当前位置:首页 > 文献资源 > 论文著作 > 理论推演
维尔克、帕肯、伦洛耶、维赫雅 | 犯罪情节的贝叶斯网络建模
2020年11月06日 【作者】维尔克、帕肯、伦洛耶、维赫雅 预览:

【作者】维尔克、帕肯、伦洛耶、维赫雅

【内容提要】

维尔克、帕肯、伦洛耶、维赫雅 | 犯罪情节的贝叶斯网络建模

■ 作者 

维尔克(Charlotter Vlek),荷兰格罗宁根大学人工智能系

帕肯(Henry Prakken),荷兰乌得勒支大学信息与计算科学系和格罗宁根大学法学院

伦洛耶(Silja Renooij),荷兰乌得勒支大学信息与计算科学系

维赫雅(Bart Verheij),荷兰格罗宁根大学人工智能系


■ 译者 

杜文静,华东政法大学文伯书院副教授


摘要

所有法律案件均涉及用证据推理。随着软件支持工具的发展,证据推理需要一个形式基础。文献表明:证据推理有三种主要方法,即:论辩方法、叙事方法和概率推理。在本文中,我们组合了后两种方法。在贝叶斯网络在法律案件中应用的最新研究中,当人们用法律贝叶其网络来再现结构时已经提出了许多法律习语。贝叶斯网络是用来量化案件中各种变量是如何互动的。在叙事方法中,情节提出了案件的证据语境,但当前缺乏一种方法把定量的贝叶斯网络数值技术与定性的情节全盘方法合并起来。在本文中,我们给出了一种用单个贝叶斯网络来建模几个情节。这种方法已通过案件研究来检验。我们需要引入两个法律习语:一是情节习语,二是合并情节习语。合成网络是打算帮助法官或陪审团的,帮助维护案件中两个相关变量间互动的优异概观,通过比较各种情节来防止过于视野狭窄。


1引言


近来有问题的法律案件要求从科学上找到一种处理案件中证据的定性和定量功能的方法。通过提出形式方法,我们的目的是为能处理法律案件中证据推理的软件支持工具发展打基础。这样一种工具是打算用来给法官和陪审员使用的,当然要与那些能够提供细节信息的各种专家合作。这将有希望改善法官或陪审员和专家之间的沟通。


在文献中,证据推理主要有三种方法,即论辩方法、叙事方法和概率推理[16,25]。在前一个项目中[6,5,7,8]中,已经研究了针对法律案件中的叙事方与论辩的组合,导致了组合两种方法的混合理论之发展。在本文中,我们研究的是叙事方法与概率方法的组合,给出了一种用贝叶斯网络建模法律情节的系统方法。情节是指一系列事件的融贯展示[6],并且抓住了犯罪现场可能发生的较大图景,它提供了可得证据的一个语境。法官和陪审员习惯根据故事或情节来思维,并且用情节来组织证据[20]。基于这些情节,我们旨在系统建构一个建模案件的贝叶斯网络。


贝叶斯网络一直是被作为针对法律案件的概率推理一种工具加以研究[14,17,18,24]。贝叶斯网络在法庭中的应用当前备受争议,因此需要更多的研究[10]。一方面,在英国上诉法院2010年裁定“除非研究DNA证据以及‘其它存在坚实统计基础的其它可能领域’,否则不应当用贝叶斯定理用于评价证据[1]”。另一方面,在荷兰使用贝叶斯思维近来已被许多最高法院成员和荷兰法庭辩论研究所(Nederlands Forensisch Instituut, NFI)共同维护[3,4,2]。


贝叶斯网络是用来表征一系列相关变量的联合概率分布的。这种图解结构表明一个案件中两个变量间的依赖性或独立性。在贝叶斯网络的法律案件适用中,图解通常包括一个或一个以上的假设节点(诸如“犯罪嫌疑人X有罪”)、证据节点(诸如“发现与犯罪嫌疑人X的指纹相匹配的指纹”)以及一些可能的中间节点(诸如“犯罪嫌疑人X在犯罪现场”或“犯罪嫌疑人X留下的指纹”)。


当我们建构一个法律案件的贝叶斯网络时,并不清楚哪些变量与案件相关。例如,这可以医学领域的情形相比较。对于有一组症状的绝大多数病人来讲,医生预先知道要进行哪些检测,它们的可能结果是什么,以及这些结果如何与各种诊断相关。换句话说,在许多情况下能够使用之前给出的贝叶斯网络,并且诊断病人是用这些检测结果举例说明网络中的节点。


