趙曉林

（貴州省司法廳， 貴州 貴陽 550001）

0 引言

近幾年，司法系統(tǒng)逐漸與多種現(xiàn)代化的信息技術(shù)相結(jié)合?，F(xiàn)代科技為促進(jìn)司法領(lǐng)域與時(shí)代發(fā)展趨勢的緊密結(jié)合提供了支持，但與此同時(shí)也造成了不利影響。例如由于司法本身是具有固定屬性的，因此在與更多現(xiàn)代化信息技術(shù)融合的過程中，會(huì)在不同程度上受到?jīng)_擊，進(jìn)而產(chǎn)生新的風(fēng)險(xiǎn)。同時(shí)，由于風(fēng)險(xiǎn)存在潛在性、非指涉性等特點(diǎn)，因此當(dāng)前現(xiàn)有法律規(guī)范與信息技術(shù)倫理之間無法實(shí)現(xiàn)全覆蓋。在該背景下，如何認(rèn)清司法大數(shù)據(jù)在應(yīng)用過程中可能潛在的風(fēng)險(xiǎn)成為實(shí)現(xiàn)新型技術(shù)風(fēng)險(xiǎn)預(yù)防過程中亟需解決的問題。針對(duì)司法場景的特殊性，采用傳統(tǒng)的信息技術(shù)已經(jīng)無法準(zhǔn)確地對(duì)其存在的風(fēng)險(xiǎn)以及問題進(jìn)行評(píng)估，針對(duì)該問題，該文引入人工智能技術(shù)。當(dāng)前，人工智能技術(shù)在各領(lǐng)域中應(yīng)用得十分廣泛，在不同領(lǐng)域中具備輔助、預(yù)測等功能，并最大程度地利用數(shù)據(jù)信息。因此，結(jié)合人工智能技術(shù)的應(yīng)用優(yōu)勢，通過該技術(shù)對(duì)司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)評(píng)估方法進(jìn)行研究。

1 基于人工智能技術(shù)的司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)評(píng)估方法設(shè)計(jì)

人工智能技術(shù)是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的一系列理論和方法，是計(jì)算機(jī)領(lǐng)域的重要分支。目前，可以利用人工智能技術(shù)完成部分以往僅有人工才能完成的工作，自然也可以完成對(duì)司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)的評(píng)估。因此，為提升司法大數(shù)據(jù)應(yīng)用的風(fēng)險(xiǎn)評(píng)估效果和速度，該文利用人工智能技術(shù)設(shè)計(jì)了一種司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)評(píng)估方法，其設(shè)計(jì)步驟如圖1所示。

圖1 設(shè)計(jì)方法操作步驟

1.1 基于人工智能技術(shù)獲取風(fēng)險(xiǎn)因素動(dòng)態(tài)關(guān)聯(lián)規(guī)則

由于風(fēng)險(xiǎn)因素處于一種動(dòng)態(tài)變化的過程中，在不同階段，其影響有強(qiáng)有弱，如果不對(duì)其進(jìn)行分析，就有可能導(dǎo)致需要分析的數(shù)據(jù)過多，為風(fēng)險(xiǎn)評(píng)價(jià)帶來更多的數(shù)據(jù)負(fù)擔(dān)，降低評(píng)價(jià)效率。而且對(duì)司法系統(tǒng)的運(yùn)行和應(yīng)用環(huán)境來說，在對(duì)其存在的風(fēng)險(xiǎn)問題進(jìn)行評(píng)估時(shí)，風(fēng)險(xiǎn)因素關(guān)聯(lián)規(guī)則通常是靜態(tài)不變的。但當(dāng)前司法系統(tǒng)引入大數(shù)據(jù)技術(shù)后，司法大數(shù)據(jù)運(yùn)行環(huán)境發(fā)生了改變，相應(yīng)的信息管理平臺(tái)也發(fā)生了改變，如果在管理過程中仍然采用傳統(tǒng)的靜態(tài)關(guān)聯(lián)規(guī)則對(duì)風(fēng)險(xiǎn)進(jìn)行評(píng)估，就無法確保評(píng)估結(jié)果的準(zhǔn)確性。因此，基于該問題，該文首先引入人工智能技術(shù)，利用人工智能技術(shù)的強(qiáng)大數(shù)據(jù)分析能力對(duì)不同風(fēng)險(xiǎn)因素的支持度和置信度進(jìn)行計(jì)算，再對(duì)風(fēng)險(xiǎn)因素動(dòng)態(tài)關(guān)聯(lián)規(guī)則在時(shí)間變化過程中的動(dòng)態(tài)特性進(jìn)行詳細(xì)描述。其中，支持度表示某一安全應(yīng)用風(fēng)險(xiǎn)事件與某一風(fēng)險(xiǎn)因素同時(shí)出現(xiàn)的概率，如公式（1）所示。

