张勇（1973），男，河南许昌人，华东政法大学刑事法学院教授，博士研究生导师，博士，从事刑法研究。
［摘要］社会危险性是逮捕的核心条件之一，司法实践中存在逮捕适用率过高、判断标准模糊、依赖主观经验偏重等问题，客观量化评估是优化逮捕措施适用质效的必然选择。相较于主观经验评估模式、统计量化评估模式，人工智能评估模式能够克服前两种模式的不足，在数字技术驱动下实现社会危险性的精准评估，有效规范司法裁量权，优化刑事风险防控体系。构建逮捕社会危险性智能评估模型可采取“分类+分级”模式，将智能评估模型分为实体性评估与程序性评估两类，在分类基础上，从法定规范、内部关联、外部环境三个指标层级，分别明确相关评估要素内容。同时，建立智能评估模型的动态校准机制、风险防范机制、人机协同决策机制以及权利救济机制，为智能评估模型的实际应用提供制度保障。
逮捕作为最严厉的人身强制措施，历来受到学界和实务界的高度关注。为优化逮捕适用标准，2012年，《刑事诉讼法》将社会危险性条件正式纳入逮捕必要性审查体系；2018年，我国进一步明确适用逮捕措施社会危险性的考量要素。立法虽逐步细化社会危险性的审查标准，但实践效果并不理想。最高人民检察院2024年工作报告显示，全年批准逮捕犯罪嫌疑人75.3万人，逮捕率较2023年增加7.37%，逮捕的适用率仍然偏高。现阶段，逮捕更注重对证据条件和刑罚条件的审查，而轻视对社会危险性条件的判断。然而，社会危险性作为逮捕的核心条件，是准确适用逮捕措施的关键。从司法实践来看，逮捕社会危险性的认定缺乏明确标准，司法人员多依赖主观经验，偏重对社会危险性有无的定性评估，难以契合逮捕措施应有的治理需求。在数字技术日益成熟、人工智能推动风险评估范式转型的背景下，本文尝试对社会危险性进行量化评估，分析总结既有模式的优势与不足，在现有研究基础上探索数字赋能社会危险性评估的可行路径，构建兼具司法理性与技术伦理的社会危险性智能评估模型，辅以评估模型运行的配套制度，以期为社会危险性评估提供科学有效的参考。
社会危险性是逮捕的核心条件之一，但目前有关社会危险性条件的法律规定较为模糊，长期以来司法实践的判断存在诸多困难。如何更加科学、规范地评估犯罪嫌疑人的社会危险性，有待进一步探索。
《刑事诉讼法》第81条描述了具有社会危险性的五种情形，并规定对社会危险性的评估应综合考虑犯罪性质、情节轻重等因素。司法人员判断是否适用逮捕措施，通常先对案件的证据条件与刑罚条件进行判断，若二者条件均已满足，则启动对社会危险性条件的审查程序。对于简单案件，办案人员通常能够直接作出判断，而当案件较为复杂，无法直接得出社会危险性大小的结论时，则要结合犯罪嫌疑人的多重因素进行综合判断。目前，司法实践对于社会危险性的判断主要存在以下几个问题：
其一，司法人员主观经验占据主导地位，刑事裁量权存在滥用风险。司法机关在审查逮捕时，社会危险性条件发挥的实际作用有限，由于缺乏标准约束，其判断容易受到个体经验、认知差异等因素的影响。特别是对复杂案件的审查，办案人员只能结合案卷已知因素，得到主观上认为恰当的综合判断。例如，部分办案人员将社会危险性评估与其他要件同步审查；或社会危险性判断受户籍歧视、舆论等主观因素干扰，导致同案不同判现象突出。
其二，偏重于社会危险性的定性评价，忽视对社会危险性大小的判断。虽然法律要求对社会危险性条件进行综合评估，但实践中缺乏量化的可操作性，办案人员在完成逮捕中证据条件与刑罚条件的审查后，极易将社会危险性审查简化为形式化判断，甚至直接依据侦查卷宗中的显性证据作出结论，实质上架空了社会危险性的独立审查功能。
其三，评估指标范围偏窄，办案人员缺乏拓展评估要素的主观意愿。面对疑难案件与问责压力，办案人员易趋于保守，固守于书面材料的审查。加之办案时限约束，缺乏系统搜集风险信息的动力。
总之，现行评估方法存在缺陷，致使社会危险性错判风险增加。立法机关同样关注到现存的实践难题，通过不断细化审查标准等方式作出回应。然而，现有规范仍难以应对复杂多变的司法实践，其判断标准的模糊问题依然突出，难以实现社会危险性评估的科学性、精确性。
