人工智慧與法律規範學術研究群
第二年期（2019-2020）

第十二次會議
2020年6月23日（星期四）

主持人：李建良（中央研究院法律學研究所特聘研究員兼所長）
主講人：林昀嫻副教授（國立清華大學科技法律研究所）、王道維教授（國立清華大學物理系）

◎ 整理：洪于庭
◎ 定稿：李建良

一、問題意識

當初一開始是從紛爭解決發想，我將研究聚焦在家事紛爭解決，在家事法院所會面臨到的困境，較不適合由訴訟解決，較適合由調解、諮商方式等，以解決長久以來家中不公平、正義之狀況。因為家中的狀況不太容易由訴訟解決，當進去訴訟程序時就希望勝訴，兩造關係進一步撕裂。故我希望尤其是離婚或是親權酌定由訴訟以外途徑解決，這對很多兒童少年一生有很大影響。

離婚後親權酌定之案件研究

兒童權利公約中提到，應以兒童最佳利益為優先考量。但這是不確定法律概念，兒童最佳利益的範疇為何，有許多文獻對之有相關探討。其實我們的民法中有提到應以子女最佳利益為參考，而親權酌定應有具體判斷因素，故民法第1055條-1有幾樣具體參考因素。選這個主題其中一個原因是因為有許多人研究過，才不會閉門造車。

AI應用在家事判決的可能性

1. 可能性
   1. 案量大增
   2. 案件多屬單純
   3. 可減少訴訟
2. 對法學研究與審判品質的幫助
   1. 對於家事案件做更全面的研究
   2. 讓法官能專注於負責和困難的案件
3. 法院判決書的文字應用在自然語言處理（NLP）的優點
   1. 品質較高
   2. 數量龐大
   3. 生活相關
   4. 可解釋性
4. 研究AI技術應用時可能的爭議：AI在司法審判的爭議，如State v. Loomis的案件。但我們還是必須發展國內AI在司法上的應用，如國內未應用僅討論國外案例會有點可惜。

二、以法實證研究議題為例

我們搜集2015~2017年所有的判決，總共2620件，酌定親權有1343件，我們就看1343件，我們的研究發現：

1. 親權歸屬於父或母
2. 判決考量因素的分析：我們把民法第1055條-1考量的因素分成13種，統計這13個因素在案件中出現頻率。
3. 城鄉差異：母親獨任比例在都市較高，但不會差很多。
4. 從未進入司法體系的侵權分配事件：進入法院前，就因為雙方有共識而不用進入法院者，父親單獨行使親權狀況比較多。

三、標注資料庫的建置

技術部份是關於自然語言模型的處理，我知道在法律方面觀之會有很多人權問題。

判決書理據標註舉例

於我們的研究而言會教有利文字（得到親權）、不利文字，先做對申請人有無利判斷，較不會出錯，就此可以看到法官的態度為何。有一個好處這樣的標注方式是在文字內容，會減少偏見情況。那該因素是否重要，法官發現可以將其他因素寫入判決中，法官可以寫別的理由，可能會造成不同解讀方式，法官會有看孩子意願會這樣判，即便不看孩子意願也會這樣判，就會產生差異。

標註並沒有單一方法，特別是從判決書內容預測判決結果，這些標註資料在外來可以做資料擴增、偏見研究，不等於判決書但把判決書重要部分提出，好的判決書因為各項資料與論述相當充分，即便指標到其中部分亦足以做判決預測。

為什麼學習應用在判決之可行的，我們將判決整理成等效判決書，在做資料預處理，提取特徵或向量化，我們的判決預測適用深度學習的結構，我們輸入的資料是聲請人有利不利的文字、相對人有利不利的文字，將文字轉成向量，將向量投入類神經網絡學習，綜合向量出來的是800維向量，這是為何在應用上會有人認為好像有點像黑箱的意義，電腦是看不懂單個字的意思，但可以根據單個詞對於該判決有多重要。

初步結果：三分類的文句意象判斷

將六千多條有利不利文字段落，我們亦可用隨機選取的中性文字做三分類的預測，顯示我們的模型已有相當能力來判斷包括中性的文字意象，有助於提升對於整體判決的預測準確度。

兩分類的侵權裁定預測

判給聲請人或相對人我們的預測準確率是93%，在做文字分析，因為法院是高品質文字所以效果非常好。如果我們今天適用勾選方式，數目很多，判決準確性很高是沒意外的情形。但就法院是不確定文字，本系統可輸入不固定的文字長度或句數分析，方便於實務情境

三分類親權裁定預測

判給雙方的案件差異是較大的，容易有誤差。

解釋性問題

1. 解釋對象：最近有文獻討論，工程師會認為並沒有問題，他看這個城市的運算結果知道原因，但一般人看不懂，語言不同
2. 配合統計分析：AI預測應該與統計分析或法實證研究互相配合
3. 演算法的改進：有些演算法會有一定的解釋力，目前也有將文字中的主要因素凸顯，如self attention model（自我注意力模型），他可以把文字自我標註，在superviselearning在某些句子會與這個結果有關的，會將此呈現出來。一開始對兩造有利不利的句子是人標的，我們希望是AI可以自己標的。