作为与医疗检测这个相对封闭的世界相比,法律领域常常是一个开放世界,其中可能出现不可预见的相关情形。例如,当犯罪嫌疑人的不在场所证明包含了那天开着这辆公交车上班去了,而在犯罪发生的那个早晨有辆公交车并没有按计划运营。而今,对于像法律领域之类的领域来讲,还有没系统方法来判定哪些变量应当被包括在案件的贝叶斯网络之内。


在本文中,我们提出用贝叶斯网络建模犯罪情节的这样一种系统方法。我们认为,从全盘观点来看,情节为判定哪些变量相关提供了好处。情节通过把案件中的大量变量放到融贯整体之中来理解[22]。情节的局部融贯与直接相关的事态和事件相关联,并且在一个情节内所有事态和事件两两间是全局融贯的,只是因为它们一起形成了一个情节。


当前,我们关注的是建构贝叶斯网络的图解结构。所得到的网络明显不是打算用来做出裁决的,是给法官和陪审团在做裁定时提供建议和帮助的。此外,无论模型多么精确,做出关于个体的裁决仍然是件微妙之事。一个人总是能够论证这个特定犯罪嫌疑人是例外或者就其可能性来讲是异常值。因此,该模型应当用于比较各种可能情节如何给出证据,而不是计算其绝对概率。在使用这个结果网络时,法官或陪审团能够评价案件中的情节。在研究图解结构时,她或他能够深入研究这些变量是如何关联起来的。此外,考虑到多重情节就能预防视野过窄。


我们的方法是建立在赫普勒(Hepler)、达维德(Dawid)和卢卡里(Leucari)的工作[14]以及芬顿(Fenton)、尼尔(Neil)和科格纳多(Lagnado)的工作之上的[14,11,12,18],正是他们提出了用较小子结构建构贝叶斯网络。后面的作者给出了一系列法律习语,子结构常常出现在贝叶斯网络的法律案件应用之中。我们用情节习语和合并情节习语来扩展了他们的清单。此外,我们在他们的工作之上添加了针对完整贝叶斯网络全局结构的程序,其中使用了该习语的局部结构。在本文中,我们追随第一种给出设计方法之方法,然后通过案件研究来检验该方法。针对用贝叶斯网络建模犯罪情节的设计方法会在第3节提出,并用简单例子来展示。第4节进行了案件研究,第5节讨论了所给出方法的性质。本文用相关工作(第6节)和结语来结尾。


2预备知识


贝叶斯网络是联合概率分布的表征[15]。联合概率分布是一个对于领域中所有变量值组合而言给出了这些变量出现概率的函数。贝叶斯网络的图解结构是一种用联合概率分布表达两个变量之间独立性的方式:在贝叶斯网络中当两个节点之间没有箭头时,在该域中给定其它所有变量情况下,相应变量独立;当有箭头时,这表明两个变量间存在某种关联。箭头通常是由原因指向结果[24],但表达的是关联性,而不是因果性[9]。


贝叶斯网络的每个节点都有一个条件概率表。这样一个条件概率表给出了变量不同值的(条件)概率,这个概率是以其所有直接先验概率不同值的组合为条件的。正如在表1和表2中一样,图1用概率表揭示了贝叶斯网络。在组合表达依赖性或独立性的图解时,这些概率表定义了一个满联合概率分布。在建构该网络之后,不管它们的值在实践中何时被观察到,都能例示变量。该网络中的推论导致了在给定网络所有观察变量情况下后验概率更新。根据链接类型,作为例示变量的结果,两个变量间的依赖性和独立性就可以改变。当两个变量被通过一条不包括所谓头头节点(一种带有两个入射箭头的变量)的链条链接时,该链条被说成是活跃的,当且仅当,链条上没有一个变量被例示。如果既没有头头节点又没有其任何后续节点被例示,那么包括头头节点的链条是不活跃的。如果两个节点被至少一个活跃链条链接,那么我们就是它们是d-关联的。否则就是d-分离的[15]。


贝叶斯网络在所有相关变量之上联合概率分布的简洁表征。建构一个贝叶斯网络意味着存在所有这些概率的知识,但在实践中通常并非如此。在贝叶斯网络中抽出数值是众所周知的问题。在某些情况下,概率是直截了当的,如关于DNA检测的准确数值总是可获得,而在其它情况下,它们不可获得。有几种方法来指引专家决定这类数值(参见[21])。



