當AI科技應用於司法審判—以量刑預測、民刑事見解資料庫及家事親權案件調解為例

公共性與AI論壇(三十三)

時間:2024年7月31日(三)10:00~12:00
地點:中研院人文館北棟9樓第一會議室

主講人:王道維 (國立清華大學物理系教授暨國立清華大學人文社會AI應用與發展研究中心副主任)
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)

◎ 整理:曹方昕

本演講主要分為三個部分:(一)AI簡介與應用於司法常見的爭議(二)以量刑資訊系統與量刑預測為例(三)民刑事見解資料庫與親權調解的應用。主要希望讓法律人了解實際上的AI如何運作,國內實際上已經落地可以使用大家可以接觸到的系統並不多,大多討論淪於想像或國外的案例,比大量探討純粹的抽象理論,實際嘗試與修正系統的過程,對於AI在司法上的應用更有幫助。

Photo by Google DeepMind on Unsplash

一、AI簡介與應用於司法常見的爭議

這部分介紹四個系統,首先是司法院系統,但此系統不對外公開,目前只有法官檢察官跟律師使用, 另一個是經常涉及人權爭議的量刑預測系統,再者為判決觀點檢索平台,最後是親權的輔助預測系統。

機器學習本身是在模擬函數關係

人工智慧最大的不同在於它可以進行機器學習,同一個輸入一定只有一個結果,即使不同的輸入,若沒有自相矛盾即不是錯誤的,矛盾則是同樣一個條件輸入跑出兩個不同結果;以親權判決書為例,「input」是案件的事實或法條,結果最粗略可分為三類:孩子判給「爸爸」、「媽媽」或是「雙方」;換言之,函數關係代表:假設存在完全類似的判決,那麼法官應該要判一樣的結果,完全一樣的判決,然而不同的法官(或者是同一個法官)先後判的結果不一樣人們則會覺得司法不公。

AI預測可能犯錯,應看如何使用

首先,AI所做的時候就是把原來法官很複雜的思考的過程,用大量的參數演算法模擬,目前的AI技術無法進行自我檢討;所有AI資料只要是越像的他就會分類成同一種;在親權判決案件中,若畫一個假想的圖二分類,判給父親就是紅色的,判給母親就是綠色的案件,這樣的話就可以畫出中間那個線—這個線不是簡單的直線,所以以後假設有新的案件的時候,AI只能判斷說這個案件在空間當中是在這個線的左邊還是右邊,決定大概是判給誰。

生成式AI是是把一連串的輸入和輸出連結在一起,生成式式隨時間的順序做出來的,可以從第一個字預測下一個字,如同寫文章,從前面寫一句話就猜能下面那句話大致上要怎麼寫,對生成式AI而言,翻譯這件事情跟寫文章是同一件事情,都是透過input和output之間的不同訓練資料來學習;當然也有可能是一個對話,如:ChatGPT;至於「AI是否已經超越人類」這個領域是否有一個可以確認的標準,比方下圍棋,輸或贏有著標準答案,但是如果AI的訓練資料是來自於人類社會,就不可能比人類還準確還要公平還要正義,司法判決就是這樣的情況;網路上很多的網友支持AI司法發展原因是因為對台灣的司法失望,寧願要一個沒有人情的AI法官,而不要一個無法看透想法的人類法官,但所有的AI都是根據人類的標準在學習,所以頂多跟人類一樣,不會比法官更公平。

所以AI不會能夠提出超越現代法官的見解,甚至是進行社會改革,例如同性婚姻,如果僅根據過去法官的見解,並不會通過,AI能達成的是讓速度變快一點,讓法官可以輕鬆一點、公平一點,並不會讓現在比較黑暗的司法制度,人為或者是政治性的那些問題因此而被解決;換言之,人們不用擔心這個AI會帶來上述層級的錯誤,因為我們並不會在如大法官需要決定事項的層級使用他,而只是把AI運用在一個適當的地方就好,善於應用的話,可以增加效能節省時間,而台灣的司法正極需節省時間。