当案件符合逮捕的证据条件和刑罚条件时，逮捕与否的结论将完全取决于社会危险性的评估结果。目前的实践判断过于依赖办案人员的主观经验和案卷材料的零散信息，难以满足司法客观性、精确性以及人权保障的基本要求。在此情境下，量化评估方式成为提升司法决策效能的必然选择，也是深化逮捕审查制度改革的现实需要，主要体现在以下三个方面：
一是量化评估是规范司法裁量的制度要求。司法人员在处理具体案件时，通常享有一定的自由裁量权，不同办案人员对社会危险性的判断标准和价值立场存在分歧，可能导致逮捕结论的差异。量化评估方式通过建立统一的评估标准和操作流程，能够减少因个体认知偏差带来的裁量差异，进而增强社会公众的认同感。事先对影响社会危险性的各类风险要素进行量化，为司法决策提供明确的裁量依据。司法人员能够据此计算出干扰司法或继续犯罪的可能，最终形成逮捕与否的量化建议，有效弥补司法裁量中可能存在的主观性与模糊性的缺陷，在一定程度上限制裁量权的滥用。
二是量化评估契合诉讼经济与司法效率的实践需求。社会危险性的量化评估在优化司法资源配置的同时，还能同步提升诉讼效率，缓解司法资源紧张的现实压力。传统裁量模式下，司法人员需要在短期时间内有效审查海量材料，并进行判断权衡。但由于个体认知能力有限，往往决策周期较长，倘若存在互相矛盾的社会危险性判断因素，还应对司法人员进行多重价值权衡，可能造成司法资源的反复消耗。量化评估方式将复杂的法律判断分解为具体可操作的流程，不仅大幅缩减了决策的时间成本，还能减少办案人员在个案中的反复权衡，从而降低司法资源的重复消耗与浪费。
三是量化评估能够回应犯罪预防与人权保障的双重诉求。现代社会的犯罪预防需求持续强化，客观上形成公共安全维护与公民权利保护之间微妙的博弈。犯罪防控要求国家权力及时干预潜在风险，而人权保障则要求严格限定公权力的作用边界，实现二者平衡的关键是科学规制权力。传统司法实践中存在“构罪即捕”的惯性思维，而量化评估通过技术理性合理规制权力，将价值冲突转化为可计算的技术过程，进而限制权力的滥用，使犯罪预防的必要性与人权保障的有限性得以平衡。当量化评估得出的风险系数较低时，则无须适用逮捕措施。以广州市南沙区为例，该区在运用量化评估系统后，因无社会危险性而不予批捕的案件数量同比增长17.24%。当风险系数较高时，则可以综合考量全案决定逮捕措施的适用。由此，既满足犯罪预防的时效性要求，又通过量化程序防止权力过度扩张，使权力干预的强度、范围始终处于权利保障的约束框架内。
为了提高社会危险性评估的准确性与科学性，各地司法机关对社会危险性进行了量化评估方面的探索，形成了不同的评估模式，积累了不少实践经验，以下予以评析。
目前，我国社会危险性评估大体可以分为主观经验评估模式、统计量化模式、大数据驱动模式三种类型。主观经验评估模式以司法从业者的职业经验、专业知识为依据，统计量化模式依赖于统计学分析结果，大数据驱动模式依赖于以机器学习为代表的人工智能技术判断。
一是主观经验评估模式。主观经验评估模式主要依据司法人员的职业经验进行量化评估，我国法律制度及司法实践多采用主观经验评估模式。在制度层面，我国社会危险性评估呈现出由粗放判断向精细评估的转变。2003年，《审查逮捕证据参考标准（试行）》首次明确列举了社会危险性的考量要素。此后，出台的多部法律规范，逐步完善社会危险性评估要素。司法实践层面，部分司法机关的基本做法是通过量化社会危险性相关的评估指标并设置权重，构建量化评分体系，在处理具体案件时，将犯罪嫌疑人、被告人的各项情节按照模型归纳的因素代入到模型中，进行加减计算，从而得出风险等级或逮捕与否的结论。例如，安徽省芜湖市检察机关对犯罪嫌疑人或被告人的犯罪性质、量刑情节，以及个人性格特征、罪前罪中罪后的表现等情况进行综合分析，通过标准化的量化评分方式，判断犯罪嫌疑人、被告人是否具备逮捕的社会危险性条件。在理论层面，有学者对主观经验评估模式的量化作出积极探索，对社会危险性评估要素进行类型化分析，归纳并细化了实践操作中应当考量的要素。还有学者进一步将社会危险性因素设置了危险等级，并形成综合评估公式以作实践参考。
