 看更多2026年月旦釋讀 |
發佈日期：2026/01/13 |
淺論美國司法領域的人工智慧應用對臺灣的啟示
【目次】
壹、引言：美國司法人工智慧的意義與政策背景
貳、司法AI 的運作機制 參、正面效應：司法AI 的潛在益處 肆、負面風險：司法AI的缺點與風險 伍、美國司法AI立法與法律概觀：案例、法規與美國司法AI的重要里程碑 陸、里程碑案件簡介：2016年威斯康辛州最高法院State v. Loomis案 柒、監督司法AI的可能模式 捌、結 論 【關鍵詞】
【本文試讀】
壹、引言：美國司法人工智慧的意義與政策背景
美國司法領域的人工智慧（Judicial Artificial Intelligence, Judicial AI）主要指協助法院判決的演算法工具（algorithm tools），特別是透過估計被告未來行為的可能性，例如更生人或假釋人的再犯率（recidivism rate）等。最常見的應用是演算法風險評估工具（Actuarial Risk Assessment Instruments, ARAIs）── 一種使用演算法的統計工具，可以利用個人過往歷史紀錄與特徵來預測其未來犯罪或非行的機率。 這些工具廣泛用於審前（pretrial）和量刑（sentencing）階段，以提供資訊或補充法官的自由裁量權。
支持使用司法AI者認為，與傳統方法相比，ARAIs提供一種更客觀、數據驅動方法（data-driven method），可能減少法院對現金保釋（cash bail）的依賴並降低審前羈押率。例如，肯塔基州等明確採用ARAIs，將保釋決定因素從個人財務能力轉向對其風險程度的評估。反之，批評者擔心，由於這些工具是基於歷史數據訓練而成追溯性方法（retrospective method），它們可能會嵌入並延續刑事司法系統中現有的系統性偏見（systematic bias）。 目前美國有幾個關鍵的ARAIs正在使用，抑或在討論中占有重要地位： 一、另類罪犯矯正管理方案（Correctional Offender Management Profiling for Alternative Sanctions, COMPAS） 由Equivant（前身為 Northpointe） 所開發，是一種專有工具，用於產生「一般再犯」、「暴力再犯」和審前不當行為的風險分數。其輸入資料包括：犯罪紀錄和羈押時填寫的問卷回應，審前評估量表特別包含當前和待決指控、先前逮捕、就業狀況、居住穩定性和藥物濫用史等因素。COMPAS常用於審前釋放、量刑和假釋等不同階段。在State v. Loomis案 中，威斯康辛州最高法院裁定，COMPAS分數只能在法官審慎使用並向被告提供關於該工具局限性和分數諮詢性質的適當警告後，才能用於量刑。 二、公共安全評估工具（Public Safety Assessment, PSA） 由Arnold Ventures基金會開發， PSA是一個免費、開源的審前風險工具。它依賴來自全國數據集的9個靜態因素【例如年齡、當前重罪指控、先前定罪、未出庭（Failure to Appear, FTA）歷史】來產生兩個獨立的分數：未出庭和新犯罪活動，兩者均為1至6分制。PSA的關鍵特點是它不需要面談，僅依賴現有的犯罪紀錄數據。其透明度使其被多州和縣採納，成為一種標準化、「客觀」的保釋決定方法。 三、俄亥俄州風險評估系統──審前工具（Ohio Risk Assessment System - Pretrial Tool, ORAS-PAT） 2009年由俄亥俄州所開發，是另一種審前評估工具。它結合面談和紀錄審查俾便蒐集資訊，評估因素如:首次被捕時的年齡、近期未出庭、就業狀況、居住穩定性和藥物使用。ORAS-PAT產生一個單一分數（0~9分），分類為低風險（0~2分）、中風險（3~5分）或高風險（6~9分）。與PSA類似，其目的是協助決定審前釋放條件和監管級別，但其獨特之處在於需要進行初次面談。 上開工具目的在提供有關審前釋放決定或量刑嚴重程度的資訊，以期提高司法系統的公平性和效率。例如，法律改革倡導者經常強調以風險工具作為傳統現金保釋制度的潛在數據驅動替代方案。2017年的美國模範刑法典（Model Penal Code）甚至提倡將低風險罪犯轉移至非監禁處罰。然而，ARAIs的實際應用在不同司法管轄區（jurisdiction）差異很大；一些地區大量使用，而另一些地區則禁用或限制使用，通常基於等待透明度和驗證方面的改進之理由。 貳、司法AI的運作機制