式中：為支持度，即某一安全應(yīng)用風(fēng)險(xiǎn)事件與某一風(fēng)險(xiǎn)因素同時(shí)出現(xiàn)的概率；為存在和同時(shí)發(fā)生的事件次數(shù)；為所有事件發(fā)生的次數(shù)。

根據(jù)公式（1）求出支持度，再計(jì)算它的置信度，置信度可以用來表示在出現(xiàn)某一風(fēng)險(xiǎn)因素的同時(shí)造成某一安全應(yīng)用風(fēng)險(xiǎn)事件發(fā)生的概率，如公式（2）所示。

式中：為置信度，即出現(xiàn)某一風(fēng)險(xiǎn)因素同時(shí)造成某一安全應(yīng)用風(fēng)險(xiǎn)事件發(fā)生的概率；為發(fā)生某一安全應(yīng)用風(fēng)險(xiǎn)事件的總次數(shù)。

在公式（1）和公式（2）的基礎(chǔ)上，根據(jù)對(duì)支持度和置信度的計(jì)算可以排除無關(guān)的因素，減少數(shù)據(jù)分析的數(shù)量，提升風(fēng)險(xiǎn)評(píng)估的動(dòng)態(tài)化水平和準(zhǔn)確度。在司法大數(shù)據(jù)信息管理平臺(tái)中，對(duì)所選擇的評(píng)估樣本進(jìn)行分塊處理，并將處理后的結(jié)果輸入相應(yīng)的集群節(jié)點(diǎn)中，利用現(xiàn)有靜態(tài)關(guān)聯(lián)規(guī)則對(duì)每個(gè)節(jié)點(diǎn)的支持度和置信度進(jìn)行計(jì)算。同時(shí)，在司法大數(shù)據(jù)中尋找頻繁項(xiàng)集時(shí)，引入關(guān)聯(lián)規(guī)則可有效排除支持度和置信度過低的數(shù)據(jù)，從而進(jìn)一步減輕評(píng)估的負(fù)擔(dān)，如圖2所示。

圖2 風(fēng)險(xiǎn)因素動(dòng)態(tài)關(guān)聯(lián)規(guī)則示意圖

風(fēng)險(xiǎn)因素在不同過程中的重要程度也不同，當(dāng)其為不頻繁因素時(shí)，與其相關(guān)的所有數(shù)據(jù)的支持度和置信度均過低，應(yīng)該刪除相關(guān)風(fēng)險(xiǎn)因素。而一旦其為頻繁因素，就可以認(rèn)為該風(fēng)險(xiǎn)因素十分關(guān)鍵，需要對(duì)其進(jìn)行著重分析。例如如果某一風(fēng)險(xiǎn)因素為不頻繁因素，即支持度和置信度過低，則與相關(guān)的、、以及等都不頻繁，則可直接將其刪除。而如果某一風(fēng)險(xiǎn)因素為頻繁因素，即支持度和置信度較高，則與相關(guān)的、、以及等都較為頻繁，需要對(duì)所有相關(guān)因素進(jìn)行分析。在完成上述操作后，從信息管理平臺(tái)中獲取本地相關(guān)司法大數(shù)據(jù)信息集合，并在mapper中輸入1個(gè)已知的數(shù)據(jù)進(jìn)行記錄.除此之外，還要盡可能地在信息管理平臺(tái)中完成對(duì)內(nèi)容的簡單合并，并將關(guān)鍵值統(tǒng)一分配到reducer中，從而對(duì)數(shù)據(jù)進(jìn)行簡化、統(tǒng)計(jì)。最后，還要根據(jù)支持度從小到大的順序?qū)︼L(fēng)險(xiǎn)因素進(jìn)行排列，并按照置信度從小到大的順序?qū)︼L(fēng)險(xiǎn)因素中的子因素進(jìn)行排列，排除那些支持度和置信度過低的風(fēng)險(xiǎn)因素，以此減少無關(guān)數(shù)據(jù)的干擾，提升分析速度，從而獲取風(fēng)險(xiǎn)因素動(dòng)態(tài)關(guān)聯(lián)規(guī)則。

