问题导入
AI 可以帮助我们发现什么，又在哪些地方必须被人类研究者严格校验？
专题 12
人工智能与法学研究
把 AI 作为研究助理而不是答案机器，学习在原创性、资料核验、偏见和诚信之间使用它。
专题导读
AI 可以帮助研究者扩展检索、生成问题草案、改写摘要和发现可能的争议点，但它不能替代来源核验、概念判断、规范论证和学术责任。所有 AI 输出都必须回到可验证文献和一手资料。
本专题把 AI 同时作为工具和研究对象。作为工具，它需要提示词审计、引文核验和偏见检查；作为对象，它涉及算法歧视、可解释性、隐私、自动化决策、法律数据集和法律推理能力。
如何使用本专题
问题化
先把专题问题改写为可回答的研究问题：AI 可以帮助我们发现什么，又在哪些地方必须被人类研究者严格校验？
材料化
围绕 提示词审计、来源核验、偏见诊断 选择规范文本、案例、数据、比较材料或理论文献。
贡献化
用 AI 辅助检索、幻觉、算法偏见、学术诚信 说明你的研究准备改变哪一个概念、解释、证据或制度判断。
学习目标
- 能区分 AI 辅助研究、AI 法律问题和 AI 生成内容风险。
- 掌握 AI 引文核验和来源校正流程。
- 理解算法偏见、可解释性、隐私和法律数据集的基本研究问题。
核心概念
AI 辅助检索幻觉算法偏见学术诚信可验证来源
方法说明
- 提示词审计
- 来源核验
- 偏见诊断
- AI 输出复写
方法展开
- 让 AI 生成研究问题或书目草案。
- 逐条核验来源、题名、作者、年份和核心主张。
- 标出幻觉、偏见、过度概括和不可验证内容。
- 用真实文献和一手资料重写研究问题。
常见误区
- 把 AI 输出当作已经完成的文献综述。
- 引用不存在或不可核验的文献。
- 忽视训练数据、评测任务和法律推理之间的差距。
方法论文献
本专题关联 21 条文献，其中中文 5 条、英文 16 条。建议先读方法论材料确定研究类型，再用中文文献理解中国法学语境，最后用英文经典扩展理论与比较视野。
Recommendation on the Ethics of Artificial Intelligence
为讨论 AI 治理、偏见、透明度、责任和学术诚信提供规范背景。
UNESCO, Recommendation on the Ethics of Artificial Intelligence, 2021.
人工智能伦理治理
The Scored Society: Due Process for Automated Predictions
适合专题12讨论算法评分、自动化预测和程序保障。
Citron & Pasquale, The Scored Society, Washington Law Review, 89, 2014.
人工智能算法偏见正当程序
The Rules of Inference
实证法学研究设计的核心阅读，特别适合讨论样本、偏差和推论。
Epstein & King, The Rules of Inference, University of Chicago Law Review, 69(1), 2002.
实证研究因果推论研究设计
Big Data's Disparate Impact
算法歧视法律研究的经典论文，适合 AI 专题讨论数据、模型和法律责任。
Barocas, S., & Selbst, A. D. (2016). California Law Review, 104, 671-732.
人工智能算法偏见反歧视法实证研究
The Intuitive Appeal of Explainable Machines
解释为什么技术可解释性与法律可问责性并不总是同一件事。
Selbst, A. D., & Barocas, S. (2018). Fordham Law Review, 87, 1085-1139.
人工智能可解释性技术治理法律与科技
Machine Learning and Law
较早系统介绍机器学习进入法律领域的可能性与限制。
Surden, H. (2014). Washington Law Review, 89, 87-115.
人工智能法律与科技研究问题
CAIL2018: A Large-Scale Legal Dataset for Judgment Prediction
中国法律人工智能数据集研究的重要起点，可用于讨论数据、预测和法律推理的差距。
Xiao, C. et al. (2018). arXiv:1807.02478.
人工智能中国法数据集实证研究
LawGPT: A Chinese Legal Knowledge-Enhanced Large Language Model
展示中文法律大模型训练和知识增强路径，也适合讨论隐私与实际应用限制。
Zhou, Z. et al. (2024). arXiv:2406.04614.
人工智能中国法大语言模型法律与科技
LAiW: A Chinese Legal Large Language Models Benchmark
从法律实践逻辑出发评测中文法律大模型，可用于 AI 研究问题审计。
Dai, Y. et al. (2023). arXiv:2310.05620.
人工智能中国法评测法律思维
Privacy in Context: Technology, Policy, and the Integrity of Social Life
情境完整性理论适合解释数据隐私、平台治理和 AI 决策的规范结构。
Nissenbaum, H. (2010). Privacy in Context. Stanford University Press.
隐私法律与科技理论框架交叉学科
Technological Due Process
自动化行政决策和程序保障的早期经典，适合连接 AI 治理与传统公法原则。
Citron, D. K. (2008). Washington University Law Review, 85, 1249-1313.