AI與司法之間獨特又矛盾的關係

講者認為AI跟司法之間有一個相當矛盾跟獨特的關係,第一個他有機會性,因為司法是大量的文字內容,對AI的運用這是非常好的資料,第二個是有挑戰性,因為這個資料又非常複雜,如果AI的技術夠進步,其實把這幾千頁變成那本summary就對法官很有幫助,然而這非常困難,因為裡面有很多的照片、文字、臉書的對話紀錄等,資料非常的複雜,AI掃描進去而已;大家對於AI可能造成偏見倫理相關的爭議應該都很熟系,但是反過來說司法相對於AI又很特別,因為司法有規範性,可以規範AI的使用,如台灣現在要跟進歐盟的AI基本法,這就是司法對AI的箝制機會,是別的領域所沒有的。

二、以量刑資訊系統與量刑預測為例

範例一:AI輔助的司法院資訊系統更新計畫—司法院量刑系統(評價型)

此類系統有三個:孟琦老師的槍砲案、吳映潔老師的妨害性自主,以及謝國欣老師的毒品案;本系統的目標是讓法官可以方便的使用,所謂的量刑資訊,就是把相關的過去案件,在哪些量刑因子之下得到的量刑結果是什麼,做為法官的參考。

範例二:刑事案件的AI量刑預測

「人生有多難,量刑就有多難」,司法院前幾年開始做妥適量刑法草案,建立一個量刑委員會,並有一個法治的方式來限定法官對於某些刑判的這個量刑範圍,讓法官在做心證判決的時候有一個參考。

AI運用在量刑顯然可能會有錯誤,很多模型參數也無法提供理由,美國在應用的時候就有出現一些問題,但是這個不見得是量刑就是再犯的機率,像再犯機率判斷,就有可能有種族上的差異,這種偏見的確可能在訓練資料上就存在了,因為訓練裡面可能大部分是黑人犯罪比較多,雖然沒有輸入種族,但是根據居住地、名字、帳戶的錢、工作等,大概都可以猜到是哪個種族的,所以沒有辦法避免這種偏見,這是一定會存在的。

如果不要把AI期待於高於法官,只要比法官的犯錯稍微少一點、或者至少差不多就好了,就不致於完全不可以使用。舉例而言,判決結果可能是法官詢問隔壁學長學姊的意見而得出,甚至問兩三個人就決定了,只不過是他人無法知曉過程;資訊系統則可以攤開來看,過去歷屆判決是怎麼樣給法官參考,也會有法律人有意見,過濾掉不好的判決,AI給我們某種預測結果,但是不要立刻把AI當成一個絕對不可侵犯的,而僅是一種參考,這種參考的過程要是公開的,可以讓檢察官、律師、法官都知道這個系統是怎麼產生的,在這個公開的平台上被所有人檢視,比完全是封閉的來得好;假設情況,如果AI預測假設三年到五年,法官要判決他十年就必須有極充分的理由,隱形的就會有一個約束,相對來說,平常是判三到五年,律師要求只要輕判到一年也會需要充分的理由被檢視,審理的時間就會快一點。

通常當事人是從犯罪事實來看,最後的量刑是怎麼樣,但是法官看的不是只是犯罪事實,而是犯罪事實與相關法條;所以當然事實建構與判決結果有關,這些AI沒有辦法從最原始的地方就直接預測,要真的完全AI化是不可能,大前提就是所相關適用的法條和法學論述,那小前提就是的法官的心證到底符不符合這個,或者這個構成要件是否滿足。

剛好台灣是大陸法系的國家,大陸法系的國家條文清晰,法官只要確定事實是否符合這個條文,真正的量刑是在前述的前提下進行;問題是同樣的前提卻不一定得到同樣的量刑。上訴的問題常在於高等法院認為這個構成要件不符合必須重新開始,這代表是前提有問題,並不是量刑的問題,而是構成要件這些前提的問題,那如果這些前提沒有問題,預期同樣的前提得到同樣的量刑應該是合理的,這樣的情況之下做量刑預測會比較安全。

系統實際操作演練

在刑事案件的AI量刑預測系統需要大量的判決書,這個系統直接可以從司法院判決書上面下載,方法為在司法院裁判書輸入的條件,例如裁判全文在有離婚和審酌和子女最佳利益的民事判決共計三百七十二篇,首先先進入國立清華大學人文社會AI應用與發展研究中心的頁面點選下載Judgements Crawler 檔案,並解開壓縮檔,點選Judgements Crawler,接著打開司法院裁判書系統,輸入搜尋條件,將網址貼到擷取工具的step 1裁判書網址欄位,同時輸入制定清單檔名及總計要下載的頁碼數,按下執行即可取得裁判書網址清單,在資料夾內預設的result裁判書網址清單資料夾所顯示的,就能看到裁判案號年度為一百一十一年共計八十九篇裁判書的網址列表;若想要進一步下載裁判書完整的txt文本,請使用step 2獲取裁判書文本檔案,在選取清單檔案後按下執行,將自動下載清單內各裁判書的txt文本,下載後的檔案會自動存於使用者電腦的result裁判書文本資料夾,Judgements Crawler這個專為台灣法律研究人員提供一個自動化且易於使用的操作軟體,獲得特定搜尋條件且以特定時間點所擷取的判決書文本1。

