作者：高翔，西南政法大学比较民事诉讼法研究中心研究员，重庆市高级人民法院研究室副主任。
来源：《法制与社会发展》2018年第6期。由于篇幅所限，刊物在此推送未加注释版本，请广大读者前往本刊物网站下载全文阅读。（本文责任编辑：郑怀宇）
摘要：
在人工智能推动下的司法改革当中，让机器通过深度学习以认知个案，是人工智能司法应用的前提与薄弱之处。当前，地方法院的实践尚未形成有效的知识积累方法。人工智能司法应用的前提是法律知识图谱的构建以及裁判规则的类型化与要素化。要件事实型民事裁判论与司法人工智能的生成规律具有内生契合性，可作为神经网络深度学习、分词设置、知识图谱设计的基础与前端理论。具体应用路径是依要件事实论不断进行层级解构，将案件认事用法解构为不同层级要素，并由法律专家分层级、分阶段标注，从而形成以要素标注的法律知识图谱大数据，以供机器学习。要件事实论之于人工智能司法应用具有独立性，人工智能难以代替法官。人工智能司法应用与民事诉讼制度具有相互促进关系，两者的深度融合将开拓中国民事诉讼的崭新发展阶段。
关键词：要件事实论；人工智能；民事司法；法律知识图谱；要件解构
现代信息技术正在推动司法领域的深刻变革，以人工智能司法应用、电子诉讼、司法大数据为核心的“智慧法院建设”被置于同司法体制改革并行的地位。人工智能在案例智能推送、裁判结果预测、裁判文书自动生成等方面的应用，已成为地方法院探索人工智能司法应用最活跃的领域。党的十九大提出，要推进司法体制综合配套改革，而司法体制改革与人工智能等现代科技的融合发展恰是综合配套改革的重要内涵之一。国务院发布的《新一代人工智能发展规划》将“智慧法院建设”纳入其中，这标志着人工智能司法应用已上升为国家战略。在以科技创新推动司法改革的政策导向之下，我国地方法院正在以前所未有的力度推进以智能化为核心的“智慧法院建设”。近年来，学界开始将司法人工智能作为学术话题予以讨论，但主要还是基于现象解释或总体规则概论，相对欠缺对人工智能司法应用的路径、技术、方法等具体问题的深入研究，尤其是在建立法律知识体系与人工智能联系进而形成司法人工智能、建立供机器深度学习的法律知识图谱等深层问题方面，研究还较为欠缺。对于人工智能的司法应用研究，应当结合具体诉讼领域展开，因此，本文从占全国法院受理案件总量近80%的民事案件入手，探索人工智能在民事司法领域的适用，以期通过对较为复杂的民事司法领域的探索，为人工智能在刑事、行政诉讼领域的适用积累经验。本文引入要件事实民事裁判论作为人工智能在民事司法领域应用的法律前提，以此为基础，构建法律知识图谱并进行知识积累，力求为破解法律数据结构化不足、算法混乱低效等人工智能司法应用中的突出问题提供些许参考。
一、人工智能民事司法应用的桎梏：法律知识积累方法的欠缺
（一）人工智能民事司法应用的地方实践
根据最高人民法院官方纸质媒体的报道，Ｂ直辖市高院的“睿法官”运用人工智能技术，通过智能机器学习，为法官裁判提供了支持。Ｊ省高院的“法务云”具有同类案例和审判资料智能推送的功能。Ｈ省高院“智审1。0系统”可自动关联、智能推送辅助信息，自动生成文书，并辅助制作文书，还可智能分析裁判标准。Ｓ直辖市Ｅ中院的“C2J法官智能辅助办案系统”集知识导引、类案匹配、经验分享功能于一体，包括了法律法规及司法解释、类似案例、裁判文书等九个信息库，系统可以根据案由自动对九个信息库的相关信息进行筛选分析，并进行推送。另外，值得注意的是，业已取得突出进展的人工智能刑事司法应用也有力地推动了人工智能的民事司法应用。比如，代表现阶段我国人工智能司法应用最高水平的Ｇ省、Ｓ直辖市的刑事智能辅助办案系统已开始注重机器对人类法律思维与裁判规则的学习，其以统一证据标准、构建证据模型等路径作为机器学习的规则，这代表着人工智能司法应用已渐由概念向方法递进。在这种人工智能刑事司法应用经验的影响下，C直辖市高院从事实争议相对较少、法律关系相对简单的信用卡案件入手，在要素提取的基础上建立了智能专审平台。概括起来，人工智能辅助法官裁判的方式主要有三种：其一，以智能方式提示要件式审理，自动生成裁判文书，提升审判效率，而法官仍是判决书的最终审核者；其二，在复杂类案中，智能推送与本案要件最接近的类似案例，以约束法官的自由裁量权；其三，在利息、损害赔偿额计算等简单事项中，代替法官的人工计算。
（二）地方实践中的法律知识积累方法的缺陷
人工智能领域的谚语有云：“你给我多少知识，我给你多少智能。”虽然以中国裁判文书网、各类案例、庭审视频为主体的司法大数据已具备海量数据特质，而云计算的充足运算能力以及图文与语音识别技术的发展亦使人工智能具备了学习手段，但是，司法大数据的堆积并不能直接产生司法中的人工智能。机器认知个案是人工智能应用的前提，也是最薄弱之处。而且，机器对个案的认知需要建立在机器对司法大数据的深度学习之上，所以，关于人工智能司法应用的诸地方实践中的知识积累过程是更值得考察的深层问题。