二是统计量化模式。通常认为，统计学的方法有描述性统计和相关性分析两大类。统计量化模式以传统统计学方法（如线性回归、逻辑回归等常见模型）为核心，通过人工筛选变量要素、设定权重，构建可解释的数学模型，其本质是基于统计推断的经验建模。该模型具有三个技术特征：其一，以大量案件数据为分析样本；其二，运用回归分析等统计方法提取风险因子；其三，建立量化指标体系进行概率预测。相较于传统经验评估方法，这种模式通过样本数据驱动，增强了评估结果的可验证性。当前，少部分司法机关尝试应用统计量化模型进行社会危险性评估。如广州南沙在司法改革中试行了量化评估机制，该机制通过整合数据分析、实证研究和统计学方法，将评估要素划分为3个维度43项指标，并赋予不同权重参数。办案人员录入案件信息后，系统自动进行运算，最终生成评估建议。理论层面，也有学者主张引入这一模式，对社会危险性进行精准化评估。基本思路是依托大量案件样本，将采集的评估指标转化为可运算的数据，筛选出对风险结果具有重要意义的评估因素及其权重，据此建立社会危险性评估量化模型，运用统计学方法进行运算，并得出社会危险性的风险结果。在域外也存在统计量化模型，又被称为精算风险评估（actuarial assessment），有着较为成熟的实践经验，并得到较为广泛的应用。
三是人工智能大数据驱动模式。人工智能大数据驱动模式以机器学习为核心，依托海量司法数据构建风险评估模型。机器学习能够在吸收基本算法的基础上，演变出深度学习、神经网络等高级算法，通过大数据分析自动挖掘案件中的风险关联特征，形成多维度、非线性的预测模型，这种智能评估模式突破了传统统计学方法对人工预设变量和线性关系的依赖。在实践层面，我国司法机关已开展初步探索。以“206”上海刑事条件智能辅助办案系统为例，该系统已经通过人工智能的深度学习算法来建构模型，其着重关注专家经验、模型算法和海量数据三个环节，预设了机器学习的规则。办案人员输入案件信息后，系统可自动生成包含风险等级、关键影响因子及决策依据的评估报告。随着人工智能技术的兴起，学者也日益关注到机器学习的优势以及域外的广泛应用，主张引入大数据建模方法，实现对社会危险性的科学赋值。
既有评估模式在实践和理论发展中都积累了部分经验，但不同方法仍存在自身短板。
其一，主观经验评估模式借助了量化工具，具有适用标准统一、评估过程简化的功效，但其实质仍是经验固化的表现，是将司法经验进行有限度的标准化。这种模式存在双重局限：一是预设的固定指标与权重实质上是对个案经验的机械复现。预设的指标是对既往案例的归纳总结，权重分配则是对群体经验的概率化表达，强化了司法人员对经验判断的路径依赖，缺乏一定的动态性与科学性，社会危险性审查恐难以摆脱构罪即捕的惯性。二是办案人员对抽象的量化要素可能存在认知偏差。社会危险性被简化为若干要素后，具体要素内容的审查仍有赖于办案人员的主观认知。在量化评估过程中，办案人员可能将个别显性标签直接融入自己的判断，推定某一要素的数值。比如，将“无固定职业”等同于“缺乏社会约束力”，进而直接关联再犯可能性，但未进一步审查失业原因。行为人可能因产业转型导致群体性失业，或实质为家族企业的实际经营者。这种标签化思维可能因指标的机械叠加而加剧评估偏差，影响社会危险性评估的准确性。
其二，统计量化模型依赖统计学方法，虽然在提升评估客观性和标准化方面具有一定优势，但也难以有效降低主观因素对模型及结果的影响。一是样本基础的科学性存疑。该模型运转的前提是分析样本，实践试点与理论探讨中纳入分析的样本数量及其代表性有限，尚不能为评估逮捕社会危险性提供可靠的依据。二是评估指标体系缺乏一定的科学性与统一性。不同模型存在指标要素及权重方面的差异，与前一方式的局限相似，其内容与权重的确定仍是经验判断的选择，有固化偏见的可能。三是模型的动态适应性不足。现行量化评估多采用静态建模方法，其逻辑和参数主要依据历史数据进行训练。然而，社会危险性的要素会随着犯罪形态演变和社会治理需求的变化而发生改变。例如，新型网络犯罪的出现或刑事政策导向的转变，都可能使原有评估标准失准，缺乏持续学习机制的静态模型难以适应司法实践的发展需求。