以上的步驟就建立了一個AI模型,並用另外一個AI系統,標註先前的AI模型:同樣先找到法條名稱,例如毒品危害防制條例第十七條第二項,法條前文和後文前文就是灰色的部分,後文就是藍色的部分當成input,要判斷這個法條是否適用,人類是根據前後文判斷,所以前文抓兩百字後文抓兩百字然後把這個文字丟掉AI裡面,這個AI是可以看懂文字的,僅問他說那這樣根據前文後文你覺得這個法條有沒有適用,AI不會自己判斷,他會根據我們給人工已經標好的資料,用這個來去訓練它;訓練好就知道說原來法官這個語氣代表適用或不適用。

有些法條的預測準確率特別低,例如說刑法六十二條的自首減刑,因為自首減刑的時候,法官常常需要去argue這個辯護人,這個過程是別的法條比較少有的,相較來說別的法條就比較容易判斷;另外,自首是有一些條件的,法官在描述方式和其他的法條就不一樣,造成AI對這個法條的判斷力比較低,必須把這一條法條的前後文單獨拿去來練習預測,在做實際的技術在運用的時候,AI是否細膩的注意到這些部分,就會決定這個AI是否好用、值得信賴,做這個統計能知道,常見的加重或減輕法條是什麼,常見與不常見不必然反應重要性高低,但比較不常見的,可能就不需要成為必要的input的因素,這個法實證研究就是要強調實然面。

第二個模型是預測法條中各因素對被害的利害與否,每一個判斷都是AI模型,等於是把好幾個小AI合在一起的,可以跟人工標註的結果來做一個準確性的比對——AI準確性到百分之九十幾。而列出來的這一千多篇中,最多出現的是犯後態度,很多被告中性或者有利,動機與目的雖亦常出現,但是大部分都是對被告中性——有時候法官只是要證明他有想過這件事情,真正有用只有三個法條:刑法第47條、第59條以及第62條前段。

以槍砲彈藥第八條第四項為例,輸入特徵一行同時有加重減輕法條及量刑審酌事項,右邊代表預測結果的誤差平均結果誤差是大概五點五個月,亦即這個案件宣告刑是三年,然後在這三年情況之下,把所有的資料進去的話他的誤差大概小於六個月;再做一個對比假設只輸入加重減輕法條的資訊,其實誤差也只有五點七個月,真正決定量刑刑期的是來自於這個法定加重減輕,量刑審酌事項也有影響,把這兩個都加入的話就會出現權重,代表在這誤差範圍內,可以得到的幾個主要的權重是從實然面來看,刑法第四十七條在我們的法院裡面累犯都是不重要的,累犯加重沒有超過六個月,減輕的理由裡面自首就是很重要的因素;第二個就是你是情堪憫恕,另一個例子是空氣槍為輕型槍械這也是重要因素。只要找到任何一條理由是可以減輕的,不管是法定加重還是這種量刑審酌事項,情堪憫恕你只要法官覺得你可憐,你有沒有累犯都不重要。

此外,「同案同判」這句話的意思本身就是不清楚,通常大家想像的是同樣的「犯罪事實」相同,但這裡的同案是有類似的量刑因子——亦即權重接近——法官也就必須在量刑的結果上接近;現在假設有十個因子,不只是根據數目而是根據他的權重,權重做一個加權,產生一個向量,每個向量呢每一個方向的面向(dimension)就代表了某一個因子,然後在這個因子上面我們用權重來強調說這個因子的重要性,假設今天列出的是三個主要的因素在這裡,那麼在這三個主要的的面向裡面,比較接近的向量就會比較好,是重要因素決定於什麼叫做類似判決,例如說輸入一些因素時,系統就會根據它的重要性刑法。