1. 对知识积累方法的实证考察
为了准确掌握各地方法院人工智能辅助系统的真实情况，在广泛收集最高人民法院官方纸质媒体刊载的调研报告与新闻报道的基础上，笔者对G市中院、Z市中院、C直辖市高院分别发放了以人工智能知识积累为主要议题的调查问卷。调查问卷的对象包括法院信息技术人员、法官和法院领导。同时，笔者从这三个法院收集了关于人工智能司法应用的报告资料，并对C直辖市高院进行了实地走访。另外，鉴于G省、S直辖市的审判辅助系统得到了中央政法委、最高人民法院的认可，被认为具有一定的推广价值，所以，笔者也收集了有关G省、S直辖市审判辅助系统的相关资料。从调查问卷、走访反馈以及相关报道的情况来看，各地方法院在实践中已经意识到知识积累的基础作用，并大致形成了三种知识积累的方法。
方法一，不经过机器学习而自动生成裁判文书内容。G市中院基于300多万起案件建立的裁判文书辅助撰写系统可从纸质材料、庭审语音数据中自动提取案件要素，将经过提取加工的案件信息自动生成裁判文书，其可实现对裁判文书中的80%的内容的自动生成。通常，对于系统从大数据中提取信息的过程，我们以“自动”这个语词进行描述。在对G市中院的调研中，填写调查问卷的对象包括5位信息技术人员、3位法院领导和12位法官。在回答“如何认识司法领域的人工智能知识积累”这个问题时，5位信息技术人员全部勾选了“由于在司法领域人工智能如何进行知识积累方面没有清晰路径可以采用，所以自动语词系一种概括性描述”选项；3位法院领导也均勾选了此选项；而在12位法官中，有4位勾选了此选项，另有5位勾选了“深度学习是人工智能的适用前提，但如何在司法审判中适用还不清晰”选项，其余3位则勾选了“不了解”选项。从此情况来看，在人工智能司法应用中起主导作用的法院领导与信息技术人员并未意识到机器学习是提取案件要素的前提，而对于知识积累，自然也就更无从谈起。
方法二，对机器学习与知识积累语焉不详。在对Z市中院的调研中，有4位信息技术人员与4位法院领导填写了调查问卷。在回答“如何认识司法领域人工智能的知识积累”这个问题时，勾选“由于在司法领域人工智能如何进行知识积累没有清晰路径采用，自动语词系一种概括性描述”选项的两类人员分别占比0%和25%；勾选“深度学习是人工智能的适用前提，但如何在司法审判中适用还不清晰”选项的两类人员分别占比100%和75%。可见，Z市中院的法院决策层与信息技术人员已普遍意识到深度学习、知识积累系人工智能的应用前提，但对于学习与积累的方法，仍难以掌握，而且，他们对深度学习也难以进行具体解释，更难以找到人工智能司法应用的真正有效路径。
方法三，在审判要素下解构知识积累。在先行经验上，处于国内领先地位的G省、S直辖市的审判辅助系统率先提出了“专家经验、模型算法和海量数据”的建设逻辑，即首先由专家提炼裁判规则、解读司法过程，在对相关知识点进行标注以后，由机器进行学习，并针对机器学习的偏差进行再标注，经过学习积累，机器会具备初步的信息抓取和逻辑分析能力，从而由知识积累进阶至人工智能。而在其他地方法院的实践中，C直辖市高院的信用卡智能专审平台恰好与G省、S直辖市的做法类似。在实地走访C直辖市高院的过程中，该法院的智能专审平台研发团队认为，对案件要素的解构是人工智能司法应用的前提条件，之所以选择信用卡案件进行探索，正是因为其要素提取相对固定、简单，但将其进一步推广却面临着较大挑战。他们表示，如何对较复杂的案件进行要素解构与提取，尚需进一步探索。应当说，各地法院的探索确实为我们研究人工智能知识积累的基本逻辑与路径提供了实践样本，但是，在各地方实践中，却出现了实践先行但理论供给不足的态势，为此，理论研究应给予积极回应。
2. 对知识积累方法缺陷的评价
实际上，上述方法中的前两种方法并未进行有效的前期知识积累，而缺乏前期知识积累的人工智能辅助系统将会向法官推送海量案例，这会制约法官的有效阅读，甚至会因阅读而增加其工作负担；即便法官对案例逐一阅读，也会因所推送的案例与本案关联不大而导致对其难以适用。G省、S直辖市的实践被认为是符合人工智能司法应用基本规则的，但其逻辑起点仍具有不确定性。首先，将机器学习建立在专家经验之上具有正当性，但专家经验却具有零散性、个体性的特征，这在颇为复杂的民事领域体现得尤为明显。所以，使专家经验在产生之初即具有法律职业人的同质化思维，是目前亟待解决的前端问题。其次，G省、S直辖市法院在实践中已经意识到案件要素解构对于机器学习的意义，但却主要采取了平行解构的方式。