我国有学者则将其翻译为计量法学或数量法学，所谓计量法学是一种使用法律实证分析，以数据建模为方法，从事判决预测与制度评价的研究。

近期，中央文献出版社出版了《习近平关于尊重和保障人权论述摘编》（以下简称《摘编》）一书，分9个专题，共计335段论述，摘自习近平同志2012年11月15日至2021年10月30日期间的报告、讲话、谈话、演讲、贺信、指示等160多篇重要文献。2021年5月21日，习近平总书记在《携手共建人类卫生健康共同体》一文中，又进一步解释和说明了把人民群众生命安全和身体健康放在第一位对于中国特色社会主义人权保障事业的重要意义和价值。

相信欧方能够解决好自身存在的人权问题。习近平总书记在强调要保障集体人权的过程中，对权利共享的内涵做了科学的阐述。2014年2月17日，在《省部级主要领导干部学习贯彻十八届三中全会精神全面深化改革专题研讨班上的重要讲话》中，习近平总书记强调：我们发展人权事业，不是以西方所提的那个标准为圭臬。习近平总书记强调指出，全社会都要贯彻尊重劳动、尊重知识、尊重人才、尊重创造的重大方针，维护和发展劳动者的利益，保障劳动者的权利。对于通过构建人类命运共同体来促进人类共同人权价值的进步和发展，2018年12月10日，习近平总书记在《致纪念〈世界人权宣言〉发表七十周年座谈会的贺信》中宣称：中国人民愿同各国人民一道，秉持和平、发展、公平、正义、民主、自由的人类共同价值，维护人的尊严和权利，推动形成更加公正、合理、包容的全球人权治理，共同构建人类命运共同体，开创世界美好未来

人权领域的意识形态之争由来已久，令人遗憾的是，至今这种情况仍不时在国际场合出现。中华文化对人权的看法和联合国所倡导的人权观念是一致的。（一）计算法律的方法 计算法学的基本方式是什么？这是一个十分重要但尚未厘清的问题。

传统实证研究所处理的数据在代表性方面可能更好，但在数量与质量方面不如计算法学所处理的数据。如2021年诺贝尔经济学奖得主书亚·安格里斯特（Joshua D Angrist）和吉多·因本斯（Guido W Imbens）的贡献即在于对因果关系分析方法的创新，即使用自然实验来模仿随机控制实验，评估反事实结果从而推断经济变量之间的因果关系。在笔者看来，此种热闹繁荣的景象并非意味着计算法学即将步入正轨。左卫民，四川大学法学院教授，法学博士。

如美国学者乔恩·克莱因伯格（Jon Kleinberg）等人以此分析了美国15万余件重罪案件的法官假释结果，他们对法律的计算思路与方法值得关注，可据此从计算法律的设计思路，法律决策树与随机森林的组成以及梯度提升算法的应用方面把握计算法律的方式。计算法律的前提是将法律经验、法律规律从法律的文本语言转化为计算机可以识别的数字，其过程实际上就是法律信息的模式识别，需要对法律信息进行划分和归类处理。

中国计算机协会（CCF）也成立了计算法学行业分会以促进计算法学的发展。相比传统的法律实证研究，充分使用机器学习方法的计算法学或者说未来版的实证研究将倡导使用决策树、随机森林、梯度提升算法、神经网络架构等机器学习、深度学习方法来分析法律关系，从而更有利于在大量散乱分布的法律数据中发现零散数据之间的相关性与关联程度，最终发现司法实践或法律事件的发展或运行规律。来源：《清华法学》2022年第3期。获得一种对同类数据相同方法处理的学习分类器，使得新出现的案例数据对应预测分类。

图1计算法学相关学科关系图 二、计算方法：如何计算法律？ 如何计算法律？一方面，法律的计算需要有成熟的计算法学，使用机器学习计算法律实践或法律现象或许正在成为法律计算的一种新方向。计算法学运用机器学习方法进行法律结果预测，是一种数据拟合程度较高的相关性分析，在相当程度上也是统计学知识与方法的实践应用。最后，计算法学所计算的是具有一定数据质量要求的全样本大数据或大量数据，这与传统实证研究有所差异。如被告是否出庭或庭上举止等因素，使得法官假释决定可能存在尚未被发现的系统性偏差，使用机器学习方法得出的解释决定反而可能有助于减少监禁率与犯罪率。

在样本的数据量不足或数据失真的情况下，即便存在好的计算方法，也难以产生可靠的计算结果。计算法学的春天已经来临了吗？就让未来告诉未来吧。

可以说，计算法学（实证研究的机器学习版）的核心方法即是通过收集真实、客观的法律运行数据，使用logistic回归、相关性分析等统计学方法，结合决策树、随机森林、梯度提升算法、聚类算法等典型的机器学习方法对法律实践与法学现象展开研究或进行观察，并总结、归纳法律运行规律。进入专题： 计算法学 。

目前运用较多的方法是自然语义挖掘技术。应用计算机技术实现对海量裁判文书中的数据提取、要素输出和准确率检查等就是计算法学的研究成果。然而，关于计算法学的发展却存在着两种声音：其一，计算法学正在兴起。笔者认为，中国的计算法学的前景如何，取决于其是否能够完整经历从知识酝酿或引介，到概念凝练和学科构建，再到研究方法成熟的过程。另一方面，机器学习的法律计算难以充分把握、模拟人类的思维和意识。在国内，已有文章开始探讨计算法学的概念与内涵。

