较多的专着教材表明该学科相对比较成熟；期刊是对较新颖的学科和较完备理论的总结，较多的期刊论文表明该研究已获得了较多的认同，理论趋于完善；会议刊登的论文较为新颖但其理论不一定成熟，较多的会议论文表明该学科还处于上升时期，理论还不成熟。我们考察法律推理、法律裁量模型的研究成果可知，专着仅3册，50%以上的论文发表在会议论文集或以会议为基础的推荐期刊中，可以从一个侧面推测，本研究领域尚处于理论不完善的阶段，还有很多理论尚待完善。

（4）论文作者的国别

法律研究有着大陆法系与英美法系的分野，其研究的重点也有所不同，英美法系重视案例以判例为审判依据，大陆法系重视法律规定以成文法为审判依据，从研究者的国别来看，对此问题感兴趣的不仅以案例为基础的英美法系国家重视人工智能的立法和司法中的

应用，传统的大陆法系国家如德国、法国、日本也有不少学者也积极地进行相关的探讨。以案例为基础进行逻辑推理和建立裁量模型是主要的趋势，故而英美国家的论文相对较多。三段论的逻辑推理也是大陆法系国家司法裁判的基础，随着大陆法系国家对案例的认识的加深，有不少传统大陆法系国家积极进行探讨。

表3 相关论文作者的国别情况

作者所属国家发表论文数量所占比例 USA 138 38.44% ENGLAND 46 12.81% GERMANY 23 6.41% PEOPLES R 19 CHINA 5.29% CANADA 16 4.46% NETHERLANDS 16 4.46% AUSTRALIA 14 3.90%

ITALY 13 3.62% SPAIN 11 3.06% FRANCE 8 2.23% 2. 主要研究成果

要实现司法理性，首先需关注法律逻辑推理。逻辑主要的推理方法有归纳、演绎、类比推理，法律逻辑应用较多的是演绎、类比推理，司法审判通常被认为是三段式演绎推理的运用，即法律条文或先例为大前提，案件事实为小前提，获得的结论是案件的判决结果。然而，法律逻辑形式背后并存着各种立法和司法理由的相关价值和重要性的判断，这种推理并非是一一对应的单调推理，而是具有不确定性、语境依赖性和容错性的非单调推理。霍姆斯以降, 法律逻辑学家们并没有给出一组令人满意的法律逻辑推论规则。

预测是法律推理的基本出发点1，法律推理（legal reasoning）基于同案同判（stare decisis）假定，通过访问知识库中过去同类问题的求解从而获得当前问题解决方案的方法。新案例裁量结果的模拟往往建立在对先例的相似性的认定，而这种相似性的推论建立于人们事先设定的规则之上。2应用于司法案例，计算机模拟法官的裁量思维，通过比对案例与之前案例在案例事实和相关法律的异同，利用人工智能模型的自学习功能，建立裁 1

Holmes O. The Path of the Law. Harvard Law Review, 1897,V.10 pp 457.

Kaptein H. The redundancy of precedent and analogy. In Eemeren, F. H. van et

al. (eds.), IV, 1995, pp. 122-137.

量系统（decision making）或专家系统（Expert System），预测出新案例的裁量结果。法律推理大多基于实际案例(case-based)建立推理系统，如下表所示，也有部分建立在法律法规的基础上（rule-based）的推理系统，例如英国80年代至90年针对救济法的专家系统。1

表4 基于案例的法律裁量模型的主要研究成果

年代研究者主要的研究成果 1990 Ashley 设计的用于处理美国商业秘密法规适用相关问题的HYPO系统 Rissland、1991 Skalak 设计的用于处理减税相关问题的CABARET系统 1991 Deedma 以加拿大案例为基础研究人工智能的专家裁量系统 1995 Zeleznikow 开发的Split-Up用于处理离婚案件的财产分割 1998 Reitz 用理论假设的方法研究了美国量刑模型 2003 Bench 将案例的推理看成一个建立、评估和使用理论的过程，关注案例 1

Bench-Capon, T. Knowledge Based Systems Applied to Law: A Framework for Discussion. Knowledge Based Systems and Legal Applications, 1991 pp. 329–342.