3设计方法


本节描述的是用贝叶斯网络建模犯罪情节的设计方法。该方法的目标是用一个贝叶斯网络建构针对法律案件的所有情节,并把它们与可获得证据关联起来。在3.1小节引入了新习语并且第3.2节提出了该方法的设计程序。


(一 )情节习语与合并情节习语


请思考下述情节例子:


犯罪嫌疑人X与受害者有过打斗。在住宅厨房灶台刚好放着一把刀。受害者说过侮辱性话语,因此,X拿刀捅了受害者。


它描述了一种猛烈打斗的典型情形:犯罪嫌疑人嚷了嚷,然后操起碰巧在附近的刀。这个事态与事件序列是遵循典型犯罪图式的融贯情节。这种融贯性是用情节习语来把握的,正是这个情节习语将情节中的所有事态与事件与一个情节节点关联在一起。此外,在该情节中有些明显关联性,诸如“受害者说侮辱性话语,因此,X拿刀……”,这描述了动机。这种关联将被建模成故事中两个事态或事件间的箭头。


图2表明了情节习语的结构。它是由将情节中所有事态和事件关联在一起的情节点所组成。星罗棋布的箭头让人想起在情节内两个事态和事件之间能够存在关联,包括(未表明的)多重依赖性。该结构中所有节点都是二元的,它具有真假值。


情节与犯罪假定节点关联一起。犯罪假定说的是某犯罪嫌疑人犯有某罪或未犯罪某罪。这是被作单独节点来建模的,因为这最终是法官或陪审团想要裁决的依据。由于情节节点变得更可能,犯罪假定节点也变得更加可能。


上述情节支持了X犯有过失杀人罪假定。其它情节能够支持X犯罪有谋杀罪假定,或者另一个Y犯有过失杀人罪假定。在没有犯罪假定情况下也能有情节,如一个情节是受害者偶然掉了这把刀并不支持任何人犯有任何罪。在那种情况下,犯罪假定节点被留在以情节习语之外。要注意,受害者掉了一把刀也并没有证伪任何犯罪假定,它只提供了一个可替解释。


在把每个情节放到情节习语形式之后,这通过合并情节习语将这些组合在一个贝叶斯网络之中。这个习语对之前建构习语的犯罪假定进行了约束,参见图3。这个约束确保了互斥的犯罪假定不能同时出现。


(二)四步设计法


给定一个法律案件,其贝叶斯网络设计由四个步骤组成。


第一步是收集所有相关情节,并判定它们支持哪些犯罪假定。重要的是这些假定被明确阐明或者是并列的或者互斥的(对于合并情节习语来讲,这将是很重要的)。可能某个情节并不支持任何犯罪假定,请参见下面案件研究。


第二步是针对每个情节填入情节习语。情节习语能够通过下列三步根据情节来建构:



2a 在情节中每个事态或事件都包括一个带真假值的二元节点。为了方便起见,在情节中展示事态和事件的顺序能够保持根据从左到右的节点排序。无论事件或事态何时互相依赖(对于两个变量间的依赖性参见[19])都要在两个相应节点间画一个箭头。要检查一下那些没有关联的节点确实独立,因为在贝叶斯网络中缺少箭头总是意味着独立。


2b 对于在第一步区别的每个情节来讲,要包括带有真假值的情节节点,并且在那个情节中要画从情节节点到所有事态和事件节点的箭头。针对事件节点的概率表揭示了一个事件和与它相关联的其它事态和事件的关联有多强。至于与情节节点的关联,当情节节点为真时,该事件为真,且其概率值为1。当情节节点为假时,其数值表示在没有情节为真的情况下该事件如何可能。针对一个事件节点的概率表仅与表3中所展示的情节节点相关联。针对情节节点的先验概率表明了情节的似真性:在没有考虑到任何证据情况下,该情节如何可能?一个情节的似真性可以说取决于如何才能很好地利用常识知识来理解情节(参见[6,26])。因此,相应的后验概率能够很好地成为法官和陪审团相当主观的评估,那是由他或她的常识知识所支撑的。

2c 要包括带真假值的节点,而且它是针对每个情节都支持的犯罪假定。要画出从情节节点到犯罪假定的箭头。稍后,多重情节节点可能与同一犯罪假定关联(它们就犯罪嫌疑人的罪行得出了相同结论,但借助了所发生事情的不同考虑)。在那种情况下,概率表能够更加复杂。在这个阶段,我们能设定概率表,这意味着,当情节节点为真时,该犯罪假定恰好为真。