系統也可以找出異常判決,要找的就是統計上的Outlier,方法為隨機切割訓練資料和測試資料,還有一些地域的考量,所以應該要做是把判決打散,盡量的差異化,這樣就會有很多種不同的AI,不同的AI預測結果都會不一樣,可能針對某個案件預測三年或五年,這些判決常常是被預測錯誤的,這個定義叫做Outlier,意思是說這些判決可能有問題,很難被其他的判決來學習跟預測,但不見得是判決錯誤,只是代表可能是特殊的案件,原因有可能是法官標新立異、恐龍法官或特別的法學見解。

三、民刑事見解資料庫與親權調解的應用

見解就是裁判觀點,差別就在於說這個見解的困難是很難收集,過去想要了解某個法律見解只能從司法院裁判書網站輸入關鍵字,但是在這些裁判書裡面,不單單是只有法官的見解,也包含上訴人意旨等等的資訊,成千上萬筆的判決一一打開確認實在是太過於困難,因此運用了生成式AI技術,研發了法律見解資料庫,可以很快速的找到所想要找尋的法律見解。

親權判決預測

此系統目的是要讓民眾在進入法院之前就能夠知道調解的可能結果或者是法院的判斷結果,因為調解委員不是法律背景的,當事人如果請了律師一起來參加調解,很多調解委員不會知道調解後的結果,律師可以聲稱這個法官我認識,促成訴訟來賺錢,有利益衝突的問題,如果能夠有AI的協助,就有機會展現一些常見的原則、或做一個簡單的預測,至少這樣的話委員的基礎是在於過去法官判決的結果,增加可信度,對這個律師會有另外一種制衡的力量。

系統也可以做三分類,包括雙方共認親權,沒有考慮文字的話AI就是預測不準,等於說有這種文字輸入在裡面的話,我們的預設結果可以到百分之八十七,就是代表說對於雙方共認親權也可以有相當準確度的判決;其實很多的按照條件來講,是比較可能是判給媽媽的,但是有一些額外的因素考量讓法官決定判給父親,那些額外的因素不是我們現在標記出來的因素,而是在文字裡面有描述;這裡面也利用到相對方和申請方做交換,因為很多的申請方大部分是母親,然後再我們訓練的時候刻意把他交換,故意讓AI被混淆,用這樣的方式來去減少這個性別的偏見。

調解員可以先把我們的資訊告訴這些當事人說先在家裡使用此系統,當事人雙方可能都會寫對自己有利的因素,這樣預測結果都是對填寫當事人自己有利,可是事實上就有一個調解員說這樣才好,因為這樣的話他們拿來的時候,調解員就可以根據他們的理由來聚焦,所以調解相對起來後面預測準不準反而不見得是最重要,所以AI這個應用就不在於說他是不是有非常準確的預測,其實就不見得很重要,也不會影響到法官的心證,而是讓調解員有一個理由——大家都想要知道法院判決結果,因為這個動機,而去使用它,把使用的理由當成作為調解進一步討論的參考。

有一位社工使用後覺得蠻好的,在這個過程當中可以協助當事人來填這個資料當事人就會了解到也許我不見得要這麼堅持爭這個孩子的親權,或者剛好相反;社工在旁邊協助他來使用就會有幫助,那所以像這樣就看起來,至少對第一線的使用者目前看起來還算是有幫助的最後就是說希望用這個資料法學和AI做一個跨領域的,這個就是最後的結束,希望大家覺得說這應該是一個未來,對法學研究者來講應該也是一個新的領域這樣子,然後很值得去投入。

Photo by D koi on Unsplash

問題與討論(敬稱省略)

李建良:第二部分的介紹中,可能要加一個僅限於槍砲案,也可以看出來累犯這個因素在槍砲彈藥,這個法律是有問題的,所以你們選的這個當研究素材的時候,必須知道這個法律背後整個的發展,法官怎麼去看這個,如果在法界應該都會知道,法官在用這個法律的時候,他心理上就已經先會設定。

王道維:類似的情況在毒品也有。

李建良:然後在這個部分可能反應出的不只是量刑的問題而是這個法律本身的問題。

連孟琦:槍砲毒品其實都是因為法定刑本來就太重,所以法官就常常會用各種的方式去把它降下來,再加上法官對於加重跟減輕的這種操作方式完全不合比例,完全忽視立法者要加重的意思,因為三年一個月本來就在三年以上,沒有意義的,而反過來減刑的時候,我們其實條文也是叫可以減刑至二分之一啊,如果你要同樣的邏輯那是不是有減一個月也是算減,但是我們實務上法官不是這樣操作的,他是直接砍一半。

李建良:你們有研究詐欺嗎?

