基于人工智能技術的司法大數據應用風險評估方法設計

趙曉林

（貴州省司法廳， 貴州 貴陽 550001）

0 引言

近幾年，司法系統逐漸與多種現代化的信息技術相結合。現代科技為促進司法領域與時代發展趨勢的緊密結合提供了支持，但與此同時也造成了不利影響。例如由于司法本身是具有固定屬性的，因此在與更多現代化信息技術融合的過程中，會在不同程度上受到沖擊，進而產生新的風險。同時，由于風險存在潛在性、非指涉性等特點，因此當前現有法律規范與信息技術倫理之間無法實現全覆蓋。在該背景下，如何認清司法大數據在應用過程中可能潛在的風險成為實現新型技術風險預防過程中亟需解決的問題。針對司法場景的特殊性，采用傳統的信息技術已經無法準確地對其存在的風險以及問題進行評估，針對該問題，該文引入人工智能技術。當前，人工智能技術在各領域中應用得十分廣泛，在不同領域中具備輔助、預測等功能，并最大程度地利用數據信息。因此，結合人工智能技術的應用優勢，通過該技術對司法大數據應用風險評估方法進行研究。

1 基于人工智能技術的司法大數據應用風險評估方法設計

人工智能技術是研究、開發用于模擬、延伸和擴展人的智能的一系列理論和方法，是計算機領域的重要分支。目前，可以利用人工智能技術完成部分以往僅有人工才能完成的工作，自然也可以完成對司法大數據應用風險的評估。因此，為提升司法大數據應用的風險評估效果和速度，該文利用人工智能技術設計了一種司法大數據應用風險評估方法，其設計步驟如圖1所示。

圖1 設計方法操作步驟

1.1 基于人工智能技術獲取風險因素動態關聯規則

由于風險因素處于一種動態變化的過程中，在不同階段，其影響有強有弱，如果不對其進行分析，就有可能導致需要分析的數據過多，為風險評價帶來更多的數據負擔，降低評價效率。而且對司法系統的運行和應用環境來說，在對其存在的風險問題進行評估時，風險因素關聯規則通常是靜態不變的。但當前司法系統引入大數據技術后，司法大數據運行環境發生了改變，相應的信息管理平臺也發生了改變，如果在管理過程中仍然采用傳統的靜態關聯規則對風險進行評估，就無法確保評估結果的準確性。因此，基于該問題，該文首先引入人工智能技術，利用人工智能技術的強大數據分析能力對不同風險因素的支持度和置信度進行計算，再對風險因素動態關聯規則在時間變化過程中的動態特性進行詳細描述。其中，支持度表示某一安全應用風險事件與某一風險因素同時出現的概率，如公式（1）所示。

式中：為支持度，即某一安全應用風險事件與某一風險因素同時出現的概率；為存在和同時發生的事件次數；為所有事件發生的次數。

根據公式（1）求出支持度，再計算它的置信度，置信度可以用來表示在出現某一風險因素的同時造成某一安全應用風險事件發生的概率，如公式（2）所示。

式中：為置信度，即出現某一風險因素同時造成某一安全應用風險事件發生的概率；為發生某一安全應用風險事件的總次數。

在公式（1）和公式（2）的基礎上，根據對支持度和置信度的計算可以排除無關的因素，減少數據分析的數量，提升風險評估的動態化水平和準確度。在司法大數據信息管理平臺中，對所選擇的評估樣本進行分塊處理，并將處理后的結果輸入相應的集群節點中，利用現有靜態關聯規則對每個節點的支持度和置信度進行計算。同時，在司法大數據中尋找頻繁項集時，引入關聯規則可有效排除支持度和置信度過低的數據，從而進一步減輕評估的負擔，如圖2所示。

圖2 風險因素動態關聯規則示意圖

風險因素在不同過程中的重要程度也不同，當其為不頻繁因素時，與其相關的所有數據的支持度和置信度均過低，應該刪除相關風險因素。而一旦其為頻繁因素，就可以認為該風險因素十分關鍵，需要對其進行著重分析。例如如果某一風險因素為不頻繁因素，即支持度和置信度過低，則與相關的、、以及等都不頻繁，則可直接將其刪除。而如果某一風險因素為頻繁因素，即支持度和置信度較高，則與相關的、、以及等都較為頻繁，需要對所有相關因素進行分析。在完成上述操作后，從信息管理平臺中獲取本地相關司法大數據信息集合，并在mapper中輸入1個已知的數據進行記錄.除此之外，還要盡可能地在信息管理平臺中完成對內容的簡單合并，并將關鍵值統一分配到reducer中，從而對數據進行簡化、統計。最后，還要根據支持度從小到大的順序對風險因素進行排列，并按照置信度從小到大的順序對風險因素中的子因素進行排列，排除那些支持度和置信度過低的風險因素，以此減少無關數據的干擾，提升分析速度，從而獲取風險因素動態關聯規則。

1.2 司法大數據應用風險顯著性因素計分

在獲取司法大數據風險因素動態關聯規則的基礎上，對司法大數據應用風險顯著性因素進行計分，在司法大數據信息管理平臺中，根據上述內容按照從小到大的順序對所有存在的風險因素進行排序，在該基礎上進一步排列出4種不同等級程度的應用風險第二次出現的概率級別。其中，較差等級的計分范圍為0~3，一般等級的計分范圍為3~5，較好等級的計分范圍為5~8，最好等級的計分范圍為8~10。在劃定好以上等級計分范圍后，還需要對以上內容的含義進行深入認識。該文設定上述風險顯著性因素的計分數值越高，則說明再次出現該應用風險事件的概率越高；如果風險顯著性因素的計分數值越低，則說明再次出現應用風險事件的概率越低。