之间的关系，建立了人工智能裁量系统 2005 Biedermann 贝叶斯网络被用于法庭调查中评估火灾事故的证据将一般用于工程、计算机、医学的贝叶斯方法用于法学的实证分2007 Strand 析，以观察规范值与实际值的差异以受害人的特点为视角，用贝叶斯信念网络分析美国刑事案件，2008 Riesen 提高自动分析的效率通过设立一组关于合作方的信仰、知识、常识等诉讼方的事实信2009 Dung 息，建立推理模型以帮助法官做出判决利用法律论证分析了当各国国际司法适用产生冲突时司法权和法2011 Dung 律的选择模型上世纪90年代人工智能在处理处理不确定性和不完整的非单调性推理上的突飞猛进，也促进了其在法律方面的应用，人们提到人工智能与法律更多的关注是法律推理和专家系统，一些基于规则和案例推理的司法裁量系统被设计出来。1981年沃特曼和皮特森开发的法律判决辅助系统(LDS)，研究者对美国民法制度的某个方面进行检测, 分别运用严格责任、相对疏忽和损害赔偿等模型, 计算出该案件的赔偿价值, 并进一步论述了模拟法律专家意见的方法论问题。11989年Berman 在“人工智能帮助解决法律系统危机”一文中详 1

Models of Legal Decision making Report , R- 2717- ICJ( 1981) .

细的描述了法律专家系统，1用人工智能系统模拟法官的思维，进行专家裁量预测，并且用计量方法观察法官的判决结果。同年，澳大利亚开发IKBALSI用于解释事故《司法补偿》条例，处理工人事故补偿问题。1999年Hollatz通过对德国的精神损害和交通损害案例的研究，2用200个非物质损害案例，采用高斯发散神经网络（radial based Gaussian function networks），将推理具体化为：伤害类型、持续时间长短、造成的后果的严重性、性别、职业的损害、特别严重情节和医疗损害，最后获得关于非物质损害的裁量模型。模糊数学对于描绘时间长、短、中比较合适，该文根据伤害程度、期待交警解决的程度、出事地点、出事时间、交通拥挤程度，建立了对事故解决时间的模糊评价系统。同时，各国还开发了一些方便律师使用的专家建议系统，如Popp等开发了JUDITH 律师推理系统。3

对不定性和不完整性问题有着独特处理优势的概率推理的数学模型--贝叶斯网络(Bayesian network)的出现，使概率逻辑与人工智能研究进入了一个新阶段。Viscusi将统计方法运用于赔偿损失的分析、风险计算等。42005年贝叶斯网络被用于法庭调查中评

Donald H. Berman, Carole D. Hafner. The Potential of Artificial Intelligence to Help Solve the Crisis in Our Legal System，Communications of the ACM, 1989, V.32(8) pp 928-938.

Jürgen Hollatz, Analogy making in legal reasoning with neural networks and fuzzy logic, Artificial Intelligence and Law 7: 289–301, 1999.

张保生:《人工智能法律系统的法理学思考》，载《法学评论》2001年第5期。

W. Kip Viscusi. The Challenge of Punitive Damages Mathematics，

http://www.law.harvard.edu/programs/olin_center/（最后访问日期：2014.8.25）.

估火灾事故的证据。12007年Strand将一般用于工程、计算机、医学的贝叶斯方法用于法学的实证分析，2以观察规范值与实际值的差异。2008年Riesen以受害人的特点为视角，用贝叶斯信念网络分析美国刑事案件，提高自动分析的效率。3

3.研究的新动向

法律逻辑、法律推理和法律裁量模型一直是人工智能与法律的研究重点，1/3以上的文献关注于此主题。随着时间推移，法律逻辑和推理的研究内容更为拓展，除了关注建立专家系统、裁量模型基础归纳逻辑，同时也关注道义逻辑、逆向推理逻辑和可废止逻辑等。2011年Aucher等利用人工智能的计算算法在动态认知道义逻辑（Dynamic epistemic deontic logic）的基础上，4引入动态模式（dynamic modal logic），不仅从允许和禁止的规定推论出允许的行为，同时提供了明确的关于隐私政策公布的动态信息，以此验证规则和行为的满意度，分别验证规则是否与政策冲突和验证义务的实际执行力度。可废止 1

Jeff Strand. Should Legal Empiricists Go Bayesian? Stanford Law and Economics

Online Working Paper. No. 342, 2007.

Guillaume Aucher, Guido Boella, Leendert van der Torre. A dynamic logic for privacy compliance, Artificial Intelligence and Law, 2011, V.19 pp 187–231.

