法律人工智能概率推理的困境與破解*

杜文靜

公正司法有賴于準(zhǔn)確的事實認定，事實認定的基礎(chǔ)在于事實構(gòu)建。證據(jù)推理是推理者以所持有的可采證據(jù)和關(guān)于世界認知的常識知識作為前提，推導(dǎo)出事實主張的推理。法律人工智能文獻表明，證據(jù)推理有三種建模方法：一是邏輯論證方法，二是修辭故事方法，三是數(shù)學(xué)概率方法。第一種本質(zhì)上是邏輯取向，追求從證據(jù)到待證事實之間的推論鏈接；第二種本質(zhì)上是修辭取向，追求構(gòu)建有關(guān)“發(fā)生了何事”的故事說服目標(biāo)聽眾；第三種本質(zhì)上是數(shù)學(xué)取向，追求證據(jù)與假設(shè)的解釋性事實之間的概率關(guān)系。證據(jù)推理的大多數(shù)研究都集中于運用論證和故事進行推理，尤其是法律人工智能熱衷于含義理清系統(tǒng)的形式建模。但隨著軟件支持工具的發(fā)展，證據(jù)推理需要一種處理證據(jù)的定量方法，以有效彌補論證方法和故事方法的不足。研究表明，概率方法可計算推理的不確定性程度，是人工智能建模技術(shù)的可靠根基。

正是基于概率理論的良好理性基礎(chǔ)，維赫雅的案例模型既可以定性闡明也可以定量分析證據(jù)推理。通過系統(tǒng)的全序結(jié)構(gòu)能夠定性比較論證的強度，借助條件概率數(shù)值能夠定量比較推理的強度，這樣概率論就架起了定性與定量的橋梁。然而，由于貝葉斯概率理論總體上的復(fù)雜性，對未接受正式訓(xùn)練的法律工作者來講不夠自然，他們經(jīng)常誤用、誤解概率推理，這使得人們對概率推理的可接受性保持一種謹慎態(tài)度，也開啟了關(guān)于司法證明性質(zhì)的爭論。在這一爭論過程中，一些學(xué)者提出概率方法在司法證明中存在兩大困境，直接挑戰(zhàn)了概率方法的根基。這兩大困境決定了法律人工智能建模的技術(shù)難度，但不能由于誤用或者不理解概率推理或概率演算而否定其科學(xué)性和應(yīng)用價值。相反地，我們應(yīng)當(dāng)將概率方法作為面向法律人工智能數(shù)學(xué)計算模型的堅定基礎(chǔ)。實際上，概率方法作為一種分析工具，在事實發(fā)現(xiàn)者分析案件、認定事實等方面具有重要證成作用。概率方法具有一致性和規(guī)范性，可以避免不公正的司法裁決，是允許在不確定情況下進行證據(jù)推理的可靠數(shù)學(xué)理論。本文將對概率推理帶來的兩大困境逐一回應(yīng)，從技術(shù)上提出破解之道，從更深的理論層面維系概率推理應(yīng)用于司法證明的理性。

一、概率數(shù)值從何而來

（三）參考類問題的破解。貝葉斯概率維系了主觀判斷和理性分析的平衡，但卻面臨參考類選擇的困境。參考類問題是指在計算單個事件的概率時決定使用什么數(shù)據(jù)類作為參考依據(jù)的問題。在評估單個事件發(fā)生的概率時，通常先根據(jù)某個屬性特征，將這個事件歸屬于某個參考類，然后計算出該事件在該參考類中發(fā)生的頻率。這個頻率就被認為是該事件發(fā)生的概率。然而，每個事件通常都有多個屬性特征，可以歸屬于多個參考類，甚至無窮多個參考類。在不同的參考類中，事件發(fā)生的頻率很可能不同，因而該事件發(fā)生的概率也不同，這種概率的不確定性和模糊性就導(dǎo)致了所謂的參考類問題，即如何選擇恰當(dāng)?shù)膮⒖碱悂碓u價事件的概率。計算事件的概率數(shù)值，是概率方法的特定優(yōu)勢，也是概率推理的基礎(chǔ)。參考類的選擇將會直接影響概率數(shù)值計算的準(zhǔn)確度和概率推理的合理性。如果恰當(dāng)?shù)膮⒖碱惒荒艽_定，則無法得到相關(guān)的頻率，這將影響似然率和后驗概率的準(zhǔn)確計算，從而不能保證證據(jù)評價和信念度更新的可靠性與穩(wěn)定性。

二、如何聚合證據(jù)