案件要素间的关系可能是相关、主次、因果、包含、平行等，但对于机器而言，利用平行解构方式是无法进行有差别识别的。例如，民事案件事实有主要事实、间接事实、辅助事实之分，对事实认定起主要作用的是主要事实，如果在机器学习之前不对要素进行层次区分，那么，机器就将难以有效学习。最后，虽然G省、S直辖市法院在某些领域对案件要素进行了分层次解构，但这种解构更多的是生活型解构，并未体现法律思维的同一性与专业化。然而，社会生活千变万化，一方面，基于生活事实的解构使得机器学习面临着无比复杂的场景；另一方面，生活型解构的法律性不足问题，也会导致解构时基本规则的欠缺。总之，各地方法院的实践尚未形成有效的知识积累方法，由于作为司法人工智能生成前提的法律知识图谱缺失，所以，当前司法人工智能应用还较为混乱、低效。
二、要件事实型民事裁判论在人工智能法律知识图谱中的基础性功能
通俗地讲，人工智能机器学习的一般原理就是模型化、规则化、要素化和图谱化。面对浩如烟海的司法大数据，司法人工智能需要提炼共性规则，即依据不同的司法场景，提取规则并进行数据标注，供机器深度学习，以形成类似于人类的信息提取、逻辑分析能力，进而辅助裁判。因此，与其说司法人工智能以数据为中心，毋宁说其以知识为中心。就此而言，法律知识图谱的构建是人工智能司法应用的先决性问题。从人工智能知识图谱构建的一般理论出发，运用要件事实论，形成有效且可行的法律知识图谱，这既是司法人工智能理论体系的核心要素，亦是破解我国人工智能司法应用难题之必需。
（一）人工智能知识图谱构建的一般规律
人工智能的本质在于算法和数据处理，也就是说，通过机器学习，机器要对海量数据进行自动挖掘与预测，以形成统一的智能化算法或参考指引。算法的基础在于机器的深度学习。2006年以来，第三波人工智能热潮兴起，这在很大程度上要归功于机器深度学习作用的发挥。机器深度学习的方法包括：决策树学习方法、类比学习方法、人工神经网络方法等。而人工神经网络方法是居于主要地位的、功能最强大的、应用范围最广阔的机器学习方法，其被用于解决那些基于规则编程难以解决的任务，如智能化学习等。人工神经网络方法的可行性与实效性的获得必须基于学习对象的图谱化，也就是知识图谱的构建，如若不然，机器的深度学习就成了无本之木；而知识图谱的构建亦应与人工神经网络方法的学习规律相适应，同时，还需确定知识图谱的基本构成元素以及元素之间的建模方式。
1.人工神经网络方法
如前所论，人工神经网络方法是涵盖机器学习对象与方法的范畴，与知识图谱构建具有深刻的内在一致性与相关性。人工神经网络是模仿神经网络行为特征并进行分布式并行信息处理的算法模型，其由输入层、多隐层、输出层构成，多隐层是其中的核心，每层有若干个神经元，神经元之间有连接权重；神经网络系统由众多神经元的连接权值连接而成，具有良好的深度学习功能。人工神经网络不需要对学习对象进行精确的数学描述，仅需对其进行恰当表述，同时，其能够在学习基础上搜索和获取各裁量因素的最优权重系数，而无需事先对权重系数进行量化设置。机器的学习对象是与人工神经网络方法对应的知识图谱。人工神经网络的深度学习系基于知识图谱数据特征的学习，其从数据样本中学习到数据的本质特征，而通过学习所得到的特征可提升对未知事件的分类和预测的精准性。如果之后输入的语句与原切分规则近似，则可输出与样本近似的切分结果，从而形成人工智能。
2.分词及词库建设
分词及词库建设是知识图谱构建的基本元素。词是文本内容的最小单元，是反映文本内容的基本元素，分词是将连续的字序列按照一定规范重新组合成词序列的过程。分词的正确率是人工智能机器学习的基础，现今的分词系统所采用的基本方法包括机械匹配法、特征词库法、约束矩阵法、语法分析法和理解切分法等。基于特征的方法是较为先进的中文分词方法，但也面临着需要依托人工才能进行特征设置等问题。神经网络方法被用于进行分词设置，将分词知识看作语言环境中词与词之间的相互约束，并用链接权重表示。神经网络分词方法的核心是内部知识库的构造，内部知识库的知识表示并不独立表示一项规则，而是将一个问题的相关知识在同一网络中表示。内部知识库的知识表示包括词汇知识和语境知识，词汇知识相对简单，向系统提供词汇表即可进行知识表示，而语境知识则需要经过人工提取，再由机器进行深度学习。
3.以语义表示为核心的知识建模
