| |
| 法律資料分析：從入門到精通（一) |
| 邵軒磊 教授 |
 |
 |
法律資料分析透過三步驟：電腦模仿人類做決策、告訴人類電腦如何決策、終至主動提供人類不知道的資訊，使法律工作者能更加精確且快速地作成判斷。以法院審酌未成年子女親權為例，在抽絲剝繭數百筆判決並綜合評估學說及法條後，提取重要的法律要素進行資料標註，比如主要照顧者、子女意願、親子 |
|
 |
|
|
互動…分析其權重關係，並以類神經網路（Artificial Neural Network）模型進行計算，最終機器預測成果與實際判決結果高度相符，甚至能歸納出其他未知資訊。訴訟或仲裁等紛爭解決之機制倘與AI結合得宜，可大幅提升效率，惟若運用不當，恐反而招致加深固有偏見的危機，故須審慎。 |
|
| 法律資料分析：從入門到精通（二) |
| 林常青 教授 |
|
|
 |
 |
法實證分析流程包含三步驟：判決書資料擷取、建立模型、分析與預測。然而判決書屬欠缺固定欄位、格式、順序的非結構化資料，在資料處理上有其難度，除了需要領域知識的輔助以精準判讀，更須克服標註的障礙：人工標註成本過高，而利用電腦自動標註，又面臨中文同義詞複雜、法律特殊用語、雙重 |
|
否定詞分散於不同語句、個別判決文言或用語迥異等問題。期許更多法律工作者投入資料分析，促成實務改革並推動判決書撰寫結構化，以利將重要審酌因素進行標註、納入決策樹，完成有效之法律分析。 |
|
|
| 法律資料分析：從入門到精通（三) |
| 蘇豐文 教授 |
|
|
自然語言處理（Natural Language Processing，NLP）已有多種運用，例如偵測詐騙郵件、人名辨別、機器翻譯、語音辨識等等。自引入機器學習(Machine Learning)演算法後，以往的程式語言規則轉而趨向以統計機率呈現資料，讓機器理解自然語言特性。隨著自然語言處理進入專業領域，有時學者 |
|
 |
|
|
會選擇最能減少資料亂度（Entropy，或稱「熵」）的標註，來決定決策樹模型，使機器學會分析句式、理解整個句子的語意。然而在標註過程中，除了中文本質上容易發生斷詞分歧外，新生詞彙、繁複的指代詞、錯綜的句式結構…均構成標註的障礙。標註失準或標註偏見殘留將造成句意中重要因素漏未判斷、悖離現實、加深偏見等錯誤結果。因此斷詞、詞彙的中立化（neutralize）或除偏（debiasing）成為採行自然語言處理必須關注的議題。 |
|
|
|
|