推理(Defeasible reasoning)是基本的法律逻辑，该推理认为当一个有例外规则或概括被应用于一个案件时，产生一个似真推论，该推论可能在某些情形下失败，也可能为支持一个结论提供证据。2010年Prakken使用严格推理和可废止推理建立计算机模型分析案件Popov v. Hayashi，12012年Prakken采用可废止演绎推理，2对社会法律的价值和先例的学习利用规则例外，推论出法规的有效性。逆向推理又称目标驱动推理，为验证该结论的正确性去知识库中找证据。2012年Abraham论述了由将来推导过去的逆向推理模型。3

计算机智能系统已经深入到法律系统的各个领域，不仅在司法裁量系统，也包括立法评估、修改、制定的各个环节，还包括司法部门内部文件的处理。人工智能的一项重要功能就是正确地将法律、规则转化为系统语言，其主要涵盖了两类系统，一类是设计流程即使用法律逻辑建立智能处理系统，譬如申请控制系统、数据处理系统、工作流程管理、访问权限等，另一类是审查评估即评估和审查该设计智能系统是否符合法规和规则。立法的质量和法规的可实施性，人工智能通过模拟和分析对法规的恰当性、必要性、补偿手段、控制环境、权衡、违反的结果的立法的评估和再审查是人工智能与法律研究的又一重点，愈来愈多的人注意到这一点，近年来相关的论文也在增多。1978年stein采用非参数统计

Prakken H. An abstract framework for argumentation with structured arguments.

Argument Computer, 2010, V.1 pp 93–124.

Henry Prakken. Reconstructing Popov v. Hayashi in a framework for argumentation with structured arguments and Dungean semantics, Artificial Intelligence and Law, 2012, V.20 pp 57–82.

Abraham M, Gabbay D, Schild U. Contrary to time conditionals in Talmudic logic, Artificial Intelligence and Law, 2012, V. 20 pp 145–179.

中的中位数检验和秩方差分析研究立法差异如何影响罚金判决。2003年Sridharan等人应用干预分析方法研究1990年美国弗吉尼亚州的刑罚改革和取消假释对各种犯罪活动的影响。22007年Zim-ring 教授通过统计观察方法3分析上世纪90年代美国犯罪率的下降，得出城市面貌的改变是犯罪率下降的主因，并对犯罪率的走向进行了预测。2013年Francien等建立模型从禁烟法体现的价值、规则的满意度和接受度分析其与文化的关系，并讨论了惩罚性条例和价值、文化的关系。4

现代科学技术成果已经用于收集、获取、检验、鉴定犯罪嫌疑人在犯罪过程中形成的各种痕迹、物品、物质、文书，为刑事案件的侦查破案、检察起诉、法庭审判提供一种科学的司法证明。使用人工智能工具能够帮助收集和组合证据，提高审查（audit）结果的客观性，贝叶斯网络(Bayesian network)是通过一些变量的信息来获取其他的概率信息 1

Michael O Finkelstein. Quantitative Methods in Law: Studies in the Application of Mathematical Probability and Statistics to Legal Problems, New York: The Free Press and Collier Macmillan Publishers, 1978, pp 249 - 262.

Sanjeev Sridharan, Suncica Vujic, Siem Jan Koopman. Intervention Time Series Analysis of Crime Rates, Tibergen Institute Discussion Paper 2003 - 040 /4, Armsterdam: Tibergen Institute, 2003, pp. 16 - 17, pp. 22 - 23.

Franklin E. Zim-ring. The Great American Crime Decline，New York, N.Y.:

Oxford University Press. 2007.

Dechesne Francien,

Di Tosto Gennaro,

Dignum Virginia, et， Nosmokinghere: values, normsandcultureinmulti-agentsystems, Artificial Intelligence and Law，2013, V. 21(1) pp 79-107.

的过程，对于解决复杂不确定性和关联性的问题有很的优势，近年来已有不少学者将贝叶斯网络其用于证据推理以确定各种假定的证明力，即将不同情形的证据的关系和假定解释转换为数量值。贝叶斯网络用于处理证据具有两点优势：11）它提供了一种可简化两个证据效力的技术和科学推理的推断力，比如2003年Mortera用贝叶斯方法评估一个人的部分匹配的DNA证据和找到的多人的生物特征证据的证明力；22）提供了一种可评估一种证据的证明力大于另一种证据的证明力的手段，证明增加或去掉某证据对假定的相对水平产生的影响，根据证明力的大小指导调查行为分配调查的精力或增加新的证据。另外，也有人将贝叶斯网络与法律论证（Argument）的方法相结合，3分析证据的证明力。近年来，越来也多的新技术涉入到法律系统中技术性较强的证据领域。

4.法律裁量模型的优点及缺陷

法官自由裁量程度有大小的区分，法官往往依据法律文化、先验的知识进行司法裁量，司法裁量模型、专家系统可限制法官自由裁量权。4专家系统或裁量模型具有如下优势：1）缩小裁量差异性，促进司法公平，减少法官人为因素对判决结果的影响，促进裁 1

Keppens J, Shen Q, Price C. Compositional bayesian modelling for computation of evidence collection strategies. Applied Intelligence, 2011, V.35(1) pp 134–161.