其三，人工智能大数据驱动模式能够较好地弥补前两种模式的缺陷，实现社会危险性量化评估的科学性与动态性，但仍存在一定局限。一是数据依赖问题。人工智能评估模型的运行通常需要大量高质量的数据，但司法数据可能存在不完整、偏差或历史歧视。如果历史逮捕数据中存在对某些地区或群体的偏见，模型可能学习并延续这些偏见，形成不可靠的决策，甚至产生错误的结果。例如，美国在模型使用中，存在并延续对少数族裔的一定偏见。此外，数据孤岛问题也限制了数据的全面性。二是算法黑箱问题。部分模型决策存在判断逻辑不可视问题，难以满足法律解释的高要求，进而导致司法信任缺失。三是规则缺失问题。从实践探索来看，目前存在重技术研发而轻制度供给的现象，制度供给的滞后可能消解技术应用的法治价值，还存在诱发司法权力异化的风险。
人工智能技术的应用驱动社会治理深刻变革，并对司法适用形成有效辅助。智能评估模型克服了传统经验与量化模式的局限，凭借大数据分析实现了更大数据规模、更优分析工具，展现出科学性、精确性与动态性等特点。
智能评估模型不仅能够实现精准评估，其更深层价值在于能够重构司法裁量的边界。传统量化评估试图通过预设指标来约束自由裁量权，看似建立了客观评价标准，实则构成了新的司法垄断，如指标选择、权重赋值等仍掌握在特定群体手中。智能评估模型通过算法理性，将个体经验决策转化为人机协同的开放机制。一方面，算法理性合理制约自由裁量权的行使。智能评估模型通过技术设计，将所涉及的判断要素和推理过程转化为可解析的代码语言，权力行使的逻辑便暴露在技术性审查的视野之下，通过可视化决策，将原本隐含在司法人员主观认知中的经验判断显化，减少了结论说理的模糊性，并且能够有效减少“同案不同处”现象。另一方面，算法优化进一步塑造了司法裁量的边界。传统量化评估通过预设指标划定了裁量边界，但面对复杂多变的新型犯罪形态时，往往通过“例外条款”再次回归经验判断。智能评估模型通过算法学习技术，可以持续优化系统。此时，办案人员的司法裁量权并未被剥夺，而是被限制在一定范围。当智能评估模型评估结果与人工判断出现显著偏离时，可以启动复核程序，并说明理由。此种模式既防范了技术独断的风险，又避免了权力恣意的可能。此外，智能评估模型的每个操作环节，都可以形成不可篡改的电子证据链，不仅能够为事后司法审查提供完整依据，还能促使办案人员在行使权力时慎之又慎。
刑事治理理念正处于现代化转型进程中，其要求发挥内部的协作性与能动性，追求犯罪治理的最佳效果。逮捕制度的核心功能在于保障刑事诉讼顺利进行，包含对犯罪嫌疑人未来社会危险性的司法预判。传统量化评估局限于既定的犯罪事实，实际是对既定行为的回溯判断，难以适应犯罪治理现代化的深层需求。智能评估模型通过数据流动与知识共享，实现对社会危险性的预见性评估，进而推动犯罪治理从单一打击向多元共治转型。具体而言，其优势体现在以下几个方面：
其一，实现犯罪风险的早期预警。智能评估模型通过整合犯罪嫌疑人相关动态数据，进行风险趋势推演，不仅能评估当前社会危险性，还能通过轨迹分析预测其未来倾向，重构犯罪治理的时序结构，由事后惩罚转向事前预防。
其三，打破部门数据壁垒，推动多元协同共治。公安、民政等部门的数据长期割裂，制约治理效能。智能评估模型通过安全技术，构建跨域数据平台，在不转移原始数据的前提下实现知识共享，促使检警达成共识、同向发力，不仅可以提升犯罪治理的整体效能，也有助于构建多元主体协同共治的系统，打破司法系统的封闭格局。
智能评估模型的系统效能取决于技术架构与司法逻辑的深度融合。社会危险性智能评估模型构建应从评估模式、评估要素、评估步骤、评估方法四个维度展开。科学的评估模式是模型构建的逻辑起点，评估要素是评估模型的核心支撑，评估步骤及方法是模型得以科学运作的关键，最终实现从经验判断向智能驱动的范式转型。