对于猛烈打斗例子情节来讲,所有诸如“受害者说过侮辱性话语”的事件或者诸如“刚好住宅厨房灶台上有把刀”之类的事态均可被建模为结构中的节点。当情节内的关联出现时,它们将被画出来,例如,在“受害者说过侮辱性话语”和“X拿过刀”之间的关联。我们之前提及的融贯性被用“它们都与一个情节节点相关联”事实来表示。这种概率越低,其可能性就越依赖于该情节的融贯性。当这个网络被用于评价一个案件并且证据节点被例示时,这种全局融贯性会是极其重要的。然后,在一个情节中,当我们添加了针对单个事件或事态的证据时,所有事态与事件都变成可能(参见第5节)。


第三步是用合并情节习语合并所有情节(参见图3),这给犯罪假定加上了约束。当与不同情节节点关联的犯罪假定节点表达了平等假定时,它们与两个情节节点相关联的一个节点替代了。针对这样一个新节点的概率表表达了“当与它相关联的两个情节节点中有一个为真时,该犯罪假定即为真”[1]。相比之下(参见第一步),剩下的犯罪假定是互斥的。那么,正如所期望那样,从合并情节习语出发的约束只与互斥假定相关联。


合并情节习语的约束节点(又可参见[13])有值被允许,也有值不被允许,并且总是被例示成有值被允许。这迫使贝叶斯网络根据想要的行事。在概率表中,当两个互斥假定同时为真时,这个约束被允许的概率为0,并且在其它所有情况下均为1,[2]参见表4。




在把所有情节合并入一个贝叶斯网络中之后,能够存在额外依赖性,但这些依赖性目前还没有被建模成箭头。这些额外依赖性能够出现在不同情节习语中的两个事态或事件节点之间。我们假定这些情节在如下意义上是独立的:当一个事态或事件对情节有影响时,那么它已在情节之中。如果这并非如此,并且从其它情节出发的额外依赖性出现了,那么这些情节应当被重述为包含所有相关事件。那么,能够出现在两个情节习语之间的仅有依赖性就是描述平等事态或事件的两个节点,或者是描述事态或事件相互不一致的两个节点。


因此,当我们使用合并情节习语时,需要关注下列情形:


3a 描述平等事态、事件或证据的节点;


3b 描述冲突事态、事件或证据的节点;


当描述相同事态、事件虞证据(条目3a)的节点出现在不同情节中时,它们被用针对那个事态、事件或证据的一个节点来取代。任何与原来节点相关联的节点现在都会与一个所得到的节点相关联。例如,相对前述猛烈打斗的一个可替情节是:犯罪嫌疑人始终想杀死受害者,并因此而自己带刀来。在这个情节中,不事件X捅了受害者仍然出现,但该情节的其余部分是不同的。


在所得到的贝叶斯网络中,对于事件“X捅了受害者”将只有一个唯一节点,它是与两个情节节点相关联的。两个不同情节或许包括了不可能同时出现的事态或事件(条目3b)。在那种情形下,正如给犯罪假定加约束那样,用约束节点给这些事态或事件加上了约。


第四步是最后一步,是由添加的所有相关证据节点到结构上所组成的。对于在侦查过程中已经找到的每项证据而言,将给包括一个二元证据节点。此外,当一项具体证据能够被期望是从情节出发的结果时,需要包括一个针对这项证据的二元证据节点,甚至当它还没有被找到时也要如此。


每个证据节点会与其支持情节中的事件或事态相关联。要注意,一项证据可以支持不同情节中的多重事态或事件。或许要求把中间节点建模成证据解释:假定一位证人出庭作证“他听见犯罪嫌疑人X与受害者打斗”。这项证据的解释是,该证人事实上确实听到这两人打斗,使得我们能够把它与事件“犯罪嫌疑人X与受害者有过打斗”关联起来。可是,很有可能该证人撒谎,这意味着该解释不正确。我们借助利用芬顿、尼尔和科格纳多的“证据精确性习语”[13]的结构来建构这种情形。最后,在两项证据之间或许存在依赖性,这能够借助使用芬顿、尼尔和科格纳多的证据依赖性习语来表示。


总而言之,我们的设计方法由下面四步组成:


(1)表明所有情节,并且判定它们支持哪些假定。弄清这些假定要么恰好是同一个,要么是互斥的。


(2)用情节习语表达表达每个情节。


(3)合并使用合并情节习语的多重情节。


(4)用相关证据扩充结构


既然不同情节要么指向同一个犯罪假定,要么指向通过约束关联起来的互斥假定,那么所得到的图解会是关联的。


4案例研究


在本节中,我们用真实案例来检验我们的设计方法。我们建模来自www.rechtspraak.nl的一个荷兰案件。本案(注册为JLN BO 4007)涉及入室盗窃案,许多东西被盗。一扇窗户被打破,在窗子上还找到了犯罪嫌疑人X的指纹。X用不在场证明解释了这些指纹,说早几天他爬过那个窗户,因为他听见有人叫他的名字,当时他正好路过,喝高了。可是,正在盗窃案发生之前窗户被打扫过,几乎可以肯定去除了先前指纹。被盗东西在另一个叫Y的犯罪嫌疑人那里找到了。根据早先确信推测表明X和Y过去有过一起做过事,作为辅证,这使人确信X有罪。可是,当重新打开案件时,找不到任何关于早先定罪材料。下面几节我们将表明如何将根据第3节我们的设计方法用于建构本案的贝叶斯网络。这个完整贝叶斯网络的结构能够在图9中找到。



第一步:情节



我们设计方法的第一步骤是明确表达所有相关情节以及它们支持哪些假定。在本案中,会有描述“X是盗窃犯”、“X和Y一起做过事”或“Y是盗窃犯”之类的情节。还有描述X如何爬窗户的情节。下列这些情节是建立在我们对案情的解释之上的。


情节1:支持假定X犯盗窃罪且他独自所为:X需要钱,因此X决定破门而入,X打破了窗户,进去了,而且拿走了一些东西。


情节2:支持假定X犯盗窃罪且他独自所为:Y需要钱,因此Y决定破门而入,Y打破了窗户,进去了,而且拿走了一些东西。


情节3:支持假定X和Y共同犯盗窃罪。Y需要钱,Y决定破门而入。X和Y之前一起犯过事,因此Y要求X帮助入室盗窃。X打破了窗户,X和Y都入室了,Y拿走了一些东西。


情节4:不支持任何假定,但提供了指纹证据的替代解释:X在盗窃案发生前几天一个晚上喝高了。X路过那栋住宅子,并且认为他听见有人叫他的名字。因此,X爬了窗户。


要注意,这些犯罪假定是互斥的,但这些情节不是。特别是,第四个情节并不支持任何犯罪假定,也不支持对立面(X没有犯盗窃罪):它只是提供了一个窗户上指纹的替代解释。在所得到的贝叶斯网络中,这第四个情节的较高概率间接导致其中X是盗窃犯的情节之概率有些偏低。


第二步:情节习语


在我们的设计方法之第二步,每个情节都是用情节习语实现的。图4表明了针对第一个情节的情节习语,其中X是唯一盗窃犯。在这个情节中,针对所有事态和事件的概率表表明,它们逻辑上是从情节节点推导出来的。当情节节点不真时,数值概率表达的是:在没有情节语境下,给定与其关联的其它事态或事件的值,这个事态或事件如何可能。引出这些数值根本不是一项不重要的任务,而且它常常是主观的事情(参见[21])。作一个例证,我们表明了如何能够挑出有些数值。当该情节节点的值为真时,我们有P(X进入那那栋住宅子=是vX打破窗户=是,情节节点=是)=1。在没有这个具体情节语境情况下,X进入那栋住宅子的概率是相当低的,因为人们不会无缘无故进入别人的住宅子。因此,我们设定P(X进入那栋住宅子=是vX打破窗户=否,情节节点=否)=0.05。用类似方式填入其它概率表。犯罪假定是从情节出发带概率1推导出来的。该情节节点的先验概率表明:在还没有考虑任何证据情况下,该情节一般格局如何似真。比如这个例子,我们选择P(情节节点=是)的先验概率=0.01。同样地可能构造出针对其它情节的情节习语。


第三步:合并情节



用合并情节习语把所有情节都合并起来。前三个情节支持三个互斥假定:X有罪、Y有罪以及X和Y均有罪。要注意,它们的确是相斥的。在我们的例子情形中,没有两个情节支持同一相假定。当用合并情节习语将情节组合起来时,就像表5中所表明那样添加一个约束节点。为了简便起见,在这个图景中具有所有事态与事件的每个情节在图式上用虚线框显示。这个约束节点有被允许的值,也有不被允许的值,并且它总是被例示为允许的。当两个或两个以上假定同时为真时,这个被允许的值之概率为0,否则便为1。