Mortera J, Dawid A, Lauritzen S. Probabilistic expert systems for dna mixture profiling. Theory Population Biology, 2003, V. 63 pp 191–205.

Keppens, Jeroen. Argument diagram extraction from evidential Bayesian networks，Artificial Intelligence and Law, 2012, V. 20(2) pp109-143.

Michele Taruffo. Judicial Decisions and Artificial Intelligence，Artificial

Intelligence and Law, 1998, V.6 pp 311–324.

量统一和判决结果的一致性，保障法律的可预期性；2）裁量因素明确，抑制司法腐败，减少裁量差异性；3）为法官提供裁量的参考值，可减少法官查找相关案例的时间，提高司法效率；4）增强法律的可预期性，促进诉讼双方达成妥协，为律师、诉讼当事人提供参考裁量结果，促进双方和解协议的达成；5）有利于分析案例，并根据同类案例的裁量情况促进立法和相关规则、政策的制定以增进法律法规、政策的实用性，促进立法科学。

然而，专家系统和裁量模型的并不被法学界广泛的认可，可能主要有以下几个原因：第一，专家系统模型的建立是对法官裁量过程的模拟，由于自然语言复杂多变，机器难以模拟。第二，由于裁量模型的建立需要明确法官裁量因素，而法官的裁判原因难以用具体语言进行描述。第三，专家系统的建立本身是耗时耗力的过程，由于技术水平、适用条件的限制，实施效果往往不很理想。第四，专家系统、裁量模型因其注重的是案例的相似性，必然会牺牲一些案例的个性考量，故而难免受到司法界和传统法学学者的排斥。人工智能专家系统、裁量模型需要克服两大困难，既要明确化相似性推理的条件，又要找到充足的法庭判例，大多专家系统或裁量模型采用当前案例比对先例的方法，而真实的案例往往处于复杂的法理环境下，包括先例法庭的裁量权和裁量水平，故建立法律裁量模型的难点在于不仅要考虑到案件的事实和法律因素，也要考虑先例做出时的社会和法理因素，妥善分析先例所处的价值观和政策、案例出现的先后和法律程序等三方面的法律背景1。尽管专家系统给司法带来了方便，但真正付诸实用的并不多，其根源就在于法律体系本身是一个复杂的体系，除了规则因素还有诸多潜规则的因素无法逐一条文化表达，经济和文化的因素很少在模型中得到体现。具体来说，当前裁量模型的局限性，主要体现在：1）法

Carole d. Hafner, Donald h. Berman, The role of context in case-based legal reasoning: teleological, temporal, and procedural, Artificial Intelligence and Law, 2002,Ｖ.10 pp 19–64.

官的裁量除了考虑法律因素之外，还要同时考虑社会与法理的因素，而经济水平、社会心理因素等应时而变且难以明确的表达；2）裁量模型的建立依赖于法律推理技术的成熟；3）裁量因素的选择很关键，应具有层次性，其选择与样本的数量有直接关系，而样本的取得有赖于司法程序的完善；4）法规和案例的统计是耗时耗力的系统工程。

有的司法裁量模型系统被开发出来并应用于司法实践，虽然提高了量刑的统一性，但实际被采用的专家系统或裁量模型并不多。裁量因素的不明确加之受人工智能技术制约，其裁量的结果仍不尽如意，有的专家系统由于运行成本高、实用性不大的原因而停止运行，譬如，ASSYST1是美国量刑委员会基于规则建立的专家建议系统，于1996年停止更新该系统。相反，有些供政府部门法律专家系统2却取得了较好的实施效果。例如，为促进行政效力澳大利亚政府部门开发了工人补偿系统（the Initial Liability Module、the Defcare system），荷兰开发了关于税收申报的专家系统，美国开发了工人和小额贸易的雇佣法专家建议系统（Elaws），英国开发了法律议案征询公众意见系统

（Parmendies），3法国引入基于优先的电子投票程序。4这些与法律、政策有关的人工智能系统在实践中被广泛使用，并获得了较多认可。

Philip Leith. The Judge and the Computer: How Best ‘Decision Support’ , Artificial Intelligence and Law, 1998, V.6 pp 289–309.

Oskamp Onja, Lauritsen Marc. AI in law practice So far, not much, Artificial Intelligence and Law, 2002,V.10 pp 227–236.

Atkinson Katie, Bench-Capon Trevor, McBurney Peter. PARMENIDES: Facilitating Deliberation in Democracies, Artificial Intelligence and Law, 2006, V.14 pp 261–275.