王道維:詐欺正在研究。

提問者:剛才在親權分配案件的圖中,若案件正好位於父親與母親兩者之間的線上,系統是否能夠對法官提供一個提示?

王道維:我們的系統的確設計了這樣的功能。該系統旨在提供類似的提醒,通過機率分佈的方式來顯示結果。這樣法官可以了解到案件的結果是如何分佈的,而不是僅僅依賴一個明確的界線。對於某些案件,系統會顯示其結果在一定範圍內有搖擺的可能性。

提問者:老師您好,我是一位已退休的檢察官,並且曾編輯判決年鑑。我觀察到,案件的量刑涉及眾多因素,且每個案件的情況都獨一無二。量刑不僅是理性還是感性的結合,涉及到許多元素。您如何收集和處理這些多樣的因素?不同法官之間的量刑差異是否會對預測結果造成影響?

王道維:關於量刑的多樣性,系統確實會考慮到這些因素。在系統設計上,會儘量涵蓋所有可能的變數,並基於大量的歷史數據進行預測。我們也理解不同法官之間的量刑風格可能有所不同,因此我們的系統會考慮到這些差異。然而,這並不意味著我們的系統能夠完全捕捉所有的變數,但我們會根據數據和模型的能力進行合理的調整。這些細節會在後續的演示中進一步說明。

提問者:請問量刑預測系統使用的是哪種AI技術?

王道維:我們的系統並未使用生成式AI,而是基於傳統的AI技術。我們的AI模型主要依賴分類和回歸算法來進行預測。生成式AI,例如ChatGPT或Midjourney,是相對較新的技術,其訓練資料量和資源需求都很高。我們會使用這些技術來協助法官了解案件,而不是直接用於生成判決結果。

提問者:在AI的研究和生成過程中,是否可以查看到模型的權重和其他參數?

王道維:較舊的AI算法通常較容易解釋其權重和參數,但對於現代複雜的AI系統,權重的意義往往不再那麼明顯。現代AI模型,尤其是深度學習模型,通常擁有數百萬到數十億個參數,這些參數之間的關係往往是非線性的。因此,單獨查看權重並不能完全描述模型的行為。我們可以對哪些因素在預測中較為重要進行一定程度的解釋,但權重本身不足以描述模型的整體情況。

提問者:在親權案件的預測中,如果涉及到父母以外的監護人,AI模型會如何處理?二元性(是/否)表示是否比較適合?

王道維:AI模型可以根據不同的需求進行調整。二元性表示的確能夠在某些情況下提供簡潔的結果,但對於複雜的案件,如親權案件,模型可能需要考慮更多的變量和細節。我們的系統會根據具體情境來選擇最合適的算法和表示方式,以確保結果的準確性和實用性。AI技術的靈活性意味著我們可以根據實際需求選擇最合適的模型來處理不同的案件。

李建良:我想問一個法律人之外的問題 – 數位化是否意味著所有事物都可以簡化為零和一?

王道維:對於電腦底層來說,數位化確實涉及到零和一的表達。這使得數據可以被儲存和處理。然而,僅僅將一切簡化為零和一並不能完全描述數位化的全貌。數位化使得數據能夠被有效地儲存、轉換和處理,但數位化的真正價值在於它能夠支持後續的數據分析和應用。數位化不僅是將資訊轉換為二進位制格式,更涉及到如何利用這些數據進行進一步的處理和應用。

李建良:電腦如何看到人類?是否會改變我們對人的認識?這是否是一個哲學問題?

王道維:這確實是一個哲學問題,但也是技術和認知科學的問題。雖然電腦以零和一的方式處理資訊,但現代AI技術正朝著更接近人類認知的方向發展。AI在理解和模擬人類行為方面變得越來越先進。儘管如此,AI的能力仍然有限,它無法完全模擬人類的複雜情感和認知過程。這是科技發展中需要不斷探索和研究的領域。

李建良:量刑預測系統是否可以應用於其他案件類型?

王道維:是的,只要設置適當的關鍵字,就能抓取與其他案件相關的資料。

李建良:我希望了解更多關於法律見解的部分。如果我們要查找法院的見解,是否能夠使用關鍵字來精確檢索?