现在需要当心重叠或冲突的事态或事件(根据第3节中的条目3a和3b)。事件“X打破了窗户”既出现在情节“X是唯一盗窃猛”中,又出现在以情节“X和Y一起工作过(3a)”中。因此我们把这两个情节放在一起时,如图6所示,它就被一个节点替代了。同样地,事件“Y从那栋住宅子里拿走了一些东西”与情节“X和Y一起工作过”以及情节“Y是唯一盗窃犯”中的事件相同。这些节点也就变成了该结构中的一个节点。


事件“X打破窗户”与事件“Y打破窗户(3b)”相冲突。因此,需要添加下约束节点,参见图7。像前面那相,这个约束节点既有允许值,又有不允许值,并且总是被例示为允许值。当两个事件均为真时,被允许值的概率为0,否则便为1。


第四步:添加证据


最后,把证据节点添加到结构上。例如,我们表明如何添加X在窗户上的指纹证据,参见图8。通过描述X的指纹在窗户上的一个中间节点,它既支持X打破窗户又支持事件X爬过窗。要知道,对于第四个情节,也有目击证人说窗户最近被打扫过,而且几乎肯定已经消除了X爬窗留下的指纹。我们组合这个证据找到了图8中所显示的结构,其中使用了取自[13]的证据精确性习语。


用类似方法也可以把其它证据添加到网络上。图8表明这种情况的贝叶斯网络结构。


5该设计方法的特征


本文所描述的设计方法用贝叶斯网络来建模法律案件的犯罪情节。本节将讨论这种方法的一些特征。


当前提出的设计方法一直是作为给出案件中所有变量的静态表达而提出的。尽管如此,这种能够用于给出时间上不同时刻的新模型,例如,在侦查过程中。


这个网络能够被改编和扩充为新证据以及已发生的情节。事实上,情节能够帮助我们用所谓故事后承形式找到新证据[6],它是能够驱使进一步侦查的批判性问题的一大源泉[8]。例如,当一个情节涉及犯罪嫌疑人开走一辆红色轿车时,能够寻求目击证人作证他们是否在某个时间看见过一辆红色轿车。利用这些故事后承,情节就能把相关变量添加到在其它方面一起被忽视的域上。如果仅仅存在直接涉及犯罪或已知证据的变量,那么这辆红色轿车不会被包括在内。


使用情节习语,情节的融贯性能在贝叶斯网络中建模。情节即是指一个融贯的事态或事件序列(参见[6,20])。情节融贯反映了我们在完整情节的相信增加了,正如我们更多知道情况一样。例如,当我们发现犯罪嫌疑人X通过窗户进入那栋住宅时,我们倾向于更多相信整个情节以及构成它的所有事件:借助知道X通过窗户进入那栋住宅,我们相信他很可能也拿走了那栋住宅的一些东西。


通过把一个情节中的所有事态和事件上与情节节点关联起来,这个情节习语便抓住了这种融贯性,从而得到了在贝叶斯网络中想要的概率。这是因为通过建构,该情节中的所有事态与事件都是d-关联的:在两个事态或事件之间存在一条信息输送路径[15]。为了弄清这一点,请思考图4中的情节习语。不能存在相对这个情节节点未被例示过的直接证据。既然从这个情节节点到事态或事件节点之间的关联是发散的(在该情节节点中箭头并不满足头接头),那么,在这个情节中,关于一个事态或事件的信息就与其它事态或事件相关。[1]


因此,在该网络中当针对情节的一个事态或事件的证据被例示时,这就对该情节中的所有事态或事件的概率以及犯罪假定的概率有了影响。我们说证据支持通过情节节点传递。


情节习语的一个不想要的特征是:为了建模一个情节的融贯性,它要求某些相当抽象关联的概率要明确化。在贝叶斯网络中引出数值的问题是已知的,但使用情节习语引入了一些特别抽象的关联。从一个情节节点到事态或事件节点的箭头被说成表达了一事态或事件在没有情节语境情况下如何可能(参见第2节)。它在调查现有引出技术是否给出了对这些关联有用的数值。


情节习语的一个积极特征是,它能通过情节节点先验概率建模一个情节的似真性。例如,当一个情节描述了窃贼,但没有解释这个窃贼是如何进入那栋住宅的,那就不会被认为是发生事怀孕的恰当解释。当用我们的设计方法在贝叶斯网络中建构这个情节时,低似真性会反映该情节节点为真的低先验概率。


要知道,当有足够证据可获得时,一个很不似真的情节会变得可能。例如,当窃贼被警察当场逮住时,知道他是如何进入的就不重要啦。贝叶斯网络同样如此:当添加了足够证据时,低先验概率会导致高后验概率。