在审查社会危险性前，应首先明确智能评估模型所采取的评估模式。目前，存在综合评估模式和分类评估模式两种类型，前者采用整体性评估，对社会危险性条件作一贯判断；后者则遵循分项评估路径，先对各情形独立评判再进行综合评判。理论与实践对两种路径均有支持。实践层面，部分规范文件对社会危险性的五种情形予以区分，并分别列举了更为具体的评估要素，如2015年《关于逮捕社会危险性条件若干问题的规定（试行）》（高检会〔2015〕9号，以下简称《规定》）第5—9条；2019年《人民检察院刑事诉讼规则》（高检发释字〔2019〕4号，以下简称《刑事诉讼规则》）第129—133条；等等。而《刑事诉讼法》及多数其他规范文件则采取综合评估模式，仅对社会危险性作笼统规定。学理上，多数学者亦倾向于综合评估，未对社会危险性情形作细致区分；但也有学者采取分类评估的思路，专门对再犯风险展开研究。本文认为，由于犯罪嫌疑人情况各异，其社会危险性的具体情形也相去甚远。不同评估内容涉风险要素各有侧重，即便同一要素在不同情形中所占权重亦不尽相同。若仅对社会危险性进行概括判断，极可能影响评估的准确性，导致结论偏离应然结果。因此，有必要依据不同情形构建并适用差异化的评估模型，以提升评估整体的专业性。但考虑到我国司法实践情况与投入成本，针对社会危险性各类情形分别构建量化评估模型尚不现实。目前较为可行的方式是采取分类评估模式，整合类似风险，重构风险类别。依据《刑事诉讼法》所列举的社会危险性五种情形，可依其正当性基础归纳为实体风险与程序风险两个维度，并据此分设两类评估模型。其一，再犯风险评估模型。其实体性风险主要包括“可能实施新的犯罪”“有危害国家安全、公共安全或者社会秩序的现实危险”两类情形。其二，妨碍诉讼风险评估模型。其程序性风险主要涵盖“可能毁灭、伪造证据，干扰证人作证或者串供”“可能对被害人、举报人、控告人实施打击报复”“企图自杀或者逃跑”等情形。通过设计不同类型评估模型，并赋予不同的指标、分数及风险等级，进一步实现智能模型的精准评估。
智能评估模型虽具备自主学习能力，但风险评估的智能化仍属渐进过程，目前尚处于技术应用初期阶段，面临准确性和可解释性风险，不能脱离司法逻辑与必要监管。实践表明，智能评估模型学习法律思维的最佳路径，就是初步预设符合司法逻辑的评估指标体系。该体系既可以作为社会危险性评估的初始标准，指引技术开发者设置合理程序，还有助于司法人员对模型结论进行复核检验。需要强调的是，指标的设定仅为评估的基础标准，其目的在于把握整体情况。与统计量化模式不同，智能评估模型的持续学习机制，可以依据数据样本继续完善并细化原有评估标准。因此，社会危险性评估指标并非固化的、静态的。在确定社会危险性基础评估指标时，应当注意指标体系的全面性，但也应当避免指标冗余，减少不必要的操作。
我国逮捕制度相较于域外标准更为严格，其适用条件几近于定罪量刑之要求。为此，有必要构建评估指标的分类分级体系，通过二元维度实现指标精准评估。分类主要解决评估目标差异化问题，可依据《刑事诉讼法》《规定》《刑事诉讼规则》及相关司法解释规定，将指标分为再犯风险评估与妨碍诉讼风险评估两大类型，进而有效应对社会情境的复杂性与多变性。具体指标的设置还可以适当参考《关于常见犯罪的量刑指导意见（试行）》（法发〔2021〕21号，以下简称《量刑指导意见》）相关内容。社会危险性评估与量刑活动虽然在功能上有所区别，但二者皆以事实为根据，以法律规范为基础，对犯罪事实、性质、情节以及社会危害程度等内容进行判断。因此，社会危险性评估标准与量刑标准两者是相衔接、对应的，对于具体指标的考察内容存在相通之处，量刑标准能够为社会危险性评估提供一定的规范指引。具体而言：
其一，再犯风险预测的实体性评估，主要从社会危害性、人身危险性、致罪因素三大要素着手。一是社会危害性反映罪行轻重，罪行越轻，客观危害结果越小，可细化为犯罪类型、犯罪形态、作案方式、犯罪情节等要素。例如，《量刑指导意见》认为黑恶势力、严重暴力、毒品、性侵未成年人等犯罪属于危害严重的犯罪应当重点把握，并且在社会危险性的认定中也应当着重关注以上犯罪类型。二是人身危险性关注行为人人格和个人基本情况，可以细化为年龄、一贯表现、生活经历、内在人格等要素，反映行为人再次违法的可能性。三是致罪因素关注、诱发、助长行为人再次犯罪的可能性，根据相关性研究，可进一步划分为导致犯罪心理形成的因素（致因）、支配犯罪发生的心理因素（心因）、诱发犯罪心理外化的因素（诱因），全面探索再犯风险。
通过设置专业化的评估模式和多层级的评估指标，形成社会危险性的分类分级评估体系，以此为基础，智能化的社会危险性评估逻辑主要经由以下步骤实现：