（一）合取難題的成因。如果民事證明標(biāo)準(zhǔn)的“優(yōu)勢證據(jù)原則”或“概率平衡原則”，可以解釋為主張事實的概率要求大于0.5，那么這一要求是應(yīng)該單獨適用于每個分支要件，還是適用于它們的合取即整個案件呢?我們認為這個問題有三種選擇方案：一是概率平衡原則僅適用于分支要件，即只要求每個要件的概率大于0.5，無須考慮它們合取的概率；二是概率平衡原則僅適用于整個案件，即只要求所有要件合取的概率大于0.5，無須考察每個要件的概率；三是要求審查每個要件的概率值，同時也要求所有要件合取的概率大于0.5。概率方法采納第三種方案，先審查每個要件的概率，但對其值是否大于0.5不做要求，然后通過相關(guān)概率公式進行演算，計算出合取的概率，并要求其值大于0.5。然而在上述醫(yī)療保險賠償案件中，科恩做了如下的分析。假設(shè)C為分支要件A和B的合取，即C=A&B，根據(jù)所提供的證據(jù)，事實發(fā)現(xiàn)者認為A和B的不確定性是獨立的，且每一個都可用0.7的概率來度量。那么根據(jù)概率乘法公式，P(C)= P(A)×P(B)=0.7×0.7=0.49。這樣盡管每個要件都滿足了概率平衡原則的證明標(biāo)準(zhǔn)，但整個案件卻不滿足這個標(biāo)準(zhǔn)?？贫髡J為，這是自相矛盾的悖論，并將其稱為合取難題。由于合取難題的存在，科恩認為，概率推理適用于司法證明是有問題的。

（二）合取難題解決方案的選擇。為了規(guī)避合取難題，科恩指出：民事訴訟的規(guī)則要求原告在權(quán)衡各種可能性的基礎(chǔ)上證明其案件的每一個要件。也就是說，科恩認為概率平衡原則應(yīng)采用第一種方案。依據(jù)科恩的主張，在上述醫(yī)療保險賠償案件中，投保人將勝訴，盡管整個案件的總概率（合取的概率）低于0.5。在反對概率方法應(yīng)用于司法證明的同時，艾倫提出了一套替代方案即相對似真理論來解釋司法證明的過程。在相對似真理論中，概率平衡原則采用的是第二種方案，即事實發(fā)現(xiàn)者從整體上推斷所有證據(jù)的最佳解釋。根據(jù)適用的證明標(biāo)準(zhǔn)，各競爭解釋之間的比較也是從整體層面進行的，從而確定案件的最佳解釋。一旦確定了最佳解釋，則將該解釋與實體法要求的各形式要件進行比較，以查看它們是否都被包含在解釋中，如果包含則該解釋將被接受，其對應(yīng)的主張將獲勝，否則該解釋將被拒絕，其對應(yīng)的主張將敗訴。這樣相對似真理論也避免了合取難題的出現(xiàn)。

（三）基于貝葉斯公式消除合取難題。在概率語境下，為了確保概率推理結(jié)論的可靠性，推理者必須基于證據(jù)進行推理。在這種意義上，合取難題可以描述為：在同時考慮兩個證據(jù)a、b的情況下，命題C的概率會小于在考慮單獨某個證據(jù)的情況下C的概率。若要消除合取難題，推理者首先要厘清評價的主體是證據(jù)，而不是命題，評價證據(jù)對命題的支持度也叫證據(jù)的證明力。對于證據(jù)E和命題H，推理者還要區(qū)分命題H的先驗概率P(H)、后驗概率P(H|E)以及證據(jù)的似然度P(E|H)和似然率。似然度用來衡量證據(jù)的可靠性，似然率則用來衡量證據(jù)的證明力，它是量化證據(jù)與待證命題之間推論關(guān)系的形式化框架。先驗概率、后驗概率和證據(jù)證明力的評價三者不能混淆，這點尤為重要。

在上述醫(yī)療保險賠償案件中，科恩對概率數(shù)值的模糊表述，導(dǎo)致人們對概率推理產(chǎn)生某些誤解。例如，0.7是先驗概率、后驗概率還是似然度？基于直覺，科恩粗糙地運用概率乘法公式，從而產(chǎn)生了所謂的合取難題?？贫鞯淖C明過程存在如下四個問題。第一，推理過程沒有明確展示證據(jù)，沒有證據(jù)就無法進行證據(jù)推理，無法保證推理結(jié)論的合理性。第二，按照科恩的描述，0.7應(yīng)該是后驗概率，但由于沒有展示證據(jù)，0.7卻被視為先驗概率，先驗概率與后驗概率混為了一談。第三，科恩沒有說明0.7的后驗概率是如何計算出來的，也沒有說明相關(guān)的先驗概率和似然度，犯了直接給后驗概率賦值的錯誤。第四，證據(jù)的證明力要用似然率評價，而不是后驗概率。我們評價的主體是證據(jù)的證明力，而非后驗概率。因此，科恩不應(yīng)將合取C的后驗概率與其分支A、B的后驗概率進行比較，而應(yīng)將它與C的先驗概率進行對比，進而評價證據(jù)的證明力。

三、結(jié)論