使用合并情节习语,在一个贝叶斯网络中就能建模多重情节。在贝叶斯网络中我们能够比较这些不同情节,并且帮助防止在法官和陪审员之意存在管见。



在一个贝叶斯网络中包括多重情节会产生一个带许多节点的非常大的网络(也可参见图9)。可是,从建模观点来看,想要的是在一个网络中包括所有节点,使其与每个情节的分网相对应。这是因为情节必须被比较,并且从不同情节出发的事态和事件可能会交叉。当分网起作用时,维护不同模型中平等数值是一项繁琐工作,特别是在侦查过程中模型常常发生变化。


总而言之,我们提出的设计方法之主要贡献在于:它使用犯罪情节作为贝叶斯网络的基础。利用情节的好处在于整体观。由于情节把法律案件中可能发生的东西作为整体加以考虑,那么它能帮助我们找到更多证据,例如,借助故事后承。


使用情节习语,既抓住了情节之融贯性,又抓住了其似真性。可是,情节习语要求判定某些抽象概率。


使用合并情节习语,能够在一个贝叶斯网络中建模多重情节。这允许对两个情节进行比较,并评估哪些最为可能。


6相关工作


在将贝叶斯网络应用于法律案件的最新工作中,在赫普勒、达维德和卢卡里[14]提出了在贝叶斯网络常常再现子结构的思想。芬顿、尼尔和科格纳多[13,12,18]通过汇编一系列法律习语阐明了这种思想,这些习语是建构法律案件贝叶斯网络的基本要素。使用他们的习语,。芬顿、尼尔和科格纳多的目的是将法律案件的贝叶斯网络系统化。要想在局部层面找到网络的结构,他们的方法非常有用。例如,使用他们的证据精确性习语,人们就能很快明白任何证据都应当与描述证据精确性的节点相关联。


我们的设计方法把这种局部方法扩展到情节的整体观。我们增加了两个习语:情节习语和合并情节习语。使用这种设计该当,我们能够基于情节系统建立法律案件的贝叶斯网络。


情节表明哪些变量与案件相关,哪些变量与案件不相关。关于叙事在法律案件中的应用研究,如[20,26],强调情节融贯性的重要性。利用情节习语,我们就能将全局融贯思想整合到我们的模型中。此外,我们能把各种情节与合并情节习语进行比较。在我们的模型中,情节是作为一个整体而不正好是根据其要素被比较的。


在一个贝叶斯网络中比较多重情节是相关的,因为审视各种可能情节有助于防止法官和陪审员出现管中窥豹,可见一斑。通过整合多重情节进而整合多重假定,我们的设计方法有别于芬顿、尼尔和科格纳多的工作,他们关注其方法中的单个假定。


我们设计方法的组合了法律推理的两种主要方法:叙事与概率推理。近来,凯彭斯(Keppens )[17]研究了把贝叶斯网络与论辩理论组合在一起。希拉诺(Silano)、波尔(Boer)和范恩格斯(Van Engers)[23]研究了如何叙事应用于法律中。


7结语


在本文中,我们描述了一种用贝叶斯网络建模犯罪情节的系统方法。我们用案件检验了我们的方法,其中,多重情节被用相对案件的一个单一贝叶斯网络建构。我们的方法以后将进一步被评估,如通过更多的真实案件研究。所描述的方法组合了法律证据发挥使用的两种著名方法:贝叶斯网络形式的概率推理和叙事理论。像任何模型一样,贝叶斯网络是对真实世界的有限表征,并且只表达了设计者包括的那么多。叙事理论的整体观通过考虑可能发生的所有可能情节帮助我们找到了案件中所有相关变量。


我们的工作是建立是在赫普勒、达维德和卢卡里的工作[14]以及芬顿、尼尔和科格纳多的工作[13]之上的,他们提出在贝叶斯网络建构中使用法律习语。我们添加了情节发挥作用的一个情节习语和一个合并情节习语,并且描述了系统建构一个案件整个贝叶斯网络的程序。因此,我们扩充了前者提及作者用由情节整体观开始的系统化。


需要进一步研究概率表中概率的具体化。在贝叶斯网络中存在许多判定概率的方法[21],但在给定找到有用数值情况下,值得研究这些方法如何更好地适合于法律具体领域。


进一步研究的另一个有趣主题是情节融贯性。在这儿提出的设计方法中,我们引入的新鲜事物是使用情节习语把握情节融贯性。更进一步是借助情节比较发展一种情节融贯度的数值测量方法。



参考文献


[1] Regina v T, 2010. EWCA Crim 2439. Available on www.bailii.org.