Koning Jean-Luc, Dubois Didier. Suitable properties for any electronic voting

三、法律本体的研究现状

本体论（Ontology）原本是一个哲学概念，指概念化的详细说明，定义了某一领域共享或认可的明确的表达某领域内的专业词汇以及他们之间的关系。对于本体的概念，Fensel认为包括四个主要方面：1 (1)概念模型(conceptualization)：客观世界的事物的抽象模型；(2)明确作（explicit)：概念及它们之间的联系都被精确定义；(3)形式化(Formal)：精确的数学描述；(4)共享(shared):本体中反映的知识是其使用者共同认可的。Ontology作为一种能在语义和知识层次上描述信息系统的概念模型建模工具，自被提出以来就引起了国外众多科研人员的关注,并在计算机的许多领域得到了广泛的应用,如知识工程、数字图书馆、软件复用、信息检索和Web上异构信息的处理、语义Web 等。2本体论用于知识检索将极大的提高知识搜索、积累和共享的效率，故而建立法律本体模型正受

到越来越多的研究者的注意。

1. 研究现状及趋势的初步分析

为了对法律本体知识有一个整理性的了解，我们仍然以SCI数据库的相关数据进行分析，尽管SCI数据库具有一个选择性，不可避免地会将部分相关主题的论文排斥在外，但作为最为重要的关注科学与社会前沿的数据库，其检索内容具有参考意义。以“legal system, Artificial Intelligence and Law (2006) 14:251–260.

Fensel D. Ontologies: Silver Buller for Knowledge Management and Electronic Commerce. Springer, 2001.

邓志鸿,唐世渭,张铭等：《Ontology研究综述》，载《北京大学学报(自然科学版)》

2002年第5期。

and ontolog*”为关键字进行检索，有289条相关记录，通过选择与计算机法学相关或交叉的学科进行文献精炼，有203篇(最后查询时间为2014年1月20日)。

(1) 论文的数量和引文的数量

图3 论文发表情况图4 论文引用情况

上图表明，法律本体这几年的发文量和引文量有波动，2005、2006和2008年发表的论文数量较多，2009至2013年发表的论文数量有所减少，引文数量除2011年较多外，2007至2013引文数量差不多，处于比较低的状态，可见，法律本体的研究可能有瓶颈，人们对此的研究热情还不太高。

（2）论文发表的情况

如前文提到，论文发表的期刊能够间接表明学科的成熟度，法律本体相关主题的发文主要是通过论文集的形式，从下表对发文数量前8名的期刊的统计可知，67%的论文发表于论文集，仅有33%的论文发表于期刊上。

所占比论文来源数量例 44 LECTURE NOTES IN COMPUTER SCIENCE 21.68% FRONTIERS IN ARTIFICIAL INTELLIGENCE AND 27 13.30%

表5 论文发表情况

APPLICATIONS 18 （3）论文所属学科

17 LEGAL KNOWLEDGE AND INFORMATION SYSTEMS LECTURE NOTES IN ARTIFICIAL INTELLIGENCE 8.87% 与法律推理和建立裁量模型的学科类似，法

8.37% 11 LAW AND THE SEMANTIC WEB 5.42% 律本体相关论文的主要学科仍是计算机和工程实现，可见法律本体还

LECTURE NOTES IN BUSINESS INFORMATION PROCESSING 主要是计算机类的学者介入，关注的重点在工程应用，而

法学理论方面的成果相对较少。

ON THE MOVE TO MEANINGFUL INTERNET SYSTEMS 2003 OTM 2003 WORKSHOPS COMPUTABLE MODELS OF THE LAW LANGUAGES DIALOGUES GAMES ONTOLOGIES 7 3.45% 6 2.96% 6 2.96% 表6 论文所属学科

论文篇相关学科数所占比例 COMPUTER SCIENCE 165 81.28% GOVERNMENT LAW 55 27.09% INFORMATION SCIENCE LIBRARY SCIENCE 31 15.27% ENGINEERING 23 11.33% BUSINESS ECONOMICS 11 5.42% TELECOMMUNICATIONS 9 4.43% SOCIAL SCIENCES OTHER TOPICS 8 3.94% MEDICAL INFORMATICS 7 3.45% SOCIAL ISSUES 7 3.45% SOCIOLOGY 7 3.45% 2.主要研究成果

