误区与正道:法律人工智能算法问题的困境、成因与改进     

洪凌啸 《四川师范大学学报(社会科学版)》2020,47(1):58-70

随着AlphaGo在围棋领域的成功,人们开始思考是否能够将以"深度学习"算法为代表的计算统计概率型算法移植至法律领域。目前,法律科技公司往往打着"深度学习""强化学习""神经网络"等旗号宣传自身的法律人工智能产品,但其实际效果却往往不佳。在司法实践中真正得到使用的仍然是以"知识图谱"为代表的传统符号型算法。而效果较好的、使用了"深度学习"算法的语音文字转换系统也是一种通用型算法,并非为法律领域量身定制。同时,算法还存在着不透明、不公正、不中立等问题。在这一现象背后有商业、技术、人才三方面原因,法律科技公司囿于经济生存压力,不得不选择目前看来最稳妥的传统符号性算法;在技术方面,法律自身的特点以及法律标签数据缺失、法律数据质量不高、代表性不足等缺陷也使统计计算型算法在短期内尚无用武之地;而法律人工智能领域人才的匮乏更是制约其发展的重要掣肘。未来,需要开发一种符号型与统计概率型算法相结合的、专门针对法律领域的新型算法,同时,需要在对算法进行可视化操作的同时,进行算法警告、算法开源与算法审计。  相似文献