将法律逻辑融入深度学习：一种智能化的矫正预测方法
计算与语言
2025-08-19 v1
摘要
矫正是现代刑法中的重要制度，体现了公平与正义的原则，同时有助于社会的和谐发展。尽管其重要性不容小觑，当前的智能司法助理系统（Intelligent Judicial Assistant System, IJAS）缺乏针对矫正预测的专门方法，关于影响矫正资格的潜在因素的研究也仍显有限。此外，矫正资格需要对刑事情况和悔罪表现进行全面分析。大量现有研究在IJAS中主要依赖数据驱动的方法，这些方法往往忽视了司法决策中所依据的法律逻辑。为弥补这一差距，我们提出了一种将法律逻辑融入深度学习模型以进行矫正预测的新方法，实现过程分为三个 distinct 阶段。首先，我们构建了一个包含事实描述和矫正法律要素（probation legal elements, PLEs）的专门矫正数据集。其次，我们设计了一种基于矫正法律逻辑和“惩罚双轨论”（Dual-Track Theory of Punishment）的独特矫正预测模型，命名为多任务双理论矫正预测模型（Multi-Task Dual-Theory Probation Prediction Model, MT-DT）。最后，我们在该矫正数据集上的实验表明，MT-DT模型在基线模型方面表现更出色，对所提出方法有效性的分析进一步验证了其有效性。
引用
@article{arxiv.2508.12286,
title = {Incorporating Legal Logic into Deep Learning: An Intelligent Approach to Probation Prediction},
author = {Qinghua Wang and Xu Zhang and Lingyan Yang and Rui Shao and Bonan Wang and Fang Wang and Cunquan Qu},
journal= {arXiv preprint arXiv:2508.12286},
year = {2025}
}