1.2 司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)顯著性因素計(jì)分

在獲取司法大數(shù)據(jù)風(fēng)險(xiǎn)因素動(dòng)態(tài)關(guān)聯(lián)規(guī)則的基礎(chǔ)上，對(duì)司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)顯著性因素進(jìn)行計(jì)分，在司法大數(shù)據(jù)信息管理平臺(tái)中，根據(jù)上述內(nèi)容按照從小到大的順序?qū)λ写嬖诘娘L(fēng)險(xiǎn)因素進(jìn)行排序，在該基礎(chǔ)上進(jìn)一步排列出4種不同等級(jí)程度的應(yīng)用風(fēng)險(xiǎn)第二次出現(xiàn)的概率級(jí)別。其中，較差等級(jí)的計(jì)分范圍為0~3，一般等級(jí)的計(jì)分范圍為3~5，較好等級(jí)的計(jì)分范圍為5~8，最好等級(jí)的計(jì)分范圍為8~10。在劃定好以上等級(jí)計(jì)分范圍后，還需要對(duì)以上內(nèi)容的含義進(jìn)行深入認(rèn)識(shí)。該文設(shè)定上述風(fēng)險(xiǎn)顯著性因素的計(jì)分?jǐn)?shù)值越高，則說明再次出現(xiàn)該應(yīng)用風(fēng)險(xiǎn)事件的概率越高；如果風(fēng)險(xiǎn)顯著性因素的計(jì)分?jǐn)?shù)值越低，則說明再次出現(xiàn)應(yīng)用風(fēng)險(xiǎn)事件的概率越低。

同時(shí)，在計(jì)分過程中，對(duì)計(jì)分的標(biāo)準(zhǔn)進(jìn)行設(shè)定，例如對(duì)已經(jīng)發(fā)生過的應(yīng)用風(fēng)險(xiǎn)次數(shù)進(jìn)行再次計(jì)分，如果沒有出現(xiàn)類似風(fēng)險(xiǎn)問題，則記為3分；如果出現(xiàn)一次，則記為2分；如果出現(xiàn)2次或3次，則記為1分；如果出現(xiàn)4次及以上，則記為0分，以此類推完成對(duì)其他風(fēng)險(xiǎn)顯著性因素的計(jì)分工作。而且還可以對(duì)已經(jīng)發(fā)生過的應(yīng)用風(fēng)險(xiǎn)事件持續(xù)時(shí)間進(jìn)行打分，如果持續(xù)時(shí)間小于1 min，則記為3分；如果持續(xù)時(shí)間為1 min~5 min，則記為2分；如果持續(xù)時(shí)間為5 min~60 min，則記為1分；如果持續(xù)時(shí)間超過60 min，則記為0分。利用3種打分標(biāo)準(zhǔn)可以減少單一打分容易出錯(cuò)的問題，提高分析的準(zhǔn)確性。

在按照上述打分標(biāo)準(zhǔn)，針對(duì)所有風(fēng)險(xiǎn)顯著性因素進(jìn)行打分后，可以為后續(xù)的司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)的量化提供重要數(shù)據(jù)支持。

1.3 司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)量化

將司法大數(shù)據(jù)信息管理平臺(tái)中所有需要進(jìn)行風(fēng)險(xiǎn)評(píng)估的樣本作為評(píng)估集合，通過量化所有風(fēng)險(xiǎn)結(jié)果的方式對(duì)司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)進(jìn)行評(píng)估。由于NSS具有系統(tǒng)交換和數(shù)據(jù)庫的功能，可以存儲(chǔ)相關(guān)數(shù)據(jù)并進(jìn)行分析管理。因此，在量化過程中引入網(wǎng)絡(luò)子系統(tǒng)（NSS）完成這一部署，如圖3所示。

