贵州空管分局培训中心圆满完成管制员英语等级测试贵阳考点网络联调工作

苏永钦教授在2010年接受的一次学术访谈中，曾将我国台湾地区的民法学者按照各自的为学总特点划分为三个学术世代。

[11]而在我看来，如今回头来检视我国台湾地区法学迄今为止的发展历程，可以发现固然并非少数人的主观意愿便能完全左右，但当地一些重要学者基于其自身学术偏好所做的经年努力，起到了非常关键的重塑和推动作用。不仅法史学主题论文现下在我国台湾地区这两个最重要的传统法学期刊上是这番境遇，同为基础法学之主要科目的法理学的发文情况也几乎同样如此。

[38]而此处所说的硬核课程结构，就其特点而言，显然是指以部门法教义学为代表的应用法学构成了我国台湾地区各大学法学院课程结构的庞大核心。[25]其次，台湾大学法律学院和政治大学法律学院的现职专任教员当中，有留学德国经历者现今绝大多数都已升任教授多年。[23]2007年9月时，该院有专任教员35人，其中留学德国者有20位，留学美国者有6位，留学日本者有5位，留学英国者有3位，留学奥地利和中国大陆的各有1位。[78] 法学=法教义学的说法，参见[德]卡尔·拉伦茨:《法学方法论》，陈爱娥译，商务印书馆2003年版，第72页。按照他所做的概括，在我国台湾地区的法学发展历程中，就不同阶段所体现出来的学术特点而言，第三手的继受法学是以通过日本学者了解德国法为其特征，而第二手的继受法学则体现出后来有能力自己观察德国法的样貌。

从2002年的调研数据来看，在我国台湾地区各大学法律科系当中，较之于可谓难兄难弟的法理学课程，法史学课程在开课率方面相差了一半多，亦即法理学课程的开课率为76%，法理学相关课程的开课率为64%，而法史学课程的开课率则只有32%。既包括一些被认为带来进步的变化（例如法学研究走向体系化和精致化），也包括一些令人头疼的附生性后果（例如考试领导教学的风气与补习班文化的盛行）。这时候，相似度排序（ranking）非常重要。

而且，由于智能裁判过程是在极短时间内完成的，这就使得整个裁判是个一次性过程。但是，这些经人类填鸭式教学（手工输入知识）而成为专家的所谓的智能系统，特别是基于规则的专家系统，由于其自身不具备自主学习能力而始终面临着知识的瓶颈。又如，1978年，我国开发出第一个中医学专家系统关幼波肝病诊疗程序，临床验证获得满意效果。当然，单有以逻辑规则为基础的推理是不够的，知识才是智能的核心和基础。

在协同解释中，用户被视为智能系统当中机器之外的另一个Agent。不过，产生式系统中的知识单位是产生式规则，这种知识单位由于太小而难以处理复杂的问题。

由于客观上存在的随机性、模糊性以及信息的不完备性，导致人们对事物的认识往往是不精确、不充分的。由于模糊逻辑是一种近似而非精确的推理方法，因此非常适合于包括法律领域在内的涉及人文因素的复杂系统。二、研究机器逻辑的前提问题：法律逻辑之检视 比较应有明确的参照。人脑的工作方式，除了依赖以模糊逻辑和概率算法为核心的软计算（soft computing）， 另一种重要方式是使用存储的记忆作出反应（即所谓的模式识别）。

显然，收益递减效应最终会产生约束作用。简言之，模糊推理是将自然语言与模糊变量的计算融合起来，用语言变量取代或者辅助数值变量，变量间的简单关系可以用模糊条件句（若A，则B）来刻画，复杂关系则借助模糊算法描述和处理。在大多数情况下，用户很少知道也很少关心系统使用的是产生式规则还是深度神经网络或者其他模型。在日常生活中，人们在作出决策时经常运用到概率推理。