第一，利用大数据挖掘技术收集社会危险性的相关信息及证据，在这一过程中，应围绕实体性评估与程序性评估的目的，进行评估指标的抓取与判断。由于智能评估模型的分析对象仍然是数据，因此在获取相关信息后，还应当进行信息转化，将其处理为人工智能可以理解的语言，以便后续的算法分析。传统实证研究主要采用人工摘录的方式，而大数据应用则可以通过计算机的文本挖掘技术，实现信息文本的数字转化。
第二，利用相关算法对已经数据化的证据进行评估，分析犯罪嫌疑人或被告人是否存在社会危险性及其程度。社会危险性评估模型中包含的评估指标均会被赋予一定的权重，权重比例如何分配，并非单纯依靠数据或简单的因果关系就能完成。对此，可以通过专家论证以及司法大数据验证，深度挖掘各指标对社会危险性的作用，观察各指标与社会危险性的发生机制联系的密切程度，预测出具体指标的不同权重，最终将这些指标抽象为模型中的计算变量。预设各级指标的最高分值为100，分数越高，代表社会危险性越大。在智能评估模型结果中，若法定规范指标占比70%，内部关联指标占比20%，外部环境指标占比10%，即实体性评估或程序性评估模型分数=法定规范指标得分×0.7+内部关联指标得分×0.2+外部环境指标得分×0.1，通过自动化决策测算出具体的社会危险性指数。应说明的是，由于公开样本不足，现有学术研究的能力有限，各指标的科学赋权还有赖于掌握全库案件信息、具备资源调动能力的司法实务部门。
第三，通过将两类模型得出的社会危险性指数相加，提供对应的结论和建议。司法实践中，社会危险性判断需考察再犯风险与妨碍诉讼风险两类评估结果，通过将两类风险值相加并取平均值，最终生成相应社会危险性程度的结论。对此，可以将社会危险性分值作区间划分，0~33、34~66、67~100分别对应低、中、高三档等级。当最终风险值处于中、低风险时，原则上不适用逮捕措施，转而采用其他与中、低风险相适应的措施；当最终风险值处于高风险等级时，原则上适用逮捕措施，倘若其位于中高区间临界点，办案人员可以结合案件具体情况进行综合考量，进而决定逮捕与否并进行说明。如此，既修正了量化可能存在的机械化特点，又能贯彻宽严相济的刑事政策。
以下对醉驾型危险驾驶类案中社会危险性评估进行具体分析。除了已经参照的《刑事诉讼法》《量刑指导意见》等规范外，《关于办理醉酒危险驾驶刑事案件的意见》（高检发办字〔2023〕187号）中的免罪、免罚、缓刑等量刑因素，能够进一步细化该类案件的社会危险性评估。其核心逻辑是，血液酒精含量不超过150毫克/100毫升且无加重情节的，可以不予立案；情节显著轻微的，可以免罪；情节轻微或紧急避险超出必要限度的，可以免除处罚；血液酒精含量不超过180毫克/100毫升，且不具有情节恶劣情形，可以适用缓刑。具体而言，在实体性评估层面，应着重考虑行为人的醉酒程度、是否发生交通事故、事故责任大小、是否取得机动车驾驶证、是否载客、是否服用精神药品或麻醉药品等影响危害程度的要素。在程序性评估层面，自首、坦白、立功、自愿认罪认罚、取得谅解、赔偿损失等行为会降低程序性风险，而累犯、逃避公安机关依法检查或其他对抗司法的要素则会加重风险。
以最高人民法院发布的入库案例“吴某某危险驾驶案”(编号：2024-06-1-055-032)为例。该案中，在实体性评估层面，吴某某的酒精含量为154毫克/100毫升，罪行较轻，但因醉酒驾驶造成交通事故致被害人轻伤，吴某某负事故主要责任，并且不存在其他情节显著轻微的情形，社会法定规范指标约70分。吴某某不存在经济行为异常、社交活动异常等要素，外部环境指标正常，因而其内部关联指标、外部环境指标得分为0分。吴某某实体性评估总分约为70×0.7+0×0.2+0×0.1=49分。程序性评估层面，事后积极救助伤者并进行赔偿，取得了被害人的谅解，有自首情节并且认罪悔罪态度好，无违法犯罪史，其程序性评估总分约为0×0.7+0×0.2+0×0.1=0分。综合以上，吴某某虽引发交通事故，但其积极救助伤者，诉讼可控性良好，社会危险性总分为(49+0)/2=24.5，处于低风险等级，应当作出不予逮捕决定。再以“饶某危险驾驶案”(编号：2024-06-1-055-006）为例。