自1991年Web出现以来已发展为一个巨大的全球化信息资源库，信息量以几何级数的速度增长，如何从海量的信息中有效地检索出客户所需的信息是一项重要的研究课题。法律本体是法律文件索引及检索的基础，能够对各类文档进行语义分析，相比于目前广泛采用的利用关键字的方式进行检索的方法，基于法律本体文档的组织结构明确，且检索在查准率、查全率上均能有显着提高。1基于本体的信息检索模型，可以帮助用户更容易明白他们的信息需求，明确自身的信息需求和文档之间的语义关系，解决语义表达问题。

法律本体建立需要厘清法律概念和法律概念之间的关系，法律概念看似明确，实则是多元的、内涵丰富不易把握，不同国家对于同一法律概念有着不同的解释，法官、律师、当事人对于法律概念的认识不一样，法律与政治紧密相连，法律概念随着历史和经济的变化亦有所变化。早期，人们对建立法律概念做了不少尝试，1980年Hafner将法律概念和关系归结为：功能知识、结构知识、语义知识和事实知识，建立法律检索系统（Legal Research System）。McCarty将常识引入法律本体，建立了法庭辩论的法律本体（Language for Legal Discourse），包括描述事实认定的元数据、法规、道德因素，道德因素在所有立法中均存在，此处包含了时间、事件、行为和义务等。Stamper 在1977年提出了法言法语(Legal Oriented Language) 系统，1994年提出了法规系统(NORMs and Affordances)，后者强调了法规，将法律本体归纳为：主体、行为约束和法律后果，这对组织符号学的发展具有重要的意义。

学者从不同角度建立了60余种法律本体模型，本文仅选择了几种较为重要的法律本体进行解释。1999年莱布尼兹法律中心开发的FOlaw（Functional Ontology for Law）系 1

Valente A. Types and roles of legal ontologies. In Benjamins, V., Casanovas,

P., Breuker, J., and Gangemi, A., Law and the Semantic Web, Lecture Notes in Artificial Intelligence, Springer:German,2005 3369: 6576.

统，从法律功能的角度其将知识分为规范知识（normative knowledge）、世界知识（world knowledge）、义务知识（responsibility knowledge）、反应知识（ reactive knowledge）、元法律知识（meta-legal knowledge）、创造性知识（creative knowledge），系统描述和解释了法律推理中各种知识的相互关系。该模型的主要局限性表现在它关注法律推理的结构，而对核心法律知识本身描述较少，故FOlaw主要从法社会学的视角观察法律系统在社会中的作用，被称为功能性本体，用于制定法体系的立法和查询。

紧接着莱布尼兹法律中心基于大量的常识性知识，继续研发了LRI-Core法律本体查询系统，2将主体分为物理概念（Physical concept）、心理概念(Mental concept)和社会概念(Social concept)。以荷兰刑法为例，物理概念包括了法律行为、规范、犯罪人，心理包括犯罪动机，社会主要是指社会关系，包括司法组织即刑事法庭。LRI-Core法律本体涉及了一系列抽象的概念，如物理、心理、作用、抽象世界等，另一方面，该本体为法律核心本体，可用于发展法律的本体概念，从该模型已经使用在E-COURT和E-POWER等项目中。

Valente A, Breuker J, Brouwer P. Legal Modelling and automated reasoning with ON-LINE, International Journal of Human Computer Studies , 1999, V.51 pp 1079–1126.

Joost Breuker, Andre Valente，Radboud Winkels. Legal Ontologies in Knowledge Engineering and Information Management, Artificial Intelligence and Law, 2004, V.12 pp 241–277.

在上述两种本体研究的基础之上，莱布尼兹法律中心将本体分为顶层、中间层和法律层建立了LKIF核心本体，1本体由15个模型、205个类和99个属性构成，每一个模型均由法律和常识（commonsense）领域密切相关的概念构成，故而LKIF本体被称为相关法律本体的图书馆而非一个庞大的概念集合。LKIF本体的优势在于每一模型具有相对独立的概念群，均包含表达（expression）、规范（norm）、程序（process）、行为（action）、作用（role）、地点（place）、时间（time）以及部分整体的关系（mereology）。顶层概念通常指与法律有关的事实、具体事件和情形，中层概念指主体的心理及行为，法律概念指法律主体及行为（legal-action）、法律的作用（legal-role）和法律法规（norm）.

莱布尼兹法律中心的上述三个法律本体，对于知识表达具有积极的意义，特别LKIF本体将模块化的思想用于法律本体中，且涉及法律的核心概念，但整体来说仍显框架化，将其用于具体的法律推理还具有一定的困难。

本体查询的建构不仅需要将常识转为法律专门语言，用于制定法律，也需要让普通人了解司法过程。欧洲的LOIS项目建立了一套灵活的模型，2有效的组合各种分类系统，可使欧洲各法律语言系统之间进行相互翻译、对等、排列。2009年Mommers 等3提出了正反三 1 Rinke Hoekstra, Joost Breuker, Marcello Di Bello, etc. The LKIF Core Ontology of Basic Legal Concepts, http://www.estrellaproject.org/lkif-core/(最后访问时间：2014-08-22).