以语义表示为核心的知识建模的主要功能，是解决知识图谱中各基本元素的相互关系及整体构建问题。为了能让智能系统理解、处理特定领域的知识并完成基于知识的任务，就需进行知识建模。常用的知识建模方式有状态空间法、问题归纳法、语义网络法等，其中，语义网络法用于解决复杂问题，是一种结构化表示方法，包括词法部分、结构部分、过程部分、语义部分，作为一种易于使知识工程师与特定领域专家进行沟通的建模方式，其能够将实体的结构、属性与相关关系简明地表达出来。神经网络与分词知识库需要以语义表示方式进行知识建模，从而形成机器学习的知识图谱。
（二）要件事实型民事裁判论的引入
要件事实型民事裁判论是指，在明确要件事实法律性质的基础上，依据民事实体法规范的结构以及民事诉讼审理的结构而展开的民事裁判方法。在法规出发型民事诉讼背景下，在当事人提出诉讼请求、主张实体权利、提出支撑其请求的请求权基础规范、明确事实主张以后，法官裁判按照“识别请求权基础规范—请求权基础规范的要件分析与解构—争点整理—证明责任分配—争议事实认定—涵摄得出裁判结论”展开，通过实体与程序的不断交错，得出裁判结论。可以认为，要件事实型民事裁判论是将实体法与程序法有效连结，并将实体法规范通过诉讼程序得以适用的裁判方法论。要件事实型民事裁判论体现了“主张—抗辩—再抗辩”的攻击防御结构。当原告结合请求旨趣而提出事实主张以后，在排除被告自认的前提下，原告应就其主张提出证据申请；对于原告的事实主张，被告可采取否认、间接否认、不知陈述、抗辩等防御方法。值得注意的是，在被告作出直接否认、间接否认、沉默、不知陈述的情形下，被告并不负证明责任，仅在被告作出事实抗辩时，被告才应就抗辩事实负证明责任。当被告提出事实抗辩后，原告可就被告所主张的抗辩事实提出再抗辩，以此循环往复，最终使得诉讼两造穷尽主张与抗辩。在“主张—抗辩—再抗辩”的过程中，任何案件的攻击防御均以标准化、格式化的方式得以展现。
近年来，一些学者从法律形式主义出发，主要从法律推理、论证层面提出，应将司法裁判模型化，但对于模型的精细化却未予以回答。如有学者所言，算法的核心在于提炼、总结法律决策规律，据此归纳法律决策模型，并用于辅助未来裁判，但算法在我国法律人工智能界仍处于“云山雾罩”的状态。整体而言，关于如何对人类知识进行系统、规范和易于被机器接受的整理，我们仍未找到妥当的路径，相关法学理论研究明显滞后于实践需求。
机器利用自然语言处理能力来认知个案，具有先天局限性，系人工智能最薄弱的环节，但又是人工智能民事司法应用的起点与关键。基于此，解决机器学习中的自然语言属性与法律知识不确定性之间的冲突，构建同机器学习较为匹配的法律知识图谱，便成为人工智能民事司法应用的首要理论问题。尽管司法过程极其复杂，但其具有确定的审理对象、明晰的法律规则、经审理后确定的案件事实以及规范的程序规则，在某种意义上，其易于为人工智能所模拟。以上内容恰是要件事实型民事裁判论的核心要义，无论是从性质、结构上看，还是从方法上看，要件事实型民事裁判论均是人工智能知识积累的较佳选择，其可被作为构建法律知识图谱的重要基础。
（三）人工智能法律知识图谱与要件事实型民事裁判论的内在契合
1.要件事实型民事裁判论与人工神经网络的契合
一方面，人工神经网络无需对各裁量因素进行精确的数字化表述，也无需事先设定各裁量因素的权重，神经元节点通过对各裁量因素的拟合来满足裁量因素复杂性的需求；另一方面，它需对裁量因素进行层次性选择，其中最主要的问题是对隐含层数及其神经元数量的选取，它通过定义匹配规则来实现知识转化，通过对裁量因素主要特征的收集和分层来选择隐含层数及神经元节点的数量，并在分类规则基础上进行大数据学习，从而使自己具备预测新数据类型的能力。易言之，人工神经网络对隐含层神经元数量的选取没有严格定律，其主要通过经验训练来获得它们，但其对标准化、要件化、层级化解构却有较强需求。在要件事实型民事裁判论中，民事案件裁判均遵循“请求权基础确定—要件解构—要件证明—事实认定—法律适用”的法规出发型路径而展开，实体法规范、构成要件以及要件事实构成了逻辑严密的网络，经机器识别后，成为辅助裁判的“影响因子”，各要素的影响力与相关性蕴含在法规出发型的民事裁判逻辑中。以事实认定为例，对于主要事实、间接事实与辅助事实的区分，能使机器在面对杂乱无层次的案件事实时作出基本的层次区分。各“影响因子”的权重系数不需要人为对其设置比例，而是由各“影响因子”在要件事实型民事裁判论中的定位所决定，通过机器反复学习后形成其权重。将要件事实型民事裁判论作为人工智能形成的基础，不仅不会产生制度冲突，反而还暗合了人工神经网络的特征。
2.要件解构与分词设置的契合