可以说，法教义学、社科法学与法律实证研究（包括计算法学）的方法在学术志趣、研究对象与实现路径方面尽管存在差别，但是它们都各自具备着独特的方法论价值，相互之间彼此共生，共同促进法学研究的繁荣。然而，法律信息学的概念似乎还没有获得理论界的普遍性认可，域外代表性的研究成果尚不多见。

据此，计算法学的未来发展，一方面需要吸收、借鉴域外实证研究中既有的机器学习、神经网络等计算机技术与方法，结合本土法律数据，探索有效的法律计算思路与机器学习方法，促进中国计算法学的落地实施。总的来说，我国所公开的司法数据大多是一种结果性材料，对于研究一些诸如司法人员推理、决策等过程性问题的作用相当有限。

与域外不同，计算法学在中国的出现，可能与新文科的兴起，相关学术组织的成立，以及计算法学论文的发表有关。尤其是我国定罪量刑所依据的法律条文可能因法律语言的融合和变迁形成语言的复杂、多元性变化。

计算法学的发展绕不开法律实证研究方法的推广，更无法取代法律实证研究的知识贡献。计算法学似乎正成为一种新的发展趋势。可以计算的法律经验数据是什么？用以法律计算的方法是什么？第三，计算法学的前途。上述方法将审前释放决定与各类影响因素之间构成不同的决策树，并使用由决策树构成的预测模型实现对同类问题的分类预测，使得机器学习具备初步的结果分类预测功能。

相比机器学习面对单一客观关系的预测结果，法律人决策面对的更多是未来不确定性的主观性法律关系，复杂的人类法律决策夹杂人类常识、情感与主观价值判断等因素，机器学习等人工智能技术是—种站在第三人视角观察现象、总结规律、建立理论的方法，实际上难以模仿和学习人类常识和主观性认知，更不擅长模拟法律人的决策与内心推理过程，至少在复杂案件中难以模拟、超越人的决策机制的效果。例如，在乔恩·克莱因伯格等人的研究中使用决策树对释放风险予以评估，将观察因素（影响决定的因素）映射到结果（逃避审判风险）的函数，建立一系列二元决策树

机器学习的结果与统计学的相关性分析类似，都是一种法律数据拟合度很高的计算模型，可以实现通过机器学习方法对法律结果的预测。如再犯风险、逃避审判可能和保释金额同审前释放决定之间的对应关系即可构成不同类别的决策树。

上述方法将审前释放决定与各类影响因素之间构成不同的决策树，并使用由决策树构成的预测模型实现对同类问题的分类预测，使得机器学习具备初步的结果分类预测功能。如乔恩·克莱因伯格等人利用美国司法部（1990年至2009年）审前保释决定的相关数据，并将其分为法官决定组与机器学习预测组，对影响释放决定的因素，如再犯风险、逃避审判风险、保释金数额等决定性要素量化处理。

例如，王禄生开发了分段、分词检索工具，实现对303万份判决书的自然语义挖掘，形成了一系列的法律实证研究成果。据此来看，这种进路将法律人工智能相关技术作为焦点，在识别、转换法律文本为法律数据方面做了不少努力，如应用自然语义识别、裁判文书提取等，但在文字转换成为数据之后，如何展开数据式研究，却并未有多少应用统计学和机器学习方式展开的研究，也缺乏在此之上的法律人工智能开发，最常见的仅仅是知识图谱式的显示而已。其次，利用法律经验数据的特征与法律决策分类结果之间的数量关系建构出具有分类关系的决策树，即让不同法律关系特征落入对应分类的模型。此外，基于法律人法律推理和思维判断所获取的主观性法律经验或法律感受往往无法进行类型化处理，更难以客观量化。

可以说，法教义学、社科法学与法律实证研究（包括计算法学）的方法在学术志趣、研究对象与实现路径方面尽管存在差别，但是它们都各自具备着独特的方法论价值，相互之间彼此共生，共同促进法学研究的繁荣。笔者比较认同此种进路，但更明确地认为：计算法学其实是传统实证研究的新阶段，它是一种从量的层面研究社会现象的方法与学科。

当前，法律实证研究成果同样重视法律大数据与计算机技术结合，主要基于法律现象的经验数据，使用统计学与计算机科学的相关知识来阐释法律实践。进入专题： 计算法学 。

因此，量刑幅度与量刑情节这类相对确定的数量变化关系，因相关量刑情节在法律概念、法律语言方面的模糊性，也只能得出大致的量刑范围，而不能得出具体的精确计算结果。法律信息学开始成为信息学的分支之一，如根据美国斯坦福大学法律信息中心杰内塞雷斯（Michael Genesereth）的论断，计算法学是法律信息学的组成部分，而法律信息学是法律推理的一种方法，依托现代信息技术的法律分析可以极大地改变法律行业，提高法律服务的质量和效率，从而提高获得司法公正的机会，并改善整个法律体系。