四、建構自然語言

五、建構親權預測系統與未來發展

1. 仍有使用上不足之處
   1. 一般大眾的表達語法與法官的專業語法仍有不同
   2. 關於兩造雙方的事實認知可能會有偏袒、不全或錯誤
2. 我提供影片供大家參考我們系統運用方式
3. AI侵權判決預測系統的使用情境：原則上當事人自己就可以上網使用，但若能透過第三方會更理想，社福人員可斡旋，有助於庭外和解，減少花費對簿公堂的傷害。但是還是需要各種輔助環境的支援。
4. 未來發展方向：擴展到其他案件
   1. 發展新的AI技術：亦可用此NLP方式開發自動標註、訴狀
   2. 法學相關議題：可更深度研究AI應用限制或人權、倫理等
   3. 促進司法的透明性：類似案件一般人民可以預期結果，促進透明性、穩定性與可親性，對於和解應有幫助的。

結語：以AI與法律的結合促進社會公義

希望能帶來以下幾項正面影響

1. 以法實證研究提升司法穩定性可預測性
2. 減輕法官負擔
3. 協助弱勢當事人
4. 利用審判書大量高品質的文字資料，發展可解釋性AI
5. 促進科技與法律更多合作

問題與討論（敬稱省略）

黃詩淳：

我上次報告的民事判決的應用，查了一些文獻，在事實認定方面在AI的幫助較小，法律適用方面較大，剛剛王老師提的也是法律適用方面。那我們將之稱為預測判決系統是否恰當，好像只是在測試AI是否看得懂裁判書，會能夠幫助司法人員嗎，因為還是必須自己判斷事實

王道維：

這是參考性的，並不會代替法官，在陳述時可能給出的意見會是偏頗的，在協調時雙方給出的意見給雙方律師在訴訟前，在訴訟策略上可以使用。大概功能是，雖然有些限制，但在這些限制內時，也許可使使用者判斷法官想法為何。又如可能在鄉間使用者，事實可能沒問題，但在法律認定上較無知，如使用此系統，較能知道法官不會這樣想，可能不會提起訴訟。

李建良：

用判決書的內容去預測判決結果，是下個判決的結果，那正確率的結果。

王道維：

都還是既有判決中做預測，該網頁是就未知判決，所以不知道結果，我認為可以與法扶合作，就看如何使用。

黃詩淳：

在做測試組時，也是讓30%的裁判，並不是讀全文只是讀原因。

邱文聰：

黃老師上個月的是今天作業的前端部分，看是否有讀懂判決，今天做的是標註，預測親權判決結果。

黃詩淳：

如果要真的知道法官為何要判給父母，還是要透過判決書才能知道要因為何。實證也是很重要的，前段林老師的部分會是很重要的部分。

林昀嫻：

我們有與司法院的人報告，他們比較想知道法實證的部分，我們的角度是此系統無法取代法官，黃老師剛剛提的，網站上提出的事實及系統被餵養的資料，這兩者是需要轉換的，所以一開始在講減輕法官的負擔，並非一部份取代法官，僅是在紛爭解決流程中，未進入司法體系，是否可先解決部分紛爭，以減輕法官負擔，法實證部分也還在發展中。

陳弘儒：

這套系統的目的是正式進入法院的案件量變少，當一個親權爭議出現後，會進入訴訟的關鍵性原因是什麼，該閾值為何。如果可以與王老師的部分搭配，會有相輔相成的作用。

林昀嫻：

我常與家事法官談，有一個案例是，夫妻已進入法院，先調解、調解不成才進入法院，女方是貴婦，男方稱離婚後小孩歸女方，每個月50萬，不包括子女教育費，後來談不攏的原因是因為，女方主張房子的管理費誰付，一般來說很難會想到進入訴訟的關鍵點是管理費。

陳弘儒：

所以這樣系統有可能沒辦法很大量減少案件進入家事法院。

王道維：

也許我們一開始設定是這樣，但用途可能不一樣。有人認為可能會取代律師角色，但也有人認為可以看出訴訟策略方式

楊岳平：

我想請問有無要回歸分析，如果我們只看百分比很難看清楚。

王道維：

有我們現在在寫paper，做回歸可讓一般人看懂。事實上AI也是可以做這樣的研究。

楊岳平：

在這基礎上，我們在做回歸，要找的是Causation，剛剛在分析中提到有些真正原因不會揭露在其中，會有疑慮，可能我們找到是法官再分配親權時會用什麼措詞，在這系統中是否為重要，還是找到correlation即已足。在這過程中是否會讓correlation 與causation模糊。