如前所论，神经网络分词方法的核心是内部知识库的构造，其中的语境知识应注意分词间的相互依存关系。于是，针对某特定领域建立知识库，就成为分词设置的基础。要件事实型民事裁判论就是一个民事裁判知识库，可被作为分词设置的基础。当然，具体的知识积累必须以本国法为基础，尽管我国的民法请求权基础体系尚不完善，要件解构等民事裁判方法尚在塑形中，但是，被视为我国民事司法现代化重要成果的民事诉讼法司法解释中的证明责任部分却体现了法律要件分类说的基本原理，要件事实论在我国民事诉讼中的地位已经得以初步确立。而且，司法实务界也出现了“要件审判九步法”等具体实践。所以，基于要件事实型民事裁判论在学界、立法界及司法界所产生的深远影响，我们有理由相信，它在未来会成为人工智能分词设置的重要选择。词级设置的基本过程是：对各分词予以属性标注，并对各分词的关系添加关系标记，各部分包含相对规范的分词，以便作为在构造抽取规则时的信息提取点。裁判智能辅助系统的设计思路是：将案件分解成最基础的A、B、C等若干要素，要素对应若干分词，以运算法则生成假设，并将假设与待决案件所包含的要素A、B、C进行对比，如果吻合或类似，则可适用同类规则。要件事实型民事裁判论的核心环节是：法官根据请求权基础规范的构成要件，将待证事实解构为若干要件事实。要件解构是要件事实型民事裁判方法反复进行的基础工作，其与分词设置在一定程度上吻合。人工设置分词特征是目前的一大难题，而且还存在着专家经验感知较为随意、零散等问题。当然，专家经验具有不可代替的作用，只有在专家依据要件事实论完成层级解构和标注以后，机器才可以有效学习。所以，要件事实型民事裁判论将为专家的要素解构工作提供成熟稳定的基本方法，以便形成一种“要件事实型民事裁判论+专家经验”的分词设置方法。
3.要件事实型民事裁判论与人工智能知识建模的契合
由词法、结构、过程等构成的语义网络知识建模与要件事实型民事裁判论在内在逻辑上具有一定的契合性。具体而言，从某种意义上说，对实体法规范进行解构后的要件对应于人工智能知识建模的词法；实体法规范与案件事实的关系对应于人工智能知识建模的结构；“主张—抗辩—再抗辩”的诉讼攻防结构对应于人工智能知识建模的过程。正是这种内在对应关系，使得某类案件的“因子”可以被解构为易于被机器学习的对象。同时，两者均具有抽象基础上的具体化特征。人工智能知识建模一方面以抽象建模为前提，另一方面又需要从一个个具体要素中进行知识积累，也就是说，其是抽象思维与具体建构的结合，易言之，人工智能所追求的具体化乃是高度标准化、类型化后的具体化。而对于要件事实而言，一方面，其首要特征是具体化、特定化；另一方面，其需要根据抽象的实体法规范对生活事实予以选择与评价，这种在具体的案件事实与抽象的实体法规范间往返的特性，正与人工智能思维方式相契合。此外，要件事实型民事裁判论可克服现有的地方法院实践中的生活型建模所存在的周延性与法律性不足问题。要件事实型民事裁判论以请求权基础为起点，以实体法规范得以适用的法效果为终点，分层次、按类别对案件认事用法的各类要素予以采纳，具有简洁、规范、全面的特征。反之，地方法院实践中的生活型建模方法对类案丰富多变的生活事实进行逐一解构，这既增加了机器学习之前的人工分析成本，又难以体系化涵盖与案件认事用法相关的关键要素。同时，要件事实体现着抽象规则对生活事实的法评价，要件事实型解构方法以请求权基础、要件事实、证明责任、抗辩为核心内容，充分体现着要素的法律化特征，因此，机器学习后所形成的人工智能对于司法实践具有参考价值。
三、要件事实型民事裁判论在人工智能法律知识图谱中的应用
（一）应用的总体路径
应用的总体路径是：依据要件事实型民事裁判论，不断进行层级解构，将案件认事用法解构为不同层级要素，最基础层级的要素即为分词，并由法律专家适时予以标注，从而形成分词标注的大数据，以供机器学习，最终实现人工智能的知识积累。
首先，根据原告诉讼请求及事实主张确定案件诉讼标的，明确案件审理的请求权基础规范，进而将请求权基础规范解构为若干要件。人工智能的知识积累从请求权基础规范的解构开始，同时，对请求权基础解构下的第一层级的要件事实进行标注。
其次，对要件事实的证明与认定过程予以标注。在某些情形下，对于原告所主张的要件事实，被告会采取直接否认、不知陈述、沉默等消极防御方式。此种情形比较简单，因为在审理当中，原告要对其所主张的事实承担证明责任，只有证明标准达致了高度盖然性标准，原告的事实主张才能被裁判者认定。对此，法律专家只需对此类简单情形中的证明责任分配与证明标准予以标注，提供给机器学习。而在更普遍的情形中，被告会针对原告的事实主张作出积极的防御，从而产生事实抗辩与间接否认之分。如前所论，在被告提出与原告的事实主张可同时成立的事实抗辩时，应由被告对事实抗辩承担证明责任，证明标准应采高度盖然性标准，否则，被告的事实抗辩将不成立；在被告提出与原告的事实主张不可同时成立的间接否认时，仍应由原告就其事实主张承担证明责任。被告的间接否认实为一种反证，反证方并不承担证明责任，反证以动摇裁判者初步形成的心证为要旨，最终由裁判者在衡量后判断要件事实或事实抗辩的真伪。所以，在此基础上，就需要对事实抗辩与间接否认的证明责任分配及证明标准的节点予以标注。