人工智能自动化决策正当程序法律与科技
Accountable Algorithms
把计算机科学的可审计机制与法律问责问题连接起来，是算法治理的基础阅读。
Kroll, J. A. et al. (2017). University of Pennsylvania Law Review, 165, 633-705.
人工智能算法问责法律与科技技术治理
Regulating by Robot: Administrative Decision Making in the Machine-Learning Era
适合讨论机器学习进入行政决策后，透明、理由说明、裁量和司法审查如何变化。
Coglianese, C., & Lehr, D. (2017). Georgetown Law Journal, 105, 1147-1223.
人工智能行政法自动化决策法律与科技
Life, Liberty, and Trade Secrets: Intellectual Property in the Criminal Justice System
说明商业秘密如何阻碍刑事司法中的算法质证，适合讨论可解释性与证据权利。
Wexler, R. (2018). Stanford Law Review, 70, 1343-1429.
人工智能刑事司法证据算法透明
A Right to a Human Decision
追问自动化治理中是否存在由人作出决定的权利，适合 AI 专题中的规范论证训练。
Huq, A. Z. (2020). Virginia Law Review, 106, 611-688.
人工智能自动化决策权利正当程序
The Right to a Glass Box: Rethinking the Use of Artificial Intelligence in Criminal Justice
从刑事司法风险评估出发主张可解释模型，适合讨论黑箱模型与法治要求的冲突。
Garrett, B. L., & Rudin, C. (2024). Cornell Law Review.
人工智能刑事司法可解释性算法问责
人工智能法学研究的反智化批判
提醒学生避免把技术热词替代真正的法学问题和方法训练。
刘艳红：《人工智能法学研究的反智化批判》，《东方法学》2019年第5期，第119-126页。
人工智能法律与科技法学方法中国法
算法权力的兴起、异化及法律规制
适合说明算法不只是技术工具，也可能成为影响权利、选择和社会排序的权力机制。
张凌寒：《算法权力的兴起、异化及法律规制》，《法商研究》2019年第4期。
人工智能算法权力法律与科技中国法
论算法的法律规制
系统比较算法公开、个人数据赋权、反算法歧视等规制路径及其局限。
丁晓东：《论算法的法律规制》，《中国社会科学》2020年第12期。
人工智能算法规制法律与科技中国法
热与冷：中国法律人工智能的再思考
从话语热与实践冷的落差出发，适合讨论法律 AI 的数据、场景和方法限制。
左卫民：《热与冷：中国法律人工智能的再思考》，《环球法律评论》。
人工智能中国法司法实证研究
中国计算法学的未来：审思与前瞻
适合讨论计算法学是否构成新范式，以及数据、统计和法律问题之间的真实关系。
左卫民：《中国计算法学的未来：审思与前瞻》。
计算法学人工智能法学方法中国法
示例阅读
"Authorities" in International Dispute Settlement: a Data Analysis
研究问题：国际争端解决中裁判机关和当事人如何引用判例与学说？
贡献：以数据分析方式揭示国际争端中的权威引用实践。
Charlotin, D. (2020). Doctoral thesis. https://doi.org/10.17863/CAM.59416
可讨论处
- 数据如何改变我们对国际法渊源和先例的理解？
- 样本、编码和解释偏差可能在哪里出现？
More Equal Than Others: Animals in the Age of the Human Rights Aristocracy
研究问题：赋予非人动物基本权利是否会削弱人的权利？
贡献：通过思想史重建权利观的两种类型，回应当代动物权利争议。
Fasel, R. N. (2019). Doctoral thesis. https://doi.org/10.17863/CAM.44968
可讨论处
- 历史材料如何服务于规范论证？
- 作者如何避免把价值立场伪装成事实结论？
Big Data's Disparate Impact
研究问题：数据挖掘如何在没有显性歧视意图时产生差别影响？
贡献：把算法偏见嵌入反歧视法框架，说明数据、特征选择和代理变量的法律意义。
Barocas & Selbst, California Law Review, 104, 671-732 (2016).
可讨论处
- 作者如何把技术过程翻译成法律问题？
- 算法公平研究容易在哪些地方误解反歧视法？
The Scored Society
研究问题：自动化评分如何影响个人机会，法律应如何提供程序保障？
贡献：把信用评分、预测和程序正义连接起来，提出自动化决策的问责路径。
Citron & Pasquale, Washington Law Review, 89, 1-33 (2014).
可讨论处
- 正当程序如何适用于私人或混合型算法系统？
- 黑箱问题是证据问题、权利问题，还是制度设计问题？
CAIL2018
研究问题：大规模裁判文书数据能否支持罪名、法条和刑期预测？
贡献：构建中国法律 AI 评测数据集，并显示法律预测任务的复杂性。
Xiao et al. (2018). arXiv:1807.02478.
可讨论处
- 预测准确率能否代表法律理解？
- 数据集构建会带来哪些偏见和伦理问题？
Technological Due Process
研究问题：当政府使用自动化系统决定福利、处罚或资格时，正当程序如何实现？
贡献：把传统正当程序原则带入自动化决策场景，提出透明、纠错和人类监督的制度要求。
Citron, Washington University Law Review, 85, 1249-1313 (2008).