同样，在论证结果的真实性上，法律逻辑要求的并不是可靠性而是其可信度。从技术角度来说，逻辑的重要性亦复如是。

尤其是，在法律智能系统瞬间即可作出决定，程序的时间和空间要素都被大幅度压缩的情况下，逻辑合理性就成为首当其冲的重要问题。最相似的案例可以作为解释的基础。

申言之，即使在法律智能系统可处理范围内的案件，要求其像人类法官一样阐明事理释明法理讲明情理讲究文理，这种高标准的法律论证在技术上也无法实现。以早期的沃特曼专家系统（W-LES）为例，该系统从法律专家处理产品责任纠纷的经验中提炼启发式规则并用if-then形式来表示，推理引擎循环执行这些规则，测试是否有任何可能触发规则，也就是说，规则的条件是否满足数据库中代表当前问题的事实。自1970年以后人工智能从对一般思维规律的探讨转向以知识为中心的研究以来，专家系统的研发在多个领域取得了重大突破，各种不同功能、不同类型的专家系统如雨后春笋般建立起来，产生了巨大的经济效益和社会效益。不难理解，CBR专家系统是另一种形式的从经验中学习的基于知识的系统。可计算性的限制为法律智能系统划定了能力边界。模糊逻辑之父扎德曾经将模糊逻辑称为词语计算（CW-Computing with Words）和软计算。

CBR专家系统即是对这种求解方法的模拟。他们仅仅想知道结果是如何得出的，并希望以一种可理解、友好型的方式为其提供有益的信息。

专家系统运用产生式规则进行求解，是一个不断从规则库中选取可用规则与数据库中的已知事实进行匹配的过程，规则的每一次成功匹配都使数据库增加了新的内容，并朝着问题解决方向前进了一步，直至数据库中包含了问题的解，则程序终止。解释工作与问题求解所用知识及求解过程密切相关，这是生成解释内容的基础。

前文指出，在利用专家的经验性知识提炼产生式规则时，很多时候使用启发法。实践证明，大数据分析在很多业务场景中都有惊人的表现，也就是说，模型是有用的。

正是在这个意义上，有技术专家指出，法律逻辑的研究水平决定了法律智能系统的研发水平。由于产生式规则的一般形式是if-then，这使得其天然适合解决法律领域的问题，特别是用于处理涉及成文法规则的问题。内容提要：法律智能系统运作逻辑的合理性，是取得当事人和公众信任的基础，也是其决定具有正当性和可接受性的重要根据。这意味着CBR专家系统的推理是一种不确定性推理，同样存在出错可能。

（二）法律智能系统的解释与方法 根据智能系统自身的解释能力以及解释过程是否需要人工介入，可以将解释分为两类：机器的智能解释和用户的协同解释。1.机器的智能解释 一般来说，基于规则的专家系统能够解释它们是如何得出结论的。

知识库（knowledge base）是按照一定方式存储在计算机系统中的知识集合，它也是特定领域人类专家经验知识的集合，其中存在大量使用启发式方法（heuristics）从专家经验中提炼出来的if-then规则，这些规则被称为产生式规则（production rule）。这些约束条件不仅框定了法律智能系统的能力范围，亦成为分析其底层逻辑的参照标准，可以据之评判智能机器的决定是否具有可接受性。

当新的信息补充进来后，原来的证成可能会失去效力。机器学习可以使机器自动获得知识，从而获得更多的智能，使系统的性能得到改善。

根据信息转换原理，智能的生成路径是信息→知识→智能，即先从数据中获取信息（what），从中提炼知识（why），进而激发智能决策（how to do）。在人类认知能力有限且受到法律程序制约（如时限要求）的情况下，具有一定可信度的论证结果，虽然无法绝对排除出错的可能，但却是可接受的。尽管在当下的研发过程中，法律专家（法官、检察官等）同时扮演着法律实务专家和法律逻辑学家的角色，但从长远来看，专业法律逻辑学家的介入更有助于提升智能系统的研发水平。这四个阶段完整体现了CBR专家系统的工作过程，因此被称为4R过程。

（四）法律智能系统中的模糊推理和模糊逻辑 生活不是简单的非黑即白、非杨即墨，而是有许多模糊地带。新一代智能系统往往同时采用多种技术路径。

可计算性理论（computability theory）表明，世界上只有一部分问题，并且是一小部分问题，才能通过计算找到答案。从概念上看，法律推理过程所使用的前提的真（true），虽然表面上与形式逻辑使用相同的术语，其真实含义却是证成（justified）。

特别是近年来，随着数据挖掘技术的发展，在获取事件的先验概率和条件概率的数据方面，减弱了之前概率论方法受到的限制，大大拓展了概率推理的运用空间。在研制法律智能系统时，在模拟人类的法律推理并借助机器实现自动化推理的过程中，AI技术专家对法律推理的独特理解，的确可以为法学研究提供某些方法论上的启示。