再次，对证明路径进行标注。当事人的诉讼证明存在着二维路径：第一种路径是当事人通过举示证据而直接证明事实，此证明活动为直接证明，所涉证据为直接证据；第二种路径是当事人通过间接证据来证明间接事实，之后由法官依经验法则推定主要事实，此证明活动为间接证明，法官依此来认定事实的过程就是事实推定。相对方对于事实推定可通过反证加以否定。法律专家可按此二维路径对个案证明方式予以标注，并形成司法大数据，如此，机器可就证明方式的知识点进行深度学习。
最后，对请求权基础规范能否适用的法效果进行标注。只有在请求权基础规范的各个要件事实均被认定为真时，才能发生请求权基础规范得以适用的法效果。就此，法律专家可对各要件事实认定情况以及裁判结果分别予以标注。
通过依据要件事实型民事裁判论进行的这种要素解构，最终可以对实体法规范、各要件事实、事实主张与抗辩、抗辩与间接否认、证明责任、直接证明与间接证明、裁判结果等各要素形成分层级、分阶段标注。其中，各要件事实、事实主张与抗辩、抗辩与间接否认、证明责任的具体分配、直接证明与间接证明等具体事项，均可被作为分词的设置对象，为机器学习提供规范化、标准化、体系化的知识积累。
（二）应用演示——以民间借贷案件中的本金及利息返还请求权之诉为例
在本金及利息返还请求权之诉中，包括以《合同法》第13条、第206条第1句、第210条为请求权基础的本金返还请求权和以《合同法》第205条第1句为请求权基础的利息支付请求权这两个实体请求权。对于本金返还请求权，其要件包括借贷法律关系成立与借款已到约定返还期限，其中，借贷法律关系成立又包括借贷合意、金钱交付两个要件。对于利息支付请求权，其要件包括本金的确定、利率约定、约定的支付利息期限。
对于本金返还请求权来说，在理想状态下，原告只要以借款合同、借条等证明了借贷合意，并以转帐凭证证明了金钱交付，就可证明借贷成立；同时，以借款合同中的约定或借条上的记载，可以证明借款已到约定返还期限。但是，在实践中却存在着两种非理想状态。在一种情形下，如果原告仅提交转帐凭证以证明金钱交付，却未对借贷合意提供证据证明，那么，当被告提出原告转帐系赠予或偿还之前债务的间接否认时，就仍应由原告就借贷合意负证明责任。在难以进行直接证明时，可提供双方业务往来情况、联系程度、经济状况等间接证据，以经验法则为大前提进行间接证明，当然，这仍应达到高度盖然性证明标准。通过对无法直接证明借贷成立、间接否认、间接证明、经验法则、高度盖然性等要素进行标注后，就会形成符合诉讼逻辑的、体系化、标准化要素链，以供机器深度学习，从而在今后审理“原告无法证明借贷合意，仅能证明金钱交付，而被告提出间接否认”的类案中，实现精准推送与精确辅助。在另一种情形下，原告仅能以借条证明借贷合意，但无直接证据证明金钱交付。此时，只能以经验法则为大前提，结合借款金额、双方当事人关系、当地交易习惯等间接证据进行事实推定，若能达致高度盖然性标准，则可认定借贷关系成立，反之亦然。在对事实推定过程予以标注后，可就此裁判知识进行大数据的机器学习，从而形成人工智能。就被告抗辩而言，如果被告主张借款合同无效的权利妨碍事实、借款已过诉讼时效的权利消灭事实、借款未到期的权利阻却事实等，则由被告就此抗辩承担证明责任。为了构筑机器学习的前提，应将权利妨碍事实、权利消灭事实、权利阻却事实等各类具体情形予以明细化、类型化，比如，在权利消灭事实中，除包括借款已过诉讼时效外，还应包括借款已经偿还等内容。将被告抗辩的事实进行类型化并予以标注，供机器学习，如此，就可形成围绕被告抗辩的人工智能裁判知识。其中，借款合同、金钱交付、约定还款期限、合同效力、借款偿还、诉讼时效等均可被作为分词的设置对象。
对于利息支付请求权而言，约定的支付利息期限一般较为清楚明确，而且，此处的讨论以利息支付期限已作约定为前提，故请求权基础的解构主要针对利率约定。关于利率约定的实体法规范为：“年利率24%以下应予保护”；“超过36%的无效”；“24%-36%之间的自然债务，不可通过诉讼主张，但当事人自愿履行应受认可”。因此，对这三类情形加以区分后，即可通过人工智能实行自动计算。
四、要件事实型民事裁判论之于人工智能民事司法应用的独立性