王道維：

這問題幾乎是對所有AI研究都相同的，判決書中法官是否會有心證決定判給誰。我們目前所有研究的數據從這裡來，故我們也很避免這種質疑，但至少這種方式能告訴我們這是可能的。如果法院能把所有卷宗電子化，我們去做標註，才有可能。至少現在法官所講原因與最後有一致性，最後再去訓練較複雜案件，這是針對資料部分。針對演算法部分，我認為是會有更多進步，他可能沒辦法100％告訴原因，他適用後設的方式檢驗，科學方式就是這樣，但可以用不同方式檢驗。中間可能會有些差異，最後結果是問誰較有機率勝訴，這系統整體而言還是可靠的，我們可以用其他方式檢驗是否有問題，如果沒有實證方式。

楊岳平：

我們需要知道因果關係嗎，還是一個系統只要有correlation就好，上次討論的是，若不是做判決以一個預測目的來說是不用causation。

王道維：

必須要看使用目的，這並非定量計算，他會抓到句中哪些對判決重要的，如果這樣結果可以幫助這樣結果是合理的，那麼這問題並非想像中重要。

陳弘儒：

回歸其實沒有探討因果關係，沒辦法決定原因跟結果，當然社會科學做很多。所謂的原因或許不是在一群數據中且為未成年子女的主要關係者，應該是將所有判決都拿掉。

王道維：

我其實想做，若將此因素完全拿掉，才能完全體現其他事實

邱文聰：

我們在談因果關係時，必須要有前提時基礎事實。

王道維：

有些研究會把因果關係放入其中，將整套演算法放入。

蘇凱平：

我最大期待是correlation取代 causation，人類想法會想找出原因，但該原因是否存在，我覺得NLP如果可以擴大範圍，如果可以訓練機器的方式，將範圍拉大，有沒有可能我們知道這樣因素會導致這樣結果，不用知道特定因素，因為法官也是這樣做的，他們會有insight不會以 causation存在，NLP是針對此，我有相當期待。我在做律師時，與高等法院庭長學習時，他修改我的訴狀會將‘將’改成‘使’，他認為較會勝訴，美國與有許多文獻有討論此，如果你將‘將’單獨預測是不會有意義，透過NLP前後文可以得出標註結果，可能會有correlation。

楊岳平：

這個沒辦法做判決預測系統，並不會單輸入‘將‘。

蘇凱平：

司法院的量刑資訊系統很多法官不願意用，於高等法院105年度交上易字第117號刑事判決，該案中一審判六個月，檢察官說太輕，被告說太重，量刑資訊系統中相類似的案件判刑，一個是四個月、六個月，是判在該區間中，故並無激輕激重，該判決也選為最具參考價值裁判，至個案子因子很單純，沒有人死傷、沒有上訴審，不需要解釋原因，就是審理上訴理由，沒有激輕激重就是他的說理方式。

鄭瑞健：

假設某個系統很好，如果之後有法官與系統的意見大相逕提，那請問該如何處理。

林昀嫻：

我們並沒有認為係作為訴訟一環、為必經程序。

王道維：

如果我們持續發展，的確有可能會有這樣發展，當事人雙方如果都做該預測，這項有個好處是，為了預測結果，可能需要填寫，自身與對方的有利不利條件填寫，法官可以透過此做整合，可以從事實面得知可以採取何作為其理由，可以使法官心證更明確知道來自為何，在系統中可能會得到應該判給母親，法官應有責任在判決書中寫的更明確。

王道維：

你們有無考慮舉證責任配置為題，如有些欄位我沒填，但舉證責任在對方，法院應該判對方敗訴，這樣是否有問題，同樣這套自然語言學習是否有可能。如果沒有大量資料可供學習，這部分將會較困難。如果有教，會有機會。因為對AI而言並不完全了解我們想要什麼，但會根據資料，如果資料不多都是根據特殊例子，這樣很難以學習、判斷。

黃相博：

在這樣親權案件當中，有無律師代理會影響判決結果嗎。

林昀嫻：

我們當初標註並沒有特別標注有無訴訟代理人，如果之後有在延伸會在參考。

黃詩淳：

在贍養費是否給付我們有做律師，被告有無律師代理，對是否勝訴會有顯著性，如果沒請律師敗訴的可能性就會顯著提高。

李建良：

第一點，可能輸入而不用透過訴訟解決，那當事人可能為質疑為何要相信，背後可能會有些因素，因為是未來是沒被驗證過，某種程度也是一種顧問的功能，這讓我想到德國在當年投墮胎合法化的問題，一定consulting才能墮胎。

第二點，實證研究部分有一套系統，AI是一套系統，也是回歸預測，那是否有比較過哪個系統較準確，有沒有可能這兩個系統做交互比較。

第三點，王老師有提到AI對是事實認定較弱，學習與預測是文字，未來案件是沒有被認定的，事實認定與事實判定，判決書是被認定過的文字。