面向“排除合理怀疑”标准的案件推理模型

在社会安全案件审判阶段，对于案件推理依据“排除合理怀疑”标准认定案件事实，是在无罪推定原则下判定嫌疑人是否有罪的关键前提。针对这一问题的研究存在定量化不足的问题。该研究应用链式规则和Bayes推理方法，深入解析“排除合理怀疑”标准，通过理论和实证分析提出主张合理性的判断规则和证据解释的链式规则；定义解释间的独立性，提出证据的独立划分方法以判断主张能否合理解释证据，构建面向该标准的案件推理模型。将构建的案件推理模型应用于车辆冲撞案和故意杀人案2类频发的刑事案件，对控辩双方提出的主张进行模型推理分析，并对比模型分析结果与实际案件事实，验证模型的有效性。研究结果表明：对于达到“排除合理怀疑”标准的与未达到“排除合理怀疑”标准的案件，所提出的模型均能够协助认定案件事实，并给出相应依据。     

犯罪侦查决策支持模型

人工智能和大数据技术已成功应用于众多科学问题的分析,其中也包括犯罪分析领域。犯罪案件侦查一直是犯罪分析工作的重点和难点。犯罪案件在侦查阶段主要包括证据收集和证据推理等工作,证据的全面高效收集对案件推理和快速侦破具有重要意义;与此同时,不同证据在案件中的重要程度不同,具有高重要度的证据如果在侦查早期阶段被收集,可提高案件侦破效率。然而,现有的人工智能方法应用于犯罪侦查决策支持的研究较少。鉴于此,该文提出了一种基于加权信息熵的证据重要度的计算方法,并在此基础上构建了基于Bayes网络的犯罪侦查决策支持模型,然后应用420例犯罪案例对模型的准确率进行验证,并用1例实际案例的分析过程对模型应用进行了阐述。分析结果表明：提出的模型能够输出有效的侦查建议,为侦查阶段的证据收集和推理工作提供决策支持。