刑事案件判决结果度量方法及系统技术方案

本发明专利技术公开了一种刑事案件判决结果度量方法及能够实现该方法的系统，方法包括：建立判决模型(构建标签体系、裁判文书结构化解析、机器学习获得判决模型)；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；计算结果偏离度；对模型或结果进行优化。系统包括建立判决模型模块、预测模块、偏离度计算模块。本发明专利技术提供的刑事案件判决结果度量方法及系统能够对法官判决案件的质量进行较为科学精确的量化，给法官裁判提供智能辅助，也为形成统一裁判尺度提供技术支撑。

The measurement method and system of the result of criminal case decision

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，本专利技术公开了一种刑事案件判决结果度量方法及能够实现该方法的系统，能够针对法官判决结果进行科学度量。为了达到上述目的，本专利技术提供如下技术方案：刑事案件判决结果度量方法，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×probationpredict其中，wterm为主刑刑期权重；wfine为附加刑罚金权重，当附加刑并非罚金时，上述公式中的法官判决值和权重值都应替换为实际附加刑的判决值和权重值；wprobation为缓刑权重。进一步的，裁判文书结构化解析内容包括：案件基本信息；裁判文书明显的段落特征；所有标签体系构建的标签内容；裁判文书信息。进一步的，所述机器学习算法采用随机森林方法。进一步的，在步骤1得到模型后对模型的效果进行评价，当模型效果不佳时，采用以下方式中的至少一种来提升模型效果：改进标签体系、检查数据解析结果、算法参数设置。作为改进，还包括优化步骤4，所述步骤4采用以下任意一个步骤或几个步骤的组合对偏离度进行修正：步骤4-1，在标签体系中增加有效特征；步骤4-2，利用法官权重在学习模型中提高优秀法官数据的抽中几率；步骤4-3，利用地区差异系数对预测结果进行修正，将模型预测结果乘以偏离度系数，得到的结果为最后的预测值；步骤4-4，计算类案数据，结合预测模型的预测结果，取偏离度低的值为最终预测值。进一步的，所述步骤4-3中差异系数为所述ai为将各个地区的判决结果极大或者极小的一些案件去除，然后将剩下的所有案件的判决结果进行平均得到的均值，a为把全国的案件的极大值和极小值的案件去掉之后求平均得到的全国均值。进一步的，所述步骤4-4具体包括如下过程：利用类案的实际判决结果的中位数或者均值和模型预测的结果做比较，选择偏离度低的结果作为最后的预测值。进一步的，所述模型预测结果选择步骤4-3中采用地区差异系数修正后的预测结果。本专利技术还提供了刑事案件判决结果度量系统，包括建立判决模型模块、预测模块、偏离度计算模块，所述建立判决模型模块用于构建标签体系，对裁判文书结构化解析，通过机器学习算法获得判决模型；所述预测模块用于根据建立判决模型模块中建立的判决模型对案件进行预测得到应判结果；所述偏离度计算模块用于计算主刑偏离度、附加刑偏离度、缓刑偏离度、总体偏离度。进一步的，系统还包括预警模块，当由法官实际判决结果导致偏离度较大时，所述预警模块显示或发送警告信息。与现有技术相比，本专利技术具有如下优点和有益效果：本专利技术提供的刑事案件判决结果度量方法及系统能够对法官判决案件的质量进行较为科学精确的量化，给法官裁判提供智能辅助，也为形成统一裁判尺度提供技术支撑。附图说明图1为刑事案件判决度量方法流程步骤图。图2为以盗窃罪为例构建的标签体系。图3为以盗窃罪为例构建的标签效果。图4为加重量刑情况。图5为盗窃罪刑期的决策树构建示例。图6为盗窃罪的刑期的随机森林模型构建示例。图7为以江苏省盐城市盗窃罪随机抽取28个历史案件为例的修正与不修正效果对比如下。图8为抢劫罪-刑期偏离度-偏离度预测统计图。图9为抢劫罪-罚金偏离度-偏离度预测统计图。图10为抢劫罪-缓刑偏离度-偏离度预测统计图。图11为抢劫罪-总体偏离度-偏离度预测统计图。具体实施方式以下将结合具体实施例对本专利技术提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。刑事判决结果类型中包括主刑、附加刑和缓刑。主刑中又分为管制、拘役、有期徒刑、无期徒刑、死刑五种，附加刑中包括罚金、剥夺政治权利、没收财产、驱逐出境。由于刑事案件的判决结果类型众多，且一些判决结果出现得较少，如出现管制、无期徒刑、死刑的案件数量较少，对于这样一些类型的判决结果，机器学习模型难以发挥较大作用，我们暂且不建立判决本文档来自技高网...

【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