本案中，在实体性评估层面，饶某未造成交通事故，但多次实施醉驾行为，对公共安全已形成现实威胁；其未取得机动车驾驶证驾驶汽车，主观恶性较大，并持续外化，法定规范指标约90分；社交圈涉罪密度较高，内部关联指标约40分；外部环境指标正常。饶某实体性评估总分约为90×0.7+40×0.2+0×0.1=71分。程序性评估层面，饶某归案后自愿认罪认罚，但其五年内曾因醉驾犯危险驾驶罪被判刑，并且在取保候审期间再次醉驾，出行轨迹异常，其程序性评估总分约为85×0.7+20×0.2+0×0.1=63.5分。综上，饶某的社会危险性总分为(71+63.5)/2=67.25，处于高风险等级，原则上应当进行逮捕，但其分数接近中高风险的临界点，办案人员可以根据具体情况进行逮捕与否的考量，并进一步阐明原因。
人工智能的发展不是简单的手段应用，还可能引起新的社会问题。技术的司法赋能效果始终依赖于制度设计的科学性，应构建更为体系化的制度框架，应对智能系统可能存在的数据依赖、算法黑箱、规则缺失等问题。只有在健全的治理框架下，智能评估模型才能真正发挥其革新性价值。
智能评估模型的动态校准是保障评估结果准确性、科学性的重要措施。司法实践中，智能评估模型可能产生系统性误差，具体表现为两类风险：
其一，部分评估指标可能随时间的推移而影响权重的变化。其原因可能在于现实生活的发展，如智能手机的普及导致固定电话要素在风险评估中的影响减弱，也可能由于新法律法规的发布，导致评估指标的侧重点发生变化。
其二，智能评估模型存在误判的可能。当模型建议出现明显误判，说明系统可能存在认识偏差，或预测准确率整体下降，则应进行特征体系的动态优化。因此，应当建立动态校准机制，推进智能评估模型的不断完善。
一方面，动态校准社会危险性评估指标。评估指标与时俱进，既包括要素的设立或变更，也包括评估指标的权重调整。智能评估模型是在海量数据的基础上，利用算法预测社会危险性。作为评估的前提，海量数据可能留存司法偏见的可能，《刑事诉讼法》第6条规定了法律平等适用原则，为了避免算法复制司法偏见，应当定期清洗存入数据库中的歧视性样本。并且，仅依据历史数据开发的模型，恐难以准确反映当下行为人的社会危险性，从而产生“僵尸预测”问题。就此而言，应当定时定期对评估指标进行检验，特别是当新法律法规颁布之后，重新进行权重调整，实现指标体系的优化。
另一方面，动态校准社会危险性评估结果。司法实践中，智能评估模型由于缺乏正义价值判断，可能因机械算法而产生误判风险。当模型建议出现严重错误时，应当自动触发数据回滚机制，进行重新预测，并同步提示工作人员启动算法优化程序，校准社会危险性评估结果。此外，还应当实时跟进犯罪嫌疑人释放后的实际表现，据此对风险评估等级进行实时调整，保障评估结论更加贴近实际社会危险性程度，提升评估结果的可靠性与精确度。由此，对社会危险性评估指标、评估结果建立动态校准机制，为破除评估标准僵化、维持模型科学性提供制度性解决方案。
动态校准机制主要关注模型的技术调整和优化，而风险防范机制则聚焦于制度性约束，侧重预防潜在风险，确保系统的安全性和可靠性。依照智能化的社会危险性评估逻辑，其经过数据层、算法层等多层次运转，风险防范应当从数据滥用与算法失控的现实风险切入。
其一，在数据层面，应当明确数据使用的规范。智能评估模型依赖犯罪嫌疑人的身份、职业等海量数据运转，随着大数据技术的推进，可能搜集到更多有关犯罪嫌疑人的日常工作、生活的隐私信息，此类数据的敏感性远超普通信息，一旦泄露可能造成严重后果。面对此类风险，一是应当坚持目的正当原则，只有为了评估而必须用到的个人信息，才能作为评估依据，并且不得用作其他用途。二是依据数据的敏感程度、重要性以及与案件的关联程度，分为不同等级的数据，在个人信息使用完毕后，根据其敏感等级，删除相关信息或对司法数据进行相应的脱敏处理，这样既满足智能评估模型的评估需求，又符合《个人信息保护法》的规定。
