Computational Models of Legal Reasoning (CMLRs) / Computational Models of Legal Arguments (CMLAs)

◎ 林昕璇 (中央研究院法律學研究所博士後研究學者)

一、語源

AI與法的學術社群(AI & Law researchers)長期關注電腦程式得以如何被編程以進行法律論證，並且透過這個流程預測法律爭端的結果。

著作為AI & Law知識社群廣泛引用，現為University of Pittsburgh法學院教授的Kevin Ashley於1990年出版的《Modeling Legal Argument: Reasoning with Cases and Hypotheticals》，是此一領域在書名的標題首次提出試圖以電腦程式 “Modeling Legal Argument” (模擬法律推理)的論著。值得注意的是，在此之前已有另一位電腦科學家Anne von Gardner提出類同的概念，Gardner在1987年出版的《An Artificial Intelligence Approach to Legal Reasoning》，應用法律哲學家H. L.. A. Hart的理論探討computational modelling，提出「電腦是否及如何作出法律判斷以及法律推理的形式」的問題意識。她的論點指出法律文字或規則條文的開放性(open texture)和語義的不完整性(definition incomplete)是將法律推理(Legal Reasoning)編碼的困難點。同時，她也提出試圖以計算機模型建構法律推理的另一癥結在於程式必須學會能區分那些是電腦系統可以處理，而那些會引起專家社群的歧見。在同一書中，Anne von Gardner提出後世稱為「Gardner捷思法」(Gardner’s heuristic method)的編碼步驟。

二、意涵與使用脈絡

Computational Models of Legal Arguments(CMLRs)被學者Kevin Ashley描述為證據化人類法律論理的歸因流程的電腦程式(a computer program that implements a process evidencing attributes of human legal reasoning)，大致上來說，此系統實質上的功能，較像是解析某個特定情境，抑或解答某個法律問題、預測結果、以及生產法律推理。Computational Models of Legal Arguments(CMLAs)，在學者Kevin Ashley《人工智慧與法律分析─數位時代下法律實務的新工具》(Artificial Intelligence and Legal Analytics: New Tools for Law Practice in the Digital Age)一書中，被劃歸為CMLRs的下位概念，帶有子集合(subset)的意涵，是作為法律推理的計算機模型流程中的個別構成單位。1

在學者Kevin Ashely的定義下，他將CMLRs與CMLAs拆解分割為一組複合式的人類智能任務，譬如預測商品責任之和解金額、在法律系的契約理論的課堂上分析要約與承諾的問題等等，試圖將法律論理的流程拆解為一組電腦化(computational)步驟或演算法。建構這套模型旨在關注法律問題如何被輸入，以及法律從業者就法律解釋適用預測結果如何被輸出等問題。

系統性整理歷來CMLRs與CMLAs文獻並論述其意涵的學術論著源自學者K Ashley《Artificial intelligence and Legal Analytics》一書。然而，考察學術文獻，AI與法律學術曾經多次在不同的脈絡下使用Computational Model of Legal Reasoning及Computational Model of Legal Argument，學者Prakken & Sartor(2002)2、Rissland(1990)3都曾用以指涉藉助電腦程序進行法律推理的各種編碼指令與程式語言的推演步驟。

三、Computational Models of Legal Arguments應用實例

在Kevin Ashley教授的書中，將法律推理的計算機模型區分為以法規推理(rule-based approach)為本及以案件推理為本(case-based approach)兩種。並探討其各自對應的電腦模型的編碼步驟。

(一) Gardner

最為經典的是以Rule-based approach為基礎的「爭點標定」(issue spotting)，根據輸入的案例，電腦程式經過If, Then指令，得以區辨系爭法律問題是屬於簡單(easy)或者困難(hard)。4

Gardner提出的捷思法編碼步驟：5

A. For every predicate in rule (規則內容), apply 3 tests:

  1. CommonSenseKnowledge-Answer: Does commonsense knowledge rule provide an answer? (一般社會通念是否已可解答)
  2. Pos-Examples: Does Problem match positive examples of predicate? (該問題是否符合規則內容的正面案例？)
  3. Neg-Examples: Does problem match negative examples of predicate? (該問題是否符合規則內容的負面案例？)

B-1. If not CommonSenseKnowledge- Answer

  1. If not (Pos-Examples or Neg-Examples) → Question hard
  2. If (only one of Pos-Examples/Neg-Examples) → Question easy
  3. If (Pos-Examples and Neg-Examples) → Question hard

B-2. If CommenSenseKnowledge-Answer

  1. If not (Pos-Examples or Neg-Examples) → Question easy
  2. If (only one of Pos-Examples/ Neg-Examples)
  3. If (agree only-one with CommonSenseKnowledge-Answer) → Question easy else Question hard
  4. If (Pos-Examples and Neg-Examples) → Question hard

(二) HYPO System

這套CMLA則模擬律師如何利用過往判決案例。最早於University of Massachusetts由Kevin Ashley的研究團隊發明時，是運用於營業秘密法。該系統生產「三重」(3-Ply)往返詰問於原告與被告之間。HYPO的操作步驟如下：6

  1. 電腦模擬原告的立場，提出法律論點並Cite一個最具有解釋力的判決A。
  2. 電腦再模擬被告的立場，提出反面論點並Cite一個據以支持的判決B。
  3. 電腦再提出對被告論點的反論(rebuttal)，並援引據以支持的判決C。

(三) CATO System

爾後，Kevin Ashley的研究團隊將Hypo進一步延伸為面向法學院學生，以Case-based argument為骨幹的計算機模型。奠基於Hypo的架構之上，CATO以「影響因素的階層關係」(Factor Hierarchy)更進一步具象化個別法律爭點與問題意識相關涉的影響因子彼此之間的強弱關係。7可圖示如下：

圖表來源：Vincent Aleven (2003).

承上述，法律推理與論證的計算機模型經1980年代由Gardner及Ashley兩位電腦科學家發表後，逐步勾勒出兩條發展軸線─基於要件事實(Rule-based)的Gardner’s heuristic method，以及嗣後演化出來的以法律案件為本(Case-based)的計算機模型如HYPO和CATO。背後均蘊藏一個核心探問：法律推理的能力是否可以被電腦化？是否可以被演算法化？針對法律論證與推理的計算機模型的功能與邊界的探索，仍有待電腦科學家與法律學家更多的跨領域對話。

參考文獻

  • Anne von der Gardner, An artificial intelligence approach to legal reasoning, The MIT Press (1987).
  • Kevin D. Ashley, Modeling Legal Argument: Reasoning with Cases and Hypotheticals, The MIT Press (1990).
  • Kevin D. Ashley, Reasoning with cases and hypotheticals in HYPO, 34.6 International journal of man-machine studies 753-796 (1991).
  • Kevin D. Ashley, Artificial Intelligence and Legal Analytics: New Tools for Law Practice in the Digital Age, Cambridge University Press (2017).
  • Edwina L. Rissland, Artificial intelligence and law: Stepping stones to a model of legal reasoning, 99.8 The Yale Law Journal 1957-1981 (1990).
  • Vincent Aleven, Using background knowledge in case-based legal reasoning: a computational model and an intelligent learning environment, 150 (1-2) Artificial Intelligence 183-237 (2003).
  • Henry Prakken & Giovanni Sartor, The role of logic in computational models of legal argument: a critical survey, Computational logic: Logic programming and beyond. Springer, Berlin, Heidelberg, 342-381 (2002).
« Back to Glossary Index