从法律发现的方法看
方法是人们认识世界、改造世界所应用的一些手段、办法、方式、程式等的总称,具有明显的层次性,学界通常分为:以自然界、人类社会和思维过程为对象的最一般的方法,即哲学方法;跨学科的在相当广泛的领域中适用的方法,即一般科学方法;限于某一研究对象使用的方法,如物理学的、化学的、管理学的某些特定方法,通常称为具体科学方法。[25]具体到某一学科、某一对象,其所使用的方法也是有层次性的。以法律方法为例,可区分为:立法方法、执法方法、司法方法、法律监督方法等,其中的司法方法,又可进一步区分为:法律解释方法、法律推理方法、法律发现方法、法律论证方法、漏洞补充方法、价值(利益)衡量方法等。而法律解释方法又可细分为文义解释方法、目的解释方法、历史解释方法、体系解释方法等。可以说,方法从来都不是单一的、孤立的,常常以方法“多维矩阵”的方式来呈现,有学者提出法律方法也是一个“多维矩阵”式存在,即每一个具体的法律方法都只是法律方法“多维矩阵”体系中的一个,该法律方法既有发挥其自身作用的特定方向和力量,又受到其他法律方法的影响和作用,法律问题可能需要一系列法律方法共同作用才可以解决。[26]法律发现作为一种法律方法,也需要依赖其他更加细分的方法,才能发挥其作用。
法官进行法律发现经常会用到的方法包括涵摄与归属、等置与类推、查找与续造、比较与衡量等。其中,涵摄通常用来指涉把小的前提置于大的前提之下,或者说将某个具体案件置于法律的事实构成之下。[27]德国学者卡尔·拉伦茨认为,如果把法律的构成要件称为T,特定案件事实称为S,且如果T借由要素m1、m2、m3而被穷尽描述,S具有m1、m2、m3等要素,则S是T的一个事例,一般将这样一个过程称为“涵摄”。逻辑涵摄是将外延较窄的概念划归外延较宽的概念之下,即将前者涵摄于后者之下的一种推演。[28]由于法律规范更多的是类型化的、以及需要填补的评价性规则,即给出一些指导观点、特征或例子,对此类规则可以通过描绘使其范围、轮廓清楚,但无法定义。此时,如卡尔·拉伦茨所言,将某生活事件归入该类规则就不是涵摄,毋宁是评价性的归类,即待决的案件事实与另一在判断上并无疑义的案件事实相同或相近,甚至当概念本身是一种“指导性” 的陈述时,将案件事实“归属”法规范构成要件的说法,可能比“涵摄”更恰当。[29]可以说,涵摄是一种“对号入座”式的“归入”,归属是一种评价性的“归入”。站在计算机语言的角度,逻辑上可以说“涵摄”是一种“精确”的查找(检索),归属是一种“模糊”的查找(检索)。
考夫曼区分了“法律适用”与“法律发现”,认为“法律适用”是指当所要拟判的案件已被规定在可适用于绝大多数案件的法律时,就可以用“涵摄”的方法进行法律适用;“法律发现”则是指所当拟判的案件找不到法律规定时,即当法律出现“违反计划的不圆满性时”,需要用“等置”的方法先进行法律发现。[30]他在分析萨维尼传统涵摄模式、传统法律解释理论的基础上,具体分析阐释了等置模式。考夫曼认为,传统方法论只关注涵摄,并把涵摄过程看作是两个彼此分离、在时间上前后相继的行为是错误的,涵摄推论的大前提和小前提是彼此关照、同时形成的。需要对传统的涵摄方法进行理性反思,即决定法律方法科学性的不是涵摄,而是论证。法律方法的核心不在于一种逻辑推论,而在于一种比较——“个案比较”,法律获取程序依其本质不是用逻辑推论,而是一种比较。而比较或等置主要取决于比较点、比较中项,且它们不是纯粹的认知行为,而是一种决断,且与权力相关。对于法律方法而言,人们无法将未经加工的案件涵摄于未经加工的规范之下,而只能将案件事实涵摄于构成要件。只有大、小前提都已形成时,才可以进行涵摄。先于涵摄发生的法律发现行为肯定不是涵摄,而是设证、归纳或类比,其中的类比有两种:不熟悉的与熟悉的,或容易理解的与不容易理解的,或强的和弱的比较。等置方法的核心是将待决案件与为制定法或法秩序所确凿涵盖的案件进行比较,作出等置或不等置的判断,如果等置就可将待决案件涵摄于法律规范之下进行裁判。[31]可见,考夫曼将等置视为涵摄之前进行法律发现的方法,并认为“等置”(或不等置)需要通过“类比”才可以完成。这样,站在计算机语言的角度,等置、类比(或类推)实为一种方法,即案件F1与案件F2进行比较,如果F1有a、b、c、d、e五个事实要素,F2有a、b、c、d、x五个事实要素,称为F21;或F2有a、b、c、x、y五个事实要素,称为F22;或F2有a、b、x、y、z五个事实要素,称为F23,在假定a、b、c、d、e、x、y、z具有同等重要性的情况下,则F1与F21具有强类比性、则F1与F22具有中类比性、则F1与F23具有弱类比性,至于F1与F21、F1与F22、F1与F23相互间能否等置,还需要根据e、x之不同对于F1与F21是否重要,d、e、x、y之不同对于F1与F22是否重要,c、d、e、x、y、z之不同对于F1与F23是否重要才可作出判断,这也就是考夫曼所言的等置还是“一种决断,且与权力相关”。从计算机语言的角度看,就案件事实的等置、类比(或类推)而言,需要借助计算机语言设置案件的事实要素a、b、c…,然后与待决案件的事实要素a′、b′、c′…进行比较,并做出判断。进而言之,就针对具体案件的法律发现而言,需要借助计算机语言,建构案件事实要素a、b、c…与法律规范构成要件R1、R2、R3…之间的链接点,并借助计算机语言的“if…then…”等语句和“and、or、not”等逻辑词,实现从案件事实到法律规范的人工智能建构。