其二，在算法层面，应当形成科学的监管体系。算法的核心风险在于其决策过程的不透明性，监管是保障人工智能合法合规发展的核心路径。智能评估模型的评估方法要求其采取可解释的算法，在后续的智能评估使用中，同样应当以正当程序理念为指引，强化各部门对算法的监管，共同保障算法的安全与合规。一是健全内部审查机制，司法机关内部应当对智能评估算法进行严格的审查：在技术层面应测试算法的准确性，法律层面应核验算法的合法性，伦理层面应评估结论的公正性，确保算法符合司法公正的要求。二是实行外部备案与检验机制，经审查合格的智能评估算法，应当向有关监管部门备案，接受有关部门的监督，深度的大数据、算法经过专家的反复检验，确保算法符合法律法规和政策要求。
其三，在验证层面，智能评估模型的定期司法验证也是不可或缺的。相比于羁押率的下降，评估结果的准确性直接关系到审查逮捕的公正性与合理性，显然更需要得到保障。这就要求评估机构定期对评估模型进行验证。通过机器学习技术，一部分数据作为训练集进行模型参数训练，另一部分数据作为测试集验证模型的实际效果。就此，大数据技术通过交叉验证的方法，相较于统计学采用的假设验证方法，更具有检验的可靠性。通过对比，离散度越低则模型评估结果越准确，由此来检验评估模型的评估准确度和能力。由此，智能评估模型经由数据层、算法层、验证层等逻辑体系，形成系统的风险防范机制，共同支撑社会危险性评估的精准化与动态化需求。
智能评估模型基于数据和算法进行严密的推理，并得出相应的风险评估结果。然而，智能评估模型所扮演的角色地位为何，能否起到替代司法人员的作用，还应进一步明确。社会危险性评估兼具事实判断与价值衡量，不仅应遵循形式逻辑的推演规则，还涉及法律价值的实质判断，因而社会危险性评估的本质仍属于司法判断。
当前人工智能技术的应用主要依托数据与算法分析，确实为社会危险性评估提谈球吧论坛供了准确科学的依据。但单纯依赖智能化评估，其技术缺陷可能导致评估结论偏离实质正义的要求，例如，算法可能放大数据偏见产生算法歧视，样本选择偏差可能对特定群体产生不公平的结果。换言之，现阶段人工智能系统，在应对复杂社会关系的价值冲突、平衡多元利益诉求等方面，尚难以达到司法人员所具有的法律价值判断，即使是广泛应用风险评估工具的美国，也不否认司法人员的最终裁量权。
鉴于此，智能评估结果可以作为司法人员的参考，起到司法辅助性作用，但不能取代司法人员作出最终判断。对此，社会危险性评估应当建立人机协同决策的模式。智能评估模型主要负责输出社会危险性预测等级及其法律依据，为司法人员提供建议，而没有司法决定权。司法人员能够对评估结果进行实质审查，综合模型建议与个案特殊情况作出最终决定。二者互相协同，相互制约。
司法人员虽然有最终裁量权，但仍应当受到智能评估模型输出结论的约束。在其他逮捕条件满足的情况下，若犯罪嫌疑人的社会危险性预测处于中低风险，一般应采取取保候审，如果司法人员拟作出逮捕决定，应在评估报告外另行提交具有充分证明力的补充论证。当社会危险性预测处于高风险等级，原则上应当适用逮捕措施，若司法人员作出不予批捕决定，既要论证评估系统的结论偏差，也要提供否定社会危险性的实质依据。此外，还应当完善犯罪嫌疑人的权利救济机制。智能评估模型的运用还应遵循正当程序原则，犯罪嫌疑人在刑事诉讼程序中，应当享有对评估结果的知情权与异议权。在技术救济层面，犯罪嫌疑人或其辩护人可以申请调取智能评估模型报告及其所依据的资料，对准确性进行验证，对不透明部分要求重新评估。在司法救济层面，犯罪嫌疑人或其辩护人可以对评估结论提起异议，触发听证程序，确保犯罪嫌疑人的权利能够得到救济。
社会危险性的智能评估模型能够规避主观判断的风险，为科学评估提供重要的辅助作用。因此，学界对智能评估模型讨论的重点，不应只局限于适用与否的判断，而更应聚焦于如何合理发挥其最大化效益。通过对智能评估模型组成要素与结构的阐释，能够实现数字技术与司法逻辑的深度融合。同时，为保障智能评估模型发挥良善的作用，相关机制保障也应当与技术应用同步。应当强调的是，社会危险性智能评估模型并非简单的工具替代，最终目标也并非取代司法裁量，而是将技术理性和法律理性结合，共同赋能审查逮捕的精确化与人性化。相信随着技术的持续进步，智能评估模型有望成为连接形式正义与实质正义的关键纽带，为数字时代的司法现代化提供新的实践样本。返回搜狐，查看更多