同時，在計分過程中，對計分的標準進行設定，例如對已經發生過的應用風險次數進行再次計分，如果沒有出現類似風險問題，則記為3分；如果出現一次，則記為2分；如果出現2次或3次，則記為1分；如果出現4次及以上，則記為0分，以此類推完成對其他風險顯著性因素的計分工作。而且還可以對已經發生過的應用風險事件持續時間進行打分，如果持續時間小于1 min，則記為3分；如果持續時間為1 min~5 min，則記為2分；如果持續時間為5 min~60 min，則記為1分；如果持續時間超過60 min，則記為0分。利用3種打分標準可以減少單一打分容易出錯的問題，提高分析的準確性。

在按照上述打分標準，針對所有風險顯著性因素進行打分后，可以為后續的司法大數據應用風險的量化提供重要數據支持。

1.3 司法大數據應用風險量化

將司法大數據信息管理平臺中所有需要進行風險評估的樣本作為評估集合，通過量化所有風險結果的方式對司法大數據應用風險進行評估。由于NSS具有系統交換和數據庫的功能，可以存儲相關數據并進行分析管理。因此，在量化過程中引入網絡子系統（NSS）完成這一部署，如圖3所示。

圖3 NSS部署流程示意圖

由圖3可知，將不同的司法大數據輸入NSS中，經由NSS分析處理并對其進行量化，可以輸出對應的風險態勢。在量化時，假設某一種司法大數據應用風險事件發生時，其對應的風險顯著性因素權重為，則在某一節點上，發生這一風險事件的概率為，結合得到如公式（3）所示的量化公式。

式中：（）為通過量化后得到的司法大數據應用風險評估結果。

將公式（3）帶入司法大數據信息管理平臺中，對不同時刻下平臺的運行情況進行分析，并對其可能存在的司法大數據應用風險進行評估。同時，引入NSS后，能夠結合量化后的評估結果對司法大數據應用運行風險的態勢進行評估，再根據量化結果數據的變化，直觀地描述司法大數據應用運行風險未來發生概率增高或降低的趨勢，如果量化結果數值逐漸降低，則說明該風險事件發生的概率將會逐漸增加；反之，如果量化結果數值逐漸升高，則說明該風險事件發生的概率將會逐漸降低，從而為后續司法大數據的應用策略提出與設計提供更加直觀的事實依據。同時，在對司法大數據信息管理平臺進行維護時，也可以根據風險評估量化結果對平臺運行等級進行劃分，從而對整個司法大數據應用環境進行評估。

2 對比試驗

通過該文的論述，從理論方面實現了對基于人工智能技術的評估方法設計。為進一步驗證該方法在真實司法大數據應用環境中的風險評估水平，將該評估方法與傳統評估方法（基于貝葉斯網絡的風險評估方法）進行對比，使2種方法同時對相同的司法大數據應用問題進行風險評估。在評估時，選擇司法系統中的部分案例作為評價對象，分別利用2種評估方法對其進行評價，為確保試驗結果的客觀性，將2種評估方法的最終結果按照表1的內容劃分為5個不同等級。

表1 司法大數據應用風險評估等級

由于2種評估方法得出的評分結果標準不同并且由于傳統評估方法未對不同風險因素的支持度和置信度進行計算，無法對其評估過程進行量化，因此，需要按照如公式（4）所示的方式對傳統評估方法得出的結果進行初步量化。

式中：（）為傳統基于改進猶豫模糊集的評估方法評估結果的量化數值；p為司法系統中某一試驗應用實例發生安全風險事件時的概率；w為司法系統中某一試驗應用實例在評估過程中的權重數值。

按照上述內容，對傳統評估方法的評估結果進行量化，并對2種評估方法得到的量化結果進行歸一化處理，如公式（5）所示。

式中：為2種評估方法得出的評估結果歸一化處理結果；為2種風險評估方法的評估量化結果；為不同評估指標下評估結果變化參數的平均值；為均值標準差。

根據公式（5），對2種方法評估結果進行歸一化處理后，按照表1中的風險評估等級對其進行分類，并將分類結果與實際司法大數據應用實例的風險等級進行對比，從而驗證2種評估方法的評估精度，方法A表示該文提出的基于人工智能技術的評估方法；方法B表示傳統評估方法，試驗結果見表2。

表2 2種評估方法評估結果等級劃分

根據表2中的數據可以看出，在不同風險評估等級實例數量的影響下，該文方法評估結果與實際結果完全一致，而傳統評估方法得出的結果與實際相差較大，差距最大可達到64例。由此可以證明與傳統評估方法相比，該文設計方法的風險評估效果更好。

綜上所述，將該文提出的基于人工智能技術的應用風險評估方法應用到實際司法大數據應用環境中，可提高安全風險事件評價的精度。將該方法應用于實際，可為司法大數據應用策略提供重要的事實依據，具有一定應用價值。

3 結語

針對當前信息管理平臺在對司法系統在運行過程中存在的風險事件無法進行準確評估的問題，該文對其風險評估方法進行設計研究。通過引入人工智能技術提出了一種全新的評估方法，并結合對比試驗驗證了該方法的應用效果。但由于研究能力有限，該文在試驗過程中所選擇的對照條件只能夠對風險事件進行定性評估，在對其量化時采用的方式可能不適用于該方法，因此造成了傳統評估方法試驗結果與實際出入較大的問題，使影響因素增加，最終得出的試驗結果存在一定的不確定性。因此，針對這一問題，在后續的研究中，還將選擇更符合試驗需要的對照條件以及試驗操作環節，從而確保試驗結果的客觀性，也為該文評估方法的進一步優化提供重要依據。