大数据辅助量刑是哪些？依托哪些技术来实现？

以下内容可以让您对大数据辅助量刑有一个深刻的了解。 在美国、澳大利亚、德国、日本、韩国、我国台湾地区等都有相关的辅助量刑系统。以美国的量刑表为例，它是美国量刑委员会制定的量刑准则，法官是必须遵守的。从效果上来说，以联邦法院为例，符合量刑幅度内的量刑，大约都维持在65％至80％之间；如将具合理性偏离度的案件计入，则比例更高达九成以上，可以说效果也是比较不错。但是它也存在一些问题，备受诟病。在一份美国的研究报告中提到，例如抢劫罪的指导规则中，犯罪特征的组合超过1800万种可能，由于每种不同的犯罪特征，会有不同的取值，1800万是我们很难人工去处理的一个数量级，但大数据方法可以，这也就是为什么我们要用大数据辅助量刑的原因。 大数据处理的优势 大数据有三个特点：大容量、多格式并且高速度。大数据的大容量，以判决书为例，如果一份是20K的话，一个硬盘就可以放几千万上亿份的判决书。以证据处理为例，可以处理多种格式的结构化和非结构化数据，如图片、文档、语音、视频、生物特征、网络行为等。以信息抽取为例，每秒操作很简单就可以达到数亿次。可以看到，这种处理能力和处理效率是有巨大优势的。 大数据在辅助量刑上的处理过程 首先是把案件信息结构化，之后再做数据化，做到能够让计算机去学习和处理。结构化这部分涉及对法律文书的断句、分词、关系抽取，像是采用一些正则表达式、上下文无关文法、命名实体识别等。在这个基础之上，再进行回归、数据建模、机器学习，以及人工智能方法的处理。简单地说，首先进行信息抽取，之后对抽取的信息进行结构归一化，然后是机器学习，最后才是人工智能。 具体来说，在结构化信息抽取中，比如计算律师怎样辩护效果最好？在一份刑事判决书中，需要抽取147个关键词：案例编号、姓名、是否多个被告、判决书号、法院审判所在地等，还有是否有辩护律师、是否提交证据、提交那些证据、证据具体描述、该证据是否被采纳、采纳理由等等。这需要把一份几页的判决书打得很碎，每一个部分都要提取出来，才能更好的去理解。第一步做的就是类似这样的抽取的过程。第二步分数据建模。从一堆训练数据集中，进行建模，用数学模型来描述它的特点和规律。通过建模过程，算出与其最相符的数学模型，用公式对原训练数据集中不存在的信息进行描述。 那么，基于破坏公用电信设施罪，这是其司法解释中的入罪标准，入罪标准里比较明显的三个特征：造成财产损失数额、造成通信中断用户数以及造成网间通信中断的时间。当然其他的酌定情节，如是否有自首等都可以考虑。