要了解司法AI工具如何運作，首先要探討其輸入、模型和透明度級別。分別論述如下：
一、輸入與數據 大多數ARAIs的數據主要包含被告的靜態背景和案件資訊。例如，COMPAS結合了逮捕時進行的犯罪紀錄問卷調查資訊以及先前定罪、逮捕和某些社會因素的官方紀錄。PSA僅使用公開的犯罪紀錄數據，如先前犯罪、指控嚴重程度和年齡。ORAS-PAT結合被告面談和紀錄審查來蒐集數據，評估因素如個人首次被捕時的年齡、近期未能出庭的歷史、就業狀況、居住穩定性和藥物使用。值得注意的是，這些輸入變數是根據它們與未來結果（如再犯）的統計相關性來選擇的，不一定代表有直接因果關係。 二、模型與統計 從技術上講，許多風險工具是精密的精算評分模型。這些模型實質上計算各種輸入因素的加權組合。儘管一些較新的計畫探索現代機器學習（Machine Learning, ML）技術，如決策樹、隨機森林（Random Forest）等，但許多廣泛使用的ARAIs依賴於更傳統的統計方法，如邏輯回歸或簡單的點評分系統。例如，ProPublica的一項著名評估使用邏輯回歸，並使用年齡和先前歷史等變數對 COMPAS預測進行建模，發現年齡和種族是結果風險分數的重要預測因素。甚至，實證研究通常表明，更簡單、可解釋的統計模型可以達到與更複雜的專有演算法相當的預測性能。 三、不透明性（Opacity）與透明度（Transparency） 圍繞著司法AI的核心爭議點是：其內部運作的透明度水平。舉例而言COMPAS具體評分公式被視為商業秘密。又透明度不足是State v. Loomis案的核心問題，這也是被告認為自身依據美國憲法第14修正案（the Fourteenth Amendment）正當程序（due process）受到侵犯，因為他無法檢驗COMPAS如何將性別等因素納入其風險分數中。威斯康辛州最高法院在雖承認此一不透明性並允許使用COMPAS，但附加了重要限制，要求法官必須警慎地使用COMPAS分數，並澄清分數本身不能決定判決（It must be done with caution and should not be the determinative factor in sentencing decisions）。 相比之下，PSA被設計為完全透明且易於解釋，其方法論公開可用。 對這些工具的實證評估持續顯示不同人口群體之間在風險分數方面存在持續的差異。例如，佛羅里達州的布勞沃德縣（Broward County）數據的分析顯示，黑人被告的COMPAS十分位分數過度集中在較高風險類別，而白人被告的分數則更頻繁地偏向較低風險。這項分析還發現，未再犯的黑人被告被錯誤分類為「高風險」的可能性是未再犯的白人被告的近兩倍（45%對23.5%），針對一般再犯風險。 此外，即使考慮了先前的犯罪紀錄和其他因素，黑人被告獲得較高COMPAS分數的可能性也比白人被告高約45%。這些發現凸顯了外界重要的擔憂：也就是即使是精密的預測模型，在使用反映社會性和系統性偏見的歷史數據進行訓練時，也可能產生有偏見的預測，儘管技術人員努力進行設計改良，仍可能擴大現有的不平等。 四、正當程序與法院裁決 將演算法分數整合到司法決策中顯然會嚴重衝擊法律並挑戰現有法院裁判。例如，里程碑式的State v. Loomis案確立了雖然COMPAS分數可以為量刑提供資訊，但法官必須將其視為諮詢性輔助工具，而不是決定性因素，並且必須闡明其不確定性和局限性。...（本文未完） |
| 看更多2026年月旦釋讀 |