圖3 NSS部署流程示意圖

由圖3可知，將不同的司法大數(shù)據(jù)輸入NSS中，經(jīng)由NSS分析處理并對(duì)其進(jìn)行量化，可以輸出對(duì)應(yīng)的風(fēng)險(xiǎn)態(tài)勢。在量化時(shí)，假設(shè)某一種司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)事件發(fā)生時(shí)，其對(duì)應(yīng)的風(fēng)險(xiǎn)顯著性因素權(quán)重為，則在某一節(jié)點(diǎn)上，發(fā)生這一風(fēng)險(xiǎn)事件的概率為，結(jié)合得到如公式（3）所示的量化公式。

式中：（）為通過量化后得到的司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)評(píng)估結(jié)果。

將公式（3）帶入司法大數(shù)據(jù)信息管理平臺(tái)中，對(duì)不同時(shí)刻下平臺(tái)的運(yùn)行情況進(jìn)行分析，并對(duì)其可能存在的司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)進(jìn)行評(píng)估。同時(shí)，引入NSS后，能夠結(jié)合量化后的評(píng)估結(jié)果對(duì)司法大數(shù)據(jù)應(yīng)用運(yùn)行風(fēng)險(xiǎn)的態(tài)勢進(jìn)行評(píng)估，再根據(jù)量化結(jié)果數(shù)據(jù)的變化，直觀地描述司法大數(shù)據(jù)應(yīng)用運(yùn)行風(fēng)險(xiǎn)未來發(fā)生概率增高或降低的趨勢，如果量化結(jié)果數(shù)值逐漸降低，則說明該風(fēng)險(xiǎn)事件發(fā)生的概率將會(huì)逐漸增加；反之，如果量化結(jié)果數(shù)值逐漸升高，則說明該風(fēng)險(xiǎn)事件發(fā)生的概率將會(huì)逐漸降低，從而為后續(xù)司法大數(shù)據(jù)的應(yīng)用策略提出與設(shè)計(jì)提供更加直觀的事實(shí)依據(jù)。同時(shí)，在對(duì)司法大數(shù)據(jù)信息管理平臺(tái)進(jìn)行維護(hù)時(shí)，也可以根據(jù)風(fēng)險(xiǎn)評(píng)估量化結(jié)果對(duì)平臺(tái)運(yùn)行等級(jí)進(jìn)行劃分，從而對(duì)整個(gè)司法大數(shù)據(jù)應(yīng)用環(huán)境進(jìn)行評(píng)估。

2 對(duì)比試驗(yàn)

通過該文的論述，從理論方面實(shí)現(xiàn)了對(duì)基于人工智能技術(shù)的評(píng)估方法設(shè)計(jì)。為進(jìn)一步驗(yàn)證該方法在真實(shí)司法大數(shù)據(jù)應(yīng)用環(huán)境中的風(fēng)險(xiǎn)評(píng)估水平，將該評(píng)估方法與傳統(tǒng)評(píng)估方法（基于貝葉斯網(wǎng)絡(luò)的風(fēng)險(xiǎn)評(píng)估方法）進(jìn)行對(duì)比，使2種方法同時(shí)對(duì)相同的司法大數(shù)據(jù)應(yīng)用問題進(jìn)行風(fēng)險(xiǎn)評(píng)估。在評(píng)估時(shí)，選擇司法系統(tǒng)中的部分案例作為評(píng)價(jià)對(duì)象，分別利用2種評(píng)估方法對(duì)其進(jìn)行評(píng)價(jià)，為確保試驗(yàn)結(jié)果的客觀性，將2種評(píng)估方法的最終結(jié)果按照表1的內(nèi)容劃分為5個(gè)不同等級(jí)。

表1 司法大數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)評(píng)估等級(jí)

由于2種評(píng)估方法得出的評(píng)分結(jié)果標(biāo)準(zhǔn)不同并且由于傳統(tǒng)評(píng)估方法未對(duì)不同風(fēng)險(xiǎn)因素的支持度和置信度進(jìn)行計(jì)算，無法對(duì)其評(píng)估過程進(jìn)行量化，因此，需要按照如公式（4）所示的方式對(duì)傳統(tǒng)評(píng)估方法得出的結(jié)果進(jìn)行初步量化。

