The invention discloses a criminal case verdict measure method and system to realize this method, the method includes: establishing the decision model (construction of label system, judgment analysis, structured machine learning decision model); through machine learning algorithm to build the prediction model, using case data, through the model predicted results should be sentenced the calculation results; deviation; the model or the results of optimization. The system includes the establishment of the module of the decision model, the prediction module and the calculation module of the deviation degree. The measurement method and system of criminal cases decision results provided by the invention can scientifically and accurately quantify the quality of judges' decisions, provide intelligent assistance for judges, and provide technical support for forming unified referencing scale.
【技术实现步骤摘要】
刑事案件判决结果度量方法及系统
本专利技术属于信息数据处理
,涉及刑事案件判断结果度量方法及能够实现该方法的系统。
技术介绍
由于不同地区的经济社会发展和治安形势的差异变化,各地区法院每年都需要因地制宜地对各种犯罪量刑标准进行调整,以符合地方治安发展要求。例如同一个案件被判罚金5000元,在一线城市与在三四线城市,对当事人的影响是有显著差异的。因此对于不同地区,判决也不应完全相同,这对于法官判案的量刑也带来了一定的难度。在实际的案件中,经常会出现一个案件具有多个量刑情节的情况。多个量刑情节便有多种可能的组合,而法律只能对单个情节应当从轻或减轻出发、从重或加重处罚以及轻重幅度和范围作出规定,却不可能对每一种情节组合的量刑进行规定,因为这些情节的组合数量可能会非常多,无法一一列举。因此法官办案时,对具体的量刑便具有非常大的选择空间,判决结果存在非常大的不确定性。在实际的案件中,经常会出现一个案件具有多个量刑情节的情况。多个量刑情节便有多种可能的组合,而法律只能对单个情节应当从轻或减轻出发、从重或加重处罚以及轻重幅度和范围作出规定,却不可能对每一种情节组合的量刑进行规定,因为这些情节的组合数量可能会非常多,无法一一列举。因此法官办案时,对具体的量刑便具有非常大的选择空间,判决结果存在非常大的不确定性。审判管理部门在执行量刑规范化工作过程中,希望同一地区的刑事案件量刑标准一致,但由于案件数量众多,传统的人工随机抽查的方式无法高效准确的发现疑似同案不同判或者量刑偏差较大的案件。而目前,尚缺乏一种能够针对判决结果进行科学度量的方法。
技术实现思路
为解决上述问题,本 ...
【技术保护点】
刑事案件判决结果度量方法,其特征在于,包括如下步骤:步骤1,建立判决模型步骤1‑1,构建标签体系根据影响量刑的各种可能因素,构建刑事案件标签体系;步骤1‑2,裁判文书结构化解析将裁判文书结构化,解析裁判文书标签和该标签的详细信息,利用标签和信息,从裁判文书中提取相应内容;步骤1‑3,机器学习获得判决模型通过案件数据,利用机器学习模型,找到情节和判决结果之间的因果关系,得到判决模型,其中机器学习过程包括:获取数据、数据清洗、数据预处理、数据编码,编码完成后直接输入机器学习算法,进行模型训练;步骤2,通过机器学习算法构建的预测模型,代入案件数据,通过模型预测得到应判结果;步骤3,计算结果偏离度计算主刑偏离度、附加刑偏离度、缓刑偏离度、总体偏离度;所述主刑偏离度通过下式计算:
【技术特征摘要】
1.刑事案件判决结果度量方法,其特征在于,包括如下步骤:步骤1,建立判决模型步骤1-1,构建标签体系根据影响量刑的各种可能因素,构建刑事案件标签体系;步骤1-2,裁判文书结构化解析将裁判文书结构化,解析裁判文书标签和该标签的详细信息,利用标签和信息,从裁判文书中提取相应内容;步骤1-3,机器学习获得判决模型通过案件数据,利用机器学习模型,找到情节和判决结果之间的因果关系,得到判决模型,其中机器学习过程包括:获取数据、数据清洗、数据预处理、数据编码,编码完成后直接输入机器学习算法,进行模型训练;步骤2,通过机器学习算法构建的预测模型,代入案件数据,通过模型预测得到应判结果;步骤3,计算结果偏离度计算主刑偏离度、附加刑偏离度、缓刑偏离度、总体偏离度;所述主刑偏离度通过下式计算:上式中,deviationterm表示刑期偏离度,termjudge表示法官判决的刑期,termpredict表示模型预测的刑期;当附加刑为罚金时,附加刑偏离度通过下式计算:上式中,deviationfine表示罚金偏离度,finejudge表示法官判决的罚金,finepredict表示模型预测的罚金;所述缓刑偏离度通过下式计算:上式中,deviationprobation表示缓刑偏离度,probationjudge表示法官判决的缓刑,probationpredict表示模型预测的缓刑;所述总体偏离度通过下式计算:上式中,punishmentjudge为法官判决惩罚力度,通过下式计算:punishmentjudge=wterm×termjudge+wfine×finejudge+wprobation×probationjudgepunishmentpredict为模型预测惩罚力度,通过下式计算:punishmentpredict=wterm×termpredict+wfine×finepredict+wprobation×probat...
【专利技术属性】
技术研发人员:杜向阳,梁雁圆,周佑勇,刘艳红,王禄生,冯煜清,徐珉川,杨洁,
申请(专利权)人:南京擎盾信息科技有限公司,东南大学,杜向阳,梁雁圆,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。