[发明专利]刑事案件判决结果度量方法及系统

摘要

本发明公开了一种刑事案件判决结果度量方法及能够实现该方法的系统，方法包括：建立判决模型(构建标签体系、裁判文书结构化解析、机器学习获得判决模型)；通过机器学习算法构建的预测模型，代入案件数据，通过模型预测得到应判结果；计算结果偏离度；对模型或结果进行优化。系统包括建立判决模型模块、预测模块、偏离度计算模块。本发明提供的刑事案件判决结果度量方法及系统能够对法官判决案件的质量进行较为科学精确的量化，给法官裁判提供智能辅助，也为形成统一裁判尺度提供技术支撑。

主权项

刑事案件判决结果度量方法，其特征在于，包括如下步骤：步骤1，建立判决模型步骤1‑1，构建标签体系根据影响量刑的各种可能因素，构建刑事案件标签体系；步骤1‑2，裁判文书结构化解析将裁判文书结构化，解析裁判文书标签和该标签的详细信息，利用标签和信息，从裁判文书中提取相应内容；步骤1‑3，机器学习获得判决模型通过案件数据，利用机器学习模型，找到情节和判决结果之间的因果关系，得到判决模型，其中机器学习过程包括：获取数据、数据清洗、数据预处理、数据编码，编码完成后直接输入机器学习算法，进行模型训练；步骤2，通过机器学习算法构建的预测模型，代入案件数据，通过模型预测得到应判结果；步骤3，计算结果偏离度计算主刑偏离度、附加刑偏离度、缓刑偏离度、总体偏离度；所述主刑偏离度通过下式计算：deviationterm=termjudge-termpredicttermpredict]]>上式中，deviationterm表示刑期偏离度，termjudge表示法官判决的刑期，termpredict表示模型预测的刑期；当附加刑为罚金时，附加刑偏离度通过下式计算：deviationfine=finejudge-finepredictfinepredict]]>上式中，deviationfine表示罚金偏离度，finejudge表示法官判决的罚金，finepredict表示模型预测的罚金；所述缓刑偏离度通过下式计算：deviationprobation=probationjudge-probationpredictprobationpredict]]>上式中，deviationprobation表示缓刑偏离度，probationjudge表示法官判决的缓刑，probationpredict表示模型预测的缓刑；所述总体偏离度通过下式计算：totaldeviation=punishmentjudge-punishmentpredictpunishmentpredict]]>上式中，punishmentjudge为法官判决惩罚力度，通过下式计算：punishmentjudge＝wterm×termjudge+wfine×finejudge+wprobation×probationjudgepunishmentpredict为模型预测惩罚力度，通过下式计算：punishmentpredict＝wterm×termpredict+wfine×finepredict+wprobation×probationpredict其中，wterm为主刑刑期权重；wfine为附加刑罚金权重，当附加刑并非罚金时，上述公式中的法官判决值和权重值都应替换为实际附加刑的判决值和权重值；wprobation为缓刑权重。