哈佛商业评论 | 简单规则为人工智能辅助司法决策打好基础【斑斓 · 新思维】

【何帆按】本文发表于2017年4月19日出版的《哈佛商业评论》。作者是来自斯坦福大学、纽约大学、微软研究院、纽约地检署的五名研究人员（Jongbin Jung,  Connor Concannon, Ravi Shroff, Sharad Goel, Daniel, G. Goldstein）。原题目是《为复杂决策创制简单规则》，是他们一项以司法决策为例的实证研究成果。文章谈论的虽是决策科学问题，却包含了很深刻的道理，对推进当下的司法人工智能和司法改革工作很有启发。

一是智慧法院建设方面。在我看来，实现智能化的前提之一，就是线下的标准化，只有依托不同的司法场景，创设无数个简单规则，才有可能在线上叠加成复杂的司法人工智能。试图跳跃标准化、标签化和规则化，就直接进入线上人工智能，无异于搭建一个空中楼阁。

二是司法改革决策方面。当前，改革面临的一个棘手问题，就是如何科学进行法官的绩效考评。这项工作既关系到法官员额进出，也涉及绩效工资、等级晋升、奖励培训等方面。但法官考评本身又是一项十分复杂的系统工程，涉及分案方式、权重核算、岗位职责、案件评查、考评标准等各个环节。如果过于粗疏，会导致“干多干少一个样，干好干坏一个样”；如果过于精细，操作过于复杂，又会导致中央政策红利迟迟无法落地。

本文提到的“用简单规则解决复杂决策问题”“破除过度精细化管理”迷信等观点，对于推进智慧法院建设，健全法官业绩考评体系的颇有助益，故约请浙江高院一位同仁全文译出，供读者借鉴参考。

译 者 | 翟寅生（浙江高院政治部）

当下，即使在处理以往看来更适合人脑处理的复杂任务时，机器也能完败人类，例如打扑克、下围棋、图像识别等。许多高风险决策领域，也正成为人工智能未来研究方向，例如医生诊疗病人、法官裁定保释，但在上述领域，专家们通常却更倾向于经验和直觉，而不是数据和统计。

这种对数据统计方法的排斥，也存在一定原因：计算机学习系统的设计、适用和理解本身都很难。但是对人工智能弃之不用，可能带来极高的成本。

在认识到现实世界中管理者与工程师们所面临的诸多限制后，我们开发了一套简单的三步法来建立评估体系，以辅助“是-非”判断型决策。这些评估体系可以用于帮助法官判断羁押对象、帮助税务审计官决定审查范围，还可以协助人力资源经理确定面试对象。这种方法能够赋予评估体系类似于计算机深度学习一样的效率，同时也剥离了不必要的复杂性。

为了说明这些规则如何操作，我们以法官的审前保释裁定为例进行分析。在被告人第一次出庭时，法官必需评估其的可能性。那些被判断为低风险的被告人会被释放回家，而高风险的被告人则被直接羁押；这种裁定对被告人和社会公众都十分重要。

为了辅助法官作出裁定，我们使用上述三步法，设计了一个简单的风险评估表格（详见下表）。每个被告逃脱的风险都可以通过计算其“年龄”以及“逃脱次数”两个因素的分值来评估。进而再确定一个分值，作为辅助判断“保释或羁押”的风险门槛。例如确定风险门槛为10分，一个35岁的被告人以往曾逃脱一次，则相应的风险值为8分（年龄分为2，加上此前曾逃脱一次的分值6分），其风险值低于风险门槛，则该被告人应立即释放。

这个例子通过计算年龄与以往逃脱记录的分值，来评估被告人逃脱庭审的风险。相似的方法也可以用在招聘、审计及其他领域的决策中。
 

年龄
范围	分值	计算结果
18-20岁	8	2 +
21-25岁	6
26-30岁	4
31-50岁	2
51岁以上	0
以往逃脱庭审次数
范围	分值	6
0次	0
1次	6
2次	8
3次	9
4次以上	10
逃脱风险	= 8