Wim Peters, Maris-Teresa Sagri, Daniela Tiscornia. The structuring of legal knowledge in LOIS, Artificial Intelligence and Law, 2007，V.15 pp 117–135.

Laurens Mommers, Wim Voermans, Wouter Koelewijn, Hugo Kielman. Understanding the law: improving legal knowledge dissemination by translating the contents

角的荷兰法律解释模型结构，上层三角形是法律资源的查询，包括了正式法律资源(立法、案例法、协议和习惯法)、非正式法法律相关资源（政策、社会经济环境等）、法律领域的规则结构（规则适用的优先层次、资源的相互参考、例外结构等）、重要机构信息（立法、司法机构等）。下层三角则包括了案例相关的具体法律知识，如参考的法规、建议、指示和行为准则等。

法律本体常用的处理web语言的工具主要有OWL-DL、DAML+OIL、ORM、XML/XLS等，常用的本体构建工具有 Prot′eg′e、WebODE、KA0N、DOGMA、KACTUS、METHONTOLOGY、TOVE、DILIGENT等，这些工具只需要用户提供本体所需要的组织内容,无需学习具体的描述语言，大大方便了用户进行本体构建。

3.法律本体建构的难点和问题

基于人工智能本体论的语义检索给法律文献和案例信息检索带来的优势是不容忽视的，能够去伪存真、快捷、全面的让使用者获得需要的相关信息，法律本体的建立需要明确法律概念和概念之间的关系，当前建立的法律本体存在的主要难点和问题如下：

第一，建立法律检索系统的难点在于将自然语言翻译成智能主体能够识别的语言。人类的自然语言复杂多变，方言、古体语和现代语、网络语和正式语、外语和本地语翻译的问题，使得对于同一事件有不同的说法，如何将自然语翻译为机器可识别的语言是当前法律本体研究的难点。

of formal sources of law, Artificial Intelligence and Law, 2009, V.17 pp 51–78.

第二，法律概念本身的不明确和多样性。法律学者强调法律概念的专业性，但实际上法律是与政治密切相连，立法是各方力量权衡的结果，司法结果是考虑到经济、政治因素具有可实施性的结果。法官、学者、律师、官员对法律概念的理解各异，随着时间的推移同一法律概念的理解也有了不少变化。故而，把握法律概念本身也是巨大的困难。

第三，法律概念之间的关系不易把握，法律推理逻辑有待完善。法律系统查询的好坏依赖选择合适的法律推理模型，语义系统的好坏给法律推理模型有着直接的关系。由于各国法律文化不同，有的国家法官裁量主要考虑案例、有的主要考虑法规、有的判决案例与法规需综合考虑、有的考虑法律习惯，试图建立各国都适用的查询本体困难重重，人们很难从纷繁芜杂的法律条文、案例、习惯、协议中找到头绪。

第四，法律本体的建立需要多学科的深度融合，当前法律本体建构主要的参与者是计算机学者，其本身对法律概念及相互关系的理解不深入，也制约了法律本体的实用性。主要由计算机学者主导建立的法律检索系统，较多的关注是技术层面的问题，其实用性不够。至少在以下几方面需要提高：1）查询软件的系统见面友好，最好使用自然语言相似的见面，不能显得过于繁琐；2）对于相似问题的理解应指语义相似而非简单的关；3）系统中的问题应深入、全面和真实地反映之前案例或相关问题的真实情况。

第五，提高法律本体的实用性需要加强自然语言的翻译、知识管理、法律推理等研究之间的联系，并捕捉到用户的个性化需求，设计出用户最期望的检索方式。譬如，以问答式的方式，把特定领域的法律知识转化成一条可以适用的法律信息，即当把法律疑惑告知智能系统之后，系统能够自动地给出其该如何处理的建议。

四、我国关于人工智能与法律研究现状及启示

学科的融合有利于多角度的诠释问题的本质，正如白建军教授所指出的“只有跳出法

律后反观法律，法学才能获得更强的生命力”。1随着学科的融合，人工智能与法律作为新兴研究学科将更有生命力。不少学者已意识到二者结合给法律、人工智能、逻辑学、语义学等研究带来的独特优势，更多的人已经或正在投身于人工智能与法律的研究。