式中：（）為傳統(tǒng)基于改進(jìn)猶豫模糊集的評(píng)估方法評(píng)估結(jié)果的量化數(shù)值；p為司法系統(tǒng)中某一試驗(yàn)應(yīng)用實(shí)例發(fā)生安全風(fēng)險(xiǎn)事件時(shí)的概率；w為司法系統(tǒng)中某一試驗(yàn)應(yīng)用實(shí)例在評(píng)估過程中的權(quán)重?cái)?shù)值。

按照上述內(nèi)容，對(duì)傳統(tǒng)評(píng)估方法的評(píng)估結(jié)果進(jìn)行量化，并對(duì)2種評(píng)估方法得到的量化結(jié)果進(jìn)行歸一化處理，如公式（5）所示。

式中：為2種評(píng)估方法得出的評(píng)估結(jié)果歸一化處理結(jié)果；為2種風(fēng)險(xiǎn)評(píng)估方法的評(píng)估量化結(jié)果；為不同評(píng)估指標(biāo)下評(píng)估結(jié)果變化參數(shù)的平均值；為均值標(biāo)準(zhǔn)差。

根據(jù)公式（5），對(duì)2種方法評(píng)估結(jié)果進(jìn)行歸一化處理后，按照表1中的風(fēng)險(xiǎn)評(píng)估等級(jí)對(duì)其進(jìn)行分類，并將分類結(jié)果與實(shí)際司法大數(shù)據(jù)應(yīng)用實(shí)例的風(fēng)險(xiǎn)等級(jí)進(jìn)行對(duì)比，從而驗(yàn)證2種評(píng)估方法的評(píng)估精度，方法A表示該文提出的基于人工智能技術(shù)的評(píng)估方法；方法B表示傳統(tǒng)評(píng)估方法，試驗(yàn)結(jié)果見表2。

表2 2種評(píng)估方法評(píng)估結(jié)果等級(jí)劃分

根據(jù)表2中的數(shù)據(jù)可以看出，在不同風(fēng)險(xiǎn)評(píng)估等級(jí)實(shí)例數(shù)量的影響下，該文方法評(píng)估結(jié)果與實(shí)際結(jié)果完全一致，而傳統(tǒng)評(píng)估方法得出的結(jié)果與實(shí)際相差較大，差距最大可達(dá)到64例。由此可以證明與傳統(tǒng)評(píng)估方法相比，該文設(shè)計(jì)方法的風(fēng)險(xiǎn)評(píng)估效果更好。

綜上所述，將該文提出的基于人工智能技術(shù)的應(yīng)用風(fēng)險(xiǎn)評(píng)估方法應(yīng)用到實(shí)際司法大數(shù)據(jù)應(yīng)用環(huán)境中，可提高安全風(fēng)險(xiǎn)事件評(píng)價(jià)的精度。將該方法應(yīng)用于實(shí)際，可為司法大數(shù)據(jù)應(yīng)用策略提供重要的事實(shí)依據(jù)，具有一定應(yīng)用價(jià)值。

3 結(jié)語

針對(duì)當(dāng)前信息管理平臺(tái)在對(duì)司法系統(tǒng)在運(yùn)行過程中存在的風(fēng)險(xiǎn)事件無法進(jìn)行準(zhǔn)確評(píng)估的問題，該文對(duì)其風(fēng)險(xiǎn)評(píng)估方法進(jìn)行設(shè)計(jì)研究。通過引入人工智能技術(shù)提出了一種全新的評(píng)估方法，并結(jié)合對(duì)比試驗(yàn)驗(yàn)證了該方法的應(yīng)用效果。但由于研究能力有限，該文在試驗(yàn)過程中所選擇的對(duì)照條件只能夠?qū)︼L(fēng)險(xiǎn)事件進(jìn)行定性評(píng)估，在對(duì)其量化時(shí)采用的方式可能不適用于該方法，因此造成了傳統(tǒng)評(píng)估方法試驗(yàn)結(jié)果與實(shí)際出入較大的問題，使影響因素增加，最終得出的試驗(yàn)結(jié)果存在一定的不確定性。因此，針對(duì)這一問題，在后續(xù)的研究中，還將選擇更符合試驗(yàn)需要的對(duì)照條件以及試驗(yàn)操作環(huán)節(jié)，從而確保試驗(yàn)結(jié)果的客觀性，也為該文評(píng)估方法的進(jìn)一步優(yōu)化提供重要依據(jù)。