要件事实型民事裁判论虽然是对于人工智能民事法律知识图谱构建较为妥当的前端理论，系人工智能知识积累的较佳方法，但是，其可以适用的领域仍然有限。固然，“阿尔法零”（AlphaGoZero）在围棋领域的成功使人们对人工智能的适用空间充满了想象，但我们应当清晰地认识到，围棋的胜负规则较为确定、清晰，而法律并不具备以上特征，“阿尔法零”的经验实难被复制到司法领域。司法需要经验与价值判断，人工智能难以完全取代法官。在下文中，笔者将着重分析，在哪些具体领域不适于人工智能的应用，在哪些具体领域不便于人工智能进行知识积累与知识图谱构建。
（一）人工智能难以代替法官：独立性事项的内容
1.事实认定领域的独立性事项
（1）自由心证的适用
与自由心证主义相对应的是法定证据主义，法定证据主义不仅对证据能力作出预先设置，而且对证据证明力以法定形式予以规范。应当说，法定证据主义的规范化易于人工智能发挥作用，但法定证据主义已成为故纸堆中的事物。两大法系在证据证明力上均采取自由心证主义，裁判者享有自由评价证据的证明力和自由依据证据进行推论的权力。尽管英美法系因以陪审制为基础而对证据能力设定了法律评价规范，但与法定证据制度相比，规范证据评价就微不足道了。而自由心证建立在对法官的信任之上，裁判规律具有零散性与不确定性，并不适宜人工智能的知识积累及应用。
（2）内心确信的判断
关于法官内心确信的标准，曾存在法官本人确信或是社会中性人确信的争议。有学说以为，内心确信需达到能够被其他法官复验的程度。亦有人认为，其需达到能够被有必要洞察力的人复验的程度。也有人认为，内心确信标准的判断主体是普通人而非法官，即便法官自身对待证事实没有形成内心确信，但如果法官认为普通人对此已经可以达成确信，那么就已经达到内心确信要求。以上观点的共通之处是，其均以拟制第三人作为主观确信基准。拟制第三人大致可分为合理的平均人、富有深思熟虑的第三人、平均的法官、有见识的法官四个层次。引入拟制第三人作为法官内心确信标准，旨在以拟制第三人接近普遍正义的判断，以减少法官的个人恣意。然而，内心确信是本案法官作为谨慎、清醒、经验的人的具体、生动的确信，是法官在直接原则、言辞原则、对审原则之下，根据证据资料与辩论全趣旨，在本案具体情景中作出的具体主观判断，而非拟制第三人抽象的脱离本案情景的判断。我们不可能设定一个理性的人，由其通过表决、问题设置等方式获得心证，因此，并不存在一个本案法官之外的拟制第三人。就此而言，内心确信必须由法官根据具体案件、具体情势进行具体判断，人工智能不可能代替法官进行内心确信。
（3）经验法则的运用
经验法则是人之生活经验定则，是从经验中归纳出来的有关事物的知识或法则，包括一般的生活常识、一定职业技术或科学专业的法则，是人类以经验归纳所获得的有关事物因果关系或性质状态的法则或知识。主观性为其本质特征，但作为从具体到抽象的一般性知识，经验法则又具有一定的客观性。一般性与一定的客观性决定了经验法则的抽象性，体现为在无反例的情况下经验法则在一定场域可以普遍适用。经验法则更是具体的，其具有流动性与个案性，必须结合个案及背景妥善运用。经验法则具有主观与客观、抽象与具体交错的特征。就此而言，经验法则抽象性与具体性交错的特征适宜人工智能的运用。但是，经验法则既是自由心证的保障，又是自由心证的内容，对它的选择及取舍均属法官自由心证范畴。由此可推知，在经验法则领域，人工智能可发挥的作用会受到一定限制。
（4）辩论全趣旨的审酌
辩论全趣旨是在口头辩论中呈现的除证据资料外的其他所有资料，辩论全趣旨与证据资料共同构成事实认定的依据。相对于证据资料的实在性，辩论全趣旨显得难以捉摸。笔者将辩论全趣旨的具体内容分为两类：一类是将口头辩论一体视之，观察当事人攻击防御行为在整个口头辩论中的一致性、联系性与合理性，包括当事人提出攻击防御方法的时机、同一事实主张是否有反言、撤回自认、违反真实义务、隐匿或毁坏证据方法、对法院或当事人提问的合作程度等。另一类则是当事人、证人等诉讼参与人在庭审中的态度、神情、反应、语气、肢体语言等与身体相关的非语言因素，如陈述中脸红、出汗、闪躲、轻率、气馁、过度紧张等。后一类内容在英美法系被称为情态证据。对于辩论全趣旨，虽可对其进行学理定义，但作为整个口头辩论过程所能感知的事项，实际难以被详细说明或“只可意会、不可言传”，一些日本学者认为，这正是辩论全趣旨的精妙之处。情态证据的运用代表着对人类认知本能的坚守，其无法被客观标准衡量，人工智能对此难以有效学习，故不适宜由人工智能对其作出判断。
2．法律适用领域的独立性事项
在以成文法为背景的法规出发型民事诉讼中，法律适用的核心问题是找法。理想意义的法条是包括构成要件与法效果的完全法条，而完全法条可被独立作为请求权基础。完全法条中的构成要件与本案事实具有关联性，法官须进行涵摄。在完全法条情况下，人工智能较易进行机器学习，也能够有效发挥作用。证明责任分配实为法律适用问题，在规范说之下，证明责任分配实际由民事实体法所确定，类案的证明责任分配规则在被类型化后，可为机器学习所用。法律适用领域的独立性事项，主要体现在民法解释方面。