上述法律发现的涵摄、归属、等置、类推、查找、比较等方法,就人工智能应用于法律发现而言,均需要借助人工智能深度学习技术来实现。人工智能深度学习是通过对样本数据大量分析之后,寻找样本数据的内在规律和表示层次,人工智能深度学习后得到的学习算法的优劣,取决于其在学习时采取的学习模型以及对数据不平衡、词向量等问题的解决,最终依靠将学习结果预测转化为回归函数、平均值等指标来评价其学习的成果。也就是说,当一个深度学习的算法模型最终确定好之后,面对给定的案件事实,人工智能算法输出的结果是否正确取决于其对已经发生的案件学习的效果。因此对于自然人而言的从“阅读案件事实”到“概括案件事由”,再到“部门法识别”,到最终找到相应的“法律规范”这样一个线性的路径“找法”过程,并不适合人工智能深度学习。对人工智能通过深度学习“找法”而言,将案件事实与法律渊源数据库直接相连同步进行“找法”可能更为精确。以一起故意伤害案件为例:
2015年11月5日上午,被告人胡某在平湖市乍浦镇的嘉兴市多凌金牛制衣有限公司车间内,与被害人孙某因工作琐事发生口角,后被告人胡某用木制坐垫打伤被害人孙某左腹部。经平湖公安司法鉴定中心鉴定:孙某的左腹部损伤已达重伤二级。
对于这样一起刑事案件,用json数据交换格式建构人工智能深度学习模型可表达为:(https://www.daowen.com)
{“fact”:“2015年11月5日上午,被告人胡某在平湖市乍浦镇的嘉兴市多凌金牛制衣有限公司车间内,与被害人孙某因工作琐事发生口角,后被告人胡某用木制坐垫打伤被害人孙某左腹部。经平湖公安司法鉴定中心鉴定:孙某的左腹部损伤已达重伤二级。”
其中,fact为案件事实,meta中包含:相关法条(此例涉及刑法第234条),罪名(此例为故意伤害),犯罪嫌疑人(此例为胡某),刑期(此例给出了死刑、12年有期徒刑、无期徒刑三种)。每一条数据均为一个字典,可根据实际需要添加更多的字典。
上述数据便是进行深度学习的数据样例。人工智能在获取数据之后进行数据读取,分别一行行取读处理、训练、开发、测试文件,将文件每一行的“fact”和“meta”分别处理成列表,放在这一数据模型的实例对象中,同时实例对象还要包括“fact”语词及其个数,“meta”中的罪名、以及相应的处罚等。处理完一个文件,再处理下一个文件,依次类推。这样通过深度学习,逐步建立起词典,给出所有罪名、词组唯一的标识,随后在迭代器中进行迭代,将每一个罪名进行二分类,句子涉及的罪名对应位置为1,涉及不到的罪名对应位置为0。通俗地讲,就是通过将具体的法条、罪名进行唯一的标识符识别(每一个法条、罪名有着单独对应的id)之后,对与案件事实中描述的事实词汇进行频率检测,将出现频率数较高的事实描述与法条、罪名的id相对应,最终得出的结果便是根据案件事实“fact”,依据案件事实从法律渊源数据库中找到的该案件事实涉及的罪名和法条。对于与该罪名相类似的罪名,如抢夺、抢劫中伤害、盗窃中的伤害等,可以通过构建分类预测模型,即将该罪名设定若干个子类别,每个类别的值分为:命中、不命中、不确定三种,将选取的案件事实样本在子类别上做出预测。如果找到了若干相似的法条,可根据“相关—密切联系”原则进行甄别,如走私贩卖制造毒品罪和非法持有毒品罪,两种罪名可能在案件事实描述上大致相同,会有部分相同的关键词,可采取融合模型的方式,将近似罪名进行模型预测,选取参数差异较大的多个模型整合之后,再计算融合模型下的法条的概率值,并设定一定的阈值进行删选,尽可能地处理相似或相近法条作出选择。当然,人工智能深度学习离不开大数据、云计算、区块链等智慧技术的支持,也需要通过实践运用的不断改进、完善才可能变为现实。
由于法律发现的“续造”方法,更多的是指当法官找不到待决案件的裁判依据,或虽然找到了相关法律规范但用之判案明显违背人们的普遍正义观念时,法官又不能拒绝裁判,此时就需要法官进行“法的续造”。从人工智能用于法律发现的角度看,即使是未来的强人工智能,也很难实现“法的续造”,人工智能所能实现的应当限于法官“找法”中用到的涵摄、归属、等置、类推、查找、比较等方法。