[2] C. Berger and D. Aben. Bewijs en overtuiging: Een helder zicht op valkuilen. Expertise en Recht, 5/6:159-165, 2010.

[3] C. Berger and D. Aben. Bewijs en overtuiging: Rationeel redeneren sinds Aristoteles. Expertise en Recht, 2:52-56, 2010.

[4] C. Berger and D. Aben. Bewijs en overtuiging: Redeneren in de rechtszaal. Expertise en Recht, 3:86-90, 2010.

[5] F. Bex. Analysing stories using schemes. In H. Kaptein, H. Prakken, and B. Verheij, editors, Legal Evidence and Proof: Statistics, Stories, Logic, pages 93-116. Ashgate Publishing, Aldershot, 2009.

[6] F. Bex. Arguments, Stories and Criminal Evidence, a Formal Hybrid Theory. Springer, Dordrecht, 2011.

[7] F. Bex, P. van Koppen, H. Prakken, and B. Verheij. A hybrid formal theory of arguments, stories and criminal evidence. Artificial Intelligence and Law, 18:123-152, 2010.

[8] F. Bex and B. Verheij. Solving a murder case by asking critical questions: An approach to fact-finding in terms of argumentation and story schemes. Argumentation, 26:325-353, 2012.

[9] A. Dawid. Beware of the DAG. In Journal of Machine Learning Research: Workshop and Conference Proceedings, volume 6, pages 59-86, 2009.

[10] N. Fenton. Science and law: Improve statistics in court. Nature, 479:36-37, 2011.

[11] N. Fenton and M. Neil. The “jury observation fallacy” and the use of Bayesian networks to present probabilistic legal arguments. Mathematics Today, 36(6):180 -187, 2000.

[12] N. Fenton and M. Neil. Avoiding probabilistic reasoning fallacies in legal practice using Bayesian networks. Australian Journal of Legal Philosophy, 36:114-151, 2011.

[13] N. Fenton, M. Neil, and D. Lagnado. A general structure for legal arguments using Bayesian networks. Cognitive Science, 2012. doi: 10.1111/cogs.12004.

[14] A. Hepler, A. Dawid, and V. Leucari. Object-oriented graphical representations of complex patterns of evidence. Law, Probability & Risk, 6:275-293, 2004.

[15] F. Jensen and T. Nielsen. Bayesian Networks and Decision Graphs. Springer, New York, 2007.

[16] H. Kaptein, H. Prakken, and B. Verheij. Legal Evidence and Proof: Statistics, Stories, Logic. Ashgate Publishing Company, Aldershot, 2009.

[17] J. Keppens. On extracting arguments from Bayesian network representations of evidential reasoning. In K. Ashley and T. van Engers, editors, The 13th International Conference on Arti_cial Intelligence and Law, pages 141 -150, New York, 2011. ACM.

[18] D. Lagnado, N. Fenton, and M. Neil. Legal idioms: a framework for evidential reasoning. Argument and Computation, 2012.

[19] J. Pearl. Causality: Models, Reasoning and Inference. Cambridge University Press, Cambridge, 2000.

[20] N. Pennington and R. Hastie. Explaining the evidence: Tests of the story model for juror decision making. Journal of Personality and Social Psychology, 62(2):189-206, 1992.

[21] S. Renooij. Probability elicitation for belief networks: Issues to consider. The Knowledge Engineering Review, 16(3):255-269, 2001.

[22] R. Schank and R. Abelson. Scripts, Plans, Goals and Understanding, An Inquiry into Human Knowledge Structures. Lawrence Erlbaum, Hillsdale, 1977.

[23] G. Sileno, A. Boer, and T. van Engers. Analysis of legal narratives: a conceptual framework. In Legal Knowledge and Information Systems: JURIX 2012: the 25th Annual Conference, pages 143-146, Amsterdam, 2012. IOS Press.

[24] F. Taroni, C. Aitken, P. Garbolino, and A. Biedermann. Bayesian Networks and Probabilistic Inference in Forensic Science. Wiley, Chichester, 2006.

[25] B. Verheij. Integrating argumentation, narrative and probability in legal evidence. In M. Finlayson, editor, The Third Workshop on Computational Models of Narrative, pages 176-177, 2012.

[26] W. Wagenaar, P. van Koppen, and H. Crombag. Anchored Narratives : the Psychology of Criminal Evidence. Harvester Wheatsheaf, Hemel Hempstead, 1993.


原文刊载于《法律方法》2015年第16