除了简便性，这种规则在有效性方面也可以极大地超越人类专家的决策。我们选取了美国最大城市之一作为样本，分析了该市法院近年来超过10万份庭前保释裁定。

如果遵循我们的规则，在不引起逃脱比例上升的情况下，可以减少一半羁押数。这是怎么实现的呢？法官在没有上述规则辅助的情况下，所作出的裁定与被告人客观上逃脱风险之间联系通常较弱。

而且，不同法官判断标准的差异也十分大，有的法官可能会释放90%的被告人，另一些法官的释放比例可能只有50%，这就导致许多高风险的被告人被保释，而另一些低风险的被告人反而被羁押了。

按照我们的规则，可以保证所有被告人都能得到统一的裁量，即只有最高风险的被告人才被羁押，同时也提高法官裁定的效率和公平性。

此类决策规则非常迅捷，即使不用计算机，相应的决策也可以很快作出；同时，这类规则也很简便，因为它通常只需要搜集很有限的信息，即可以达成一个决策；另外，这类规则还非常清晰，它将决策作出所依据的基础，明确展现出来。

无论是在司法领域还其他方面，符合这类标准的规则都具有很多优势。例如，容易记忆的规则也比较容易被采用，且更容易被经常使用。在医疗方面，简便的规则可以减少测试，从而节约时间、资金，在伤员验伤分类的场合还能挽救生命。

简单规则本身所具有的清晰性，可以展示决策如何作出，以及提示哪些方面可以改进，从而增进对规则的信任度。在社会要求公平和透明的时代背景下，清晰性已成为一项法律要求。

简单规则当然有其优势，但人们可能会合理地质疑：对简单性的偏好是否意味着对有效性的牺牲。但令人吃惊的是，在很多场合答案却是否定的。我们将简单规则与复杂的计算机学习算法相比较，在司法裁决方面，上述风险评估图表与最优的风险统计评估算法得出的结论几乎一致。

我们将上述分析思路在22个不同的领域进行反复测试，发现依然能够得到相同的结论：简单、透明的决策规则与复杂、模糊的计算机学习方法，通常具有相同的有效性。

为了创设这种简单规则，我们采用一种三步法，即所谓的“选择-赋值-取整”。具体方法如下：

1. “选择”影响结果的几个主要指标，例如，使用被告人的年龄、以往逃脱的次数来评估其逃脱的风险。我们发现，选取2至5个指标，通常就能取得较好的效果。在上述例子中，我们为审前裁定所选取的两个指标，就是著名的逃脱风险指标；如果没有相关领域的知识，也可以使用标准的统计学方法去列出一个指标清单（如分段特征选择法）。

2. 利用历史数据，根据其统计结果（如逃脱）在选定的预测指标（年龄及以往逃脱次数）上进行“赋值”。这一步可以使用现代化的统计软件通过一行代码来实现。

3. 上一步所得出的结果即对每一项指标赋予了相应的数字权重。这样的权重在大多数决策适用情景中通常显得过于精确，因此，我们对各个指标的权重进行取整，从而得出整数分值。

我们的“选择-赋值-取整”三步法创设的规则十分简单，而且同样重要的是，创设这类规则的方法本身也十分简单。三步法只需要对统计学有过基础训练，并利用触手可及的软件即可实现。

 当决策目标界定得十分清晰，且以往结果和相关指标的数据都可以获取时，统计学的决策规则运用起来将十分有效。在上述条件都满足时，通过计算所作出的决策，通常都比专家的经验和直觉要更有效。

 简单规则，以及我们创设简单规则的方法，会将计算机学习的力量带给大众。
 

点击左下角“阅读原文”浏览原文

感谢您阅读“法影斑斓”，希望它能兼顾新知与审美。如果您觉得图文有点儿意思，请点击右上角按钮，选择“查看公共号”，再点击关注即可。也可搜索微信号：funnylaw1978。如果想阅读过往文章，可点击“查看历史消息”。

何 帆 出品