（1）狭义的民法解释
狭义的民法解释是指，以文义解释、体系解释等解释方法探求民法的规范意旨。解释与理解始终是机器的薄弱环节，当文义解释存在多种解释可能时，人工智能应用会面临较大困难。对于体系解释的运用，人工智能更是力所不逮。不完全法条只有与其他法条相结合，才能形成法效果；对不完全法条的适用，尽管有一定规则，但总体上需要由人进行合理的解释。我国民事立法并未严格遵循“构成要件+法效果”的标准范式，不完全法条的情形较为普遍，民事概念的严谨性有所不足，增加了体系解释的运用难度，也对人工智能司法应用造成了阻碍。
（2）不确定性法概念的评价
民法中的诚实信用、公序良俗等不确定性法概念，在漏洞填补、利益衡量、价值判断中具有重要作用，但其外延并不清晰，且会随着社会发展变化不断被赋予新的内容。不确定性法概念的适用，更多是法官根据社会公共观念、社会通行价值与个案情势进行的评判，这种不确定性与变动不居并不适宜人工智能的知识积累。
（3）权益冲突的衡量
民事权利体系具有开放性，各种新兴权益不断涌现，权益间的冲突是民事司法时常面临的问题。对于权利与权益、公共利益与个人利益、人身权益与财产权益以及人身权益、财产权益内部的冲突，尽管可归纳出一定的冲突衡量规则，但总体上看，权益冲突衡量具有不确定性，而且，有的权益边界也较为模糊。冲突衡量更多是基于法律原理与自然正义而进行的判断，已超出人工智能的能力范围。尤其是在家事诉讼等人身权益诉讼中，在权益冲突平衡中还需要考量社会伦理因素，这更排斥了人工智能的应用。
（二）人工智能法律知识图谱对于独立性事项之价值
在内心确信、经验法则、不确定性法概念的评价、权益冲突的衡量等领域，人工智能虽难以适用，但对以上内容的合理化，可以提供数据与经验积累。内心确信、经验法则等的共同制度旨趣是建立在对法官信任的基础上的，其本质上具有主观性，强调法官个体独立判断，但是，为防止法官恣意，其又寻求一种相对客观的制约标准。尽管如普维庭所言，并不存在纯粹的客观真相与理想人的心证，只存在独立的法官心证，事实认定者的主观“视其为真”，是思想、自由和经验的耦合，但法官个人的主观确信又需遵循合理化路径，需符合经验法则与逻辑法则，需接受社会不特定公众即类似于拟制第三人的认知标准的制衡。通过人工智能对类案法官内心确信状况进行学习，可形成同行法官的内心确信通行标准。尽管此标准在个案中并不能完全约束法官的内心确信，但为内心确信的合理化提供了有益参考。以上内心确信的形成过程，既遵循了内心确信是个案法官的确信之原理，又将法官的一般理性标准引入诉讼程序，系两厢兼顾的选择。另外，对权益冲突的衡量虽然并非人工智能所擅长，但人工智能应用也可促进权利优于利益、人格利益优于财产利益、生命健康权优于一般人格权等冲突衡量规则的生长。
代结语：人工智能民事司法应用制度环境的构建
在以大数据、人工智能为标志的新一轮技术革命中，科技创新与司法程序将实现深度融合，要件事实型民事裁判论作为人工智能在民事司法领域应用的前端理论，需进一步凸显其作为主要民事裁判方法的地位及功能。但就实践而言，其作为民事裁判基本方法的结构体系尚未有效形成。人工智能司法应用的浪潮，既对要件事实型民事裁判论提出了迫切需求，亦会倒逼民事诉讼的要件式审理。
此外，要件事实型民事裁判论已为人工智能知识积累提供了较佳的标准化与类型化模型，但需以主张的具体化作为另一层次的保障。若当事人仅抽象主张某一要件事实存在，那么，尚不能视其为已完成主张责任，其还需向受诉法院作具体陈述。如果当事人攻击方向或目标不明确，那么，对方当事人将难以进行有效防御，从而使攻击防御难以有效展开。而如前所论，人工智能知识积累建立在标准的诉讼攻防体系上，因此，人工智能司法应用需以主张的具体化作为制度基础。
人工智能民事司法应用所需的制度环境除了要件事实论本身，争点整理的程序保障亦不可或缺。根据案情选择适当方式进行争点整理，可明确审理对象，使审理集中、高效进行。法律争点往往直接被作为一级要素，而事实争点可被作为二级要素，通过争点整理可以促进要素提取的便捷化与清晰性。
我国由国家层面统一推动的人工智能司法应用在世界范围内居于领先地位，而人工智能司法应用与要件式审理的深度融合，将使我国在新一轮技术革命背景下的全球民事诉讼制度发展中形成制度优势，从而开拓我国民事诉讼的崭新发展阶段。
声明：本文来自法制与社会发展，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