可讨论处
- 自动化决策中的错误与传统行政错误有什么不同？
- 程序保障应当设计在系统前端、决策中还是救济阶段？
Accountable Algorithms
研究问题：法律要求算法可问责时，技术系统需要提供什么样的可检查机制？
贡献：把审计、承诺、可验证计算等技术工具引入法律问责讨论，避免停留在抽象透明口号。
Kroll et al., University of Pennsylvania Law Review, 165, 633-705 (2017).
可讨论处
- 法律学者如何避免把“公开算法”当成万能答案？
- 技术可审计性与法律责任之间还缺哪些制度环节？
A Right to a Human Decision
研究问题：人在自动化治理中是否享有由人类作出决定或复核的权利？
贡献：把“人类参与”从政策偏好转化为可争辩的权利命题，并检验其范围和理由。
Huq, Virginia Law Review, 106, 611-688 (2020).
可讨论处
- 为什么“human in the loop”不一定等于有效权利保障？
- 人类决定权应适用于所有自动化场景吗？
算法权力的兴起、异化及法律规制
研究问题：算法如何从工具变成塑造选择、排序和机会分配的权力？
贡献：把算法问题从技术黑箱扩展为权力异化与权利保障问题，提供中国语境中的规制框架。
张凌寒：《算法权力的兴起、异化及法律规制》，《法商研究》2019年第4期。
可讨论处
- 算法权力与传统公权力、私权力有何不同？
- 算法解释权能解决哪些问题，不能解决哪些问题？
论算法的法律规制
研究问题：算法公开、个人数据赋权、反算法歧视等传统规制路径为什么会遇到困难？
贡献：用分层和场景化的思路重构算法规制，避免把透明或赋权当成单一答案。
丁晓东：《论算法的法律规制》，《中国社会科学》2020年第12期。
可讨论处
- 算法公开为什么可能既不可行又不可欲？
- 分层规制如何把技术机制和法律价值连接起来？
人工智能法学研究的反智化批判
研究问题：人工智能热潮中的法律研究何时会用技术想象替代法学问题？
贡献：提醒研究者回到法律基础理论、部门法教义和真实技术能力，避免概念泡沫。
刘艳红：《人工智能法学研究的反智化批判》，《东方法学》2019年第5期。
可讨论处
- AI 法学研究最容易在哪些地方伪问题化？
- 批判技术热潮是否意味着拒绝计算法学？
课堂练习
AI 研究问题审计
把 AI 生成的研究问题转化为可验证、可引用、符合学术诚信的方案。
- 让 AI 生成 5 个法律研究问题。
- 逐一检查问题是否真实、重要、可回答。
- 用一手资料或权威文献验证其中 1 个问题。
- 记录 AI 输出中的幻觉、偏见或过度概括。
产出：AI 问题审计表和修订后的研究问题。
人工智能学术诚信批判性思维
研究问题细化
把宽泛兴趣变成具体、可回答、有意义的研究问题。
- 写下一个宽泛问题，例如“AI 对法律好吗”。
- 限定法域、制度、群体、时间和证据类型。
- 写出研究意义陈述。
产出：一个精炼问题和 150 字研究意义陈述。
研究问题选题
偏见识别工作坊
识别观察者偏见、选择偏差、确认偏差、发表偏差和资金偏差。
- 选取一个法律争议新闻或论文摘要。
- 标出可能影响问题、材料和结论的偏见。
- 提出两个降低偏差的研究设计改进。
产出：一页偏见诊断表。
批判性思维研究伦理
AI 引文核验实验
训练学生识别 AI 生成文献中的幻觉、张冠李戴和过度概括。
- 让 AI 为一个法学研究问题生成 10 条参考文献。
- 逐条核验题名、作者、刊物、年份和链接。
- 标注无法核验或引用错误的条目。
- 用真实文献替换至少 5 条。
产出：AI 引文核验表和修订书目。
人工智能学术诚信文献综述
实证编码方案
把法律文本或案例材料转化为可检查的编码规则。
- 选择 10 份案例、裁判文书或监管处罚决定。
- 定义 3 个变量和每个变量的取值规则。
- 让另一位同学试编码 2 份材料。
- 比较差异并修改编码手册。
产出：编码手册初稿和一致性问题清单。
实证研究数据研究设计
算法治理备忘录
把算法权力、算法公开、解释权和正当程序转化为可比较的制度方案。
- 选择一个算法场景，例如招聘、信贷、刑事风险评估或平台推荐。
- 列出受影响主体、潜在损害和现有法律资源。
- 比较算法公开、解释权、审计、人工复核四种工具。
- 提出一个分层规制方案并说明其限制。
产出：一份 800 字算法治理备忘录。
人工智能法律与科技制度设计
研究计划提示
让 AI 生成一个法律研究问题，再用一手资料和权威文献重写它。
研讨问题
- AI 能否提出真正原创的法学研究问题？
- 法律大模型评测应测试法律知识、法律推理，还是职业伦理？