王道維:我們將在接下來的系統介紹中討論見解資料庫的功能,這可以幫助精確檢索法院的見解。

提問者:針對剛剛提到的圖片,建議進行修正。法官座位後面的書籍參考了英美法系的設置,這在呈現上可能不夠真實。這個下載工具可以抓取所有司法院的裁判,不僅限於民事案件。可以根據需要設置關鍵字進行檢索。

李建良:我關心的是如何精確抓取法院的見解,尤其是法官的見解。律師的見解往往不如法官的見解具有權威。如果使用關鍵字來搜尋,可能會出現不必要的資料。我希望系統能夠提供更精確的法院見解資料。

提問者:除了提醒檢辯雙方在法庭上應該展示不同的系統並告知國民法官每個系統的限制外,是否還有其他的建議或提醒?目前系統所生成的結果可能會使國民法官感到困惑,但若能提供一個定錨,或許能幫助他們更好地理解和應用這些結果。這是我的第一個問題;第二個問題是在過去十年間,台灣的刑事量刑領域經歷了顯著的變革。最高法院已經對量刑因子進行了分類,採用了類似德日系統的幅度理論。這一理論首先對刑法第57條的動機、目的等因子進行盤點,以確定責任範疇,然後再根據品性、生活狀況等因素進行第二階段的評價。這些評價通常不會影響到加重處罰的問題,以避免違反憲法責任原則。我想了解,您提到的系統是否已經考慮到這些變化,並且是否有進一步的應用或調整?

王道維:目前我們的系統尚未涵蓋這些內容。

提問者:我注意到系統中有一個選項可以勾選品行不利的因子。以往,這可能會導致加重處罰,而現在法院的做法已經意識到,即使品行不利,這些因子也最多僅僅是不予減輕。這一變化表明,系統可能會逐步被應用於國民法官的案件中。

王道維:我同意應然面的研究與實然面的實踐之間常常存在落差。例如,關於量刑標準的設計,我們需要考慮實際的量刑結果,以確保我們的理論和實務能夠一致;在討論量刑標準的時候,實然面的數據非常重要。如果我們僅僅依賴應然面,可能會忽略實際操作中的問題。例如,法官如何應用量刑標準,是否存在與預期的偏差,這些都是我們需要深入了解的。因此,在設計和使用量刑資訊系統時,我們應該考慮如何有效地融合這兩方面的資訊。

連孟琦:首先,關於量刑趨勢系統的建設基於焦點團體的討論,這種方法可能會引起違憲的問題,因為它可能無法與具體個案緊密對接。此外,目前的系統主要依賴地方法院的判決,而忽略了上訴後的確定判決,這會影響數據的準確性。關於量刑標準的實證研究,德國的經驗顯示,大數據和長期的研究是有效的。然而,在台灣,由於資源的限制,這類研究相對較少,常常依賴學者的個人智慧。我們需要改進現有的系統,並充分考慮過去量刑的實際情況,以便更好地指導實務操作。

提問者:請問老師們是否認為AI可以應用於應然面的系統?目前量刑趨勢系統似乎沒有持續更新。

王道維:AI的應用主要依賴於大量的數據。如果我們僅根據理論而不是實際數據來訓練AI,那麼AI的效果可能會大打折扣。因此,AI在應然面的系統中可能不會像在實然面那樣有效。AI的核心在於學習和分析實際數據,而非僅僅依賴理論模型。

提問者:在美國量刑指南常用於認罪協商,這在台灣是否可行?

王道維:在美國量刑指南的確在認罪協商中發揮了重要作用,這是一種有效的量刑策略。然而,在台灣,由於法律體系和實踐習慣的不同,這種方法的應用可能面臨挑戰。台灣的刑事案件中,量刑協商的效果與美國相比可能存在差異,因此這種方法是否適用仍需進一步探討。

連孟琦:台灣的量刑協商與美國不同,主要因為台灣的檢察官和法官在量刑上的策略不同。此外,台灣的司法體系中,檢察官和法官的協商與裁量權分配也與美國有所不同。因此,量刑指南在台灣的應用需要考慮這些特點。

李建良:感謝道維老師和連老師的詳細解答。我們的時間已經差不多了,再次感謝今天的精彩演講。我們期待未來有更多機會與道維老師討論相關問題。