我国钱学森教授早在1981年就对人工智能与法学的结合提出了总体性的构想，2然而遗憾的是之后20余年我国对此并未有更深的研究。2000年以后人们对此的研究热情逐步显现出来：2001年张保生从理论的角度分析了人工智能法律体系的研发的理论和实践价值，以及人工智能应用于法学的法理基础；32005年杨遂全教授提出了用计量方法促进立法科学性；42007年唐昊涞进一步论述了人工智能与法律结合的内涵、研究内容以及可能产生的影响和挑战；52012年赵忠君对国外法律本体研究进行了综合性的概述；62012年我们以精神损害赔偿为例建立人工智能的司法裁量模型。7黄都培以刑法为例建立了包括公

白建军: 《法律实证研究方法》，北京大学出版社2008年版，第310页。

参见钱学森：《论法治系统工程的任务与方法》，载《科技管理研究》1981年第4期; 钱

学森：《社会主义和法治学与现代科学技术》，载《法制建设》1984年第3期 ; 钱学森：《现代科学技术与法和法制建设》，载《政法论坛》1985年第3期。

张保生:《人工智能法律系统的法理学思考》，载《法学评论》2001年第5期。

杨遂全：《中国之路与中国民法典》，法律出版社2005年版，第20-50页。

唐昊涞,舒心：《人工智能与法律问题初探》，载《哈尔滨学院学报》2007年第1期。赵忠君：《国外法律本体研究综述》，载《情报科学》2012年第1期。

张妮：《精神损害赔偿的定量研究-----以医疗损害赔偿裁判为例》,西南财经大学博士

学位论文，2012。

共知识、法律知识、具体案情的三层语义检索模型，邰杨芳从法学理论的角度建立了刑法、刑事诉讼法的法律检索本体结构。2

总体来说，我国人工智能与法律的交叉研究成果并不丰富，基本还处于研究的起步阶段，理论与实务相结合的相关成果不多，研究不够深入。介绍国外研究成果的论文较多，真正将技术、案例与法学理论结合起来的模型不多，即便有少量论文结合案例进行了相关论述，但这些成果也多从法学理论的角度出发进行建模而未针对司法实际，缺乏实用性的考察，比如：法学关注模型的实用性，关注建模系数提取的合理性和模型效果的评估，但论文对这部分的论述不足。

由于学科的割离与壁垒使得学科之间无论从研究的方法还是对学术成果的评估都有着较大的区别，相互缺乏理解制约了交叉学科的成长。国外人工智能与法律的研究可知，计算机学者的相关论文主要关注了计算方法的高效性，而缺乏了对法律理论论述和司法实务的关注，而法律学者的相关论文更多地关注了法律逻辑、法律概念的本体，注重法律的实效。故而，计算机学者与法律学者相结合进行相关研究是十分必要且有益的。美国、欧洲的法律学者重视规则(rule)和案例(case)的研究，学科交叉比较密集，人工智能与法律受到较多的重视，政府或科研机构下属有专门的部门、中心汇集人工智能与法学的研究者，专门从事人工智能与法律结合的理论和实践研究。由美国政府、学术机构和公司联合成立了现代技术与法律相关研究中心，如斯坦福法律信息中心（Codex），专门研究如何应用现代信息技术提高法律系统的质量和效率，同时降低运行成本，其研究不仅包括了相关的理论研究，也包括了让人们更好理解和遵守相关规则、执行机构监控实施规则、管理机构黄都培：《基于本体的法律信息语义检索》，载《计算机工程与应用》2008年28期。

邰杨芳：《法律框架网络本体管理系统的分析与设计》，载《晋图学刊》2009年6期。

对法规进行成本和冲突的分析等相关的实务研究。阿姆斯特丹成立了莱布尼兹法律研究中心，将计算机与法律的人员综合在一起，应用人工智能进行法律理论、法律知识管理和其他法律领域的实证性研究。我国也有少量专门从事法学定量研究机构的前瞻性机构，譬如，西南财经大学法学院成立了“法治量化与信息工程四川省高校重点实验室”，对法治指标、立法信息化进行相关的研究。

当前在案例指导制度下，我国正在加强理论部门与司法实务部门的联系，比如鼓励法学理论学者到司法部门工作，司法部门的人员到高校讲课，但不同学科之间的联系和合作仍不足，需要成立由法律部门主导由法学理论学者、司法实务人员、计算机人员共同进行人工智能与法律的研究。总之，人工智能与法律的研究正在逐步兴起并受到越来越多的人的关注与参与！

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文

全部栏目

国外人工智能与法律研究进展述评法律方法完整版