运用大数据提升律师诉讼水平

 

　　新技术观察作家Derrick Harris对律师事务所基于大数据如何进行流程优化提出了三方面的见解：

 

　　一是文档检索可能是大数据对法律工作影响最大的领域。律所通常存储海量的非结构化电子文档，包括电子邮件、Office文档、PDF文档等等，从数以TB计的数据中检索案件相关文档简直就是律师的噩梦，费时、费力而且准确性差。通过大数据智能分析软件，律所能够大大提高文档检索效率。例如大数据创业公司Recommind开发的大数据软件能通过机器学习算法进行“预测编码”，大大提高法律文档的检索效率。另外一家值得关注的企业——PureDiscovery的语义分析技术也有大幅提高文档检索效率的功用。

 

　　二是诉讼案件中会产生大量文档，而这些文档“蕴藏”的数据对后来的代理和审判具有很高的参考价值。大数据创业公司LexMachina的目标客户是知识产权律师，为他们提供决策支撑数据统计服务。LexMachina数据分析的数据源主要来自公开的PACER（联邦法庭数据库），PACER的数据一直存在，但是LexMachina是第一家通过机器学习和自然语言处理等技术从中“淘宝”的公司。值得注意的是，Recommind也在不断开发新的产品Hypergraph（超级图谱），用来帮助律师发现人、话题、时间线、非结构化数据之间关联关系等。

 

　　三是律师们需要自己动手，创造性地利用各种现成的大数据工具和数据源。例如律师可以使用类似ScraperWiki这样的工具分析证人的Twitter联系人网络和活动记录。律师还可以使用类似etcML这样的免费工具（对应的付费服务如AlchemyAPI）分析各种文本，包括推文和电子邮件，来发现关键观念或进行倾向性判断。零用import.io这样的工具从网站抽取数据（例如房产价格历史数据），并制作成图表。

 

　　在美国，法律行业就大数据的工具和方法已经展开实质性探讨，创业型的IT公司纷纷将目光投向传统的法律服务行业。

      律师在业务流程中进行大数据分析的一般过程如下：

 

　　前期论证阶段，解决文档电子化和案件难度预判的问题，对案情宏观结构进行解构和初步标签化处理，为下阶段大数据分析进行准备工作。

 

　　磋商代理阶段，解决案件胜率判断和律师费用计算问题，案件的胜率取决于外部司法环境、管辖地、对方律师等，还取决于案件内部主要争议证据材料的掌握情况、法律适用、代理经验等因素。例如，将证据材料与待证事实之间的关联关系作为标签，对这种关联关系是否成立进行大数据分析，故能够基于大数据分析，对证据与案件事实间的关联关系进行评估（大数据思想：只问关联关系，而不问因果关系），进而结合其他因素对案件胜率进行评估。律师费用的计算，不妨也采用大数据分析，对同类案件的市场平均价格快速获取并统计，结合案件难度为天同的诉讼代理寻求合理报价。

 

　　案件办理阶段，随着案件信息的更新，事实争议和法律争议已经逐渐清楚，这一阶段的大数据分析集中在案外相关因素的分析上，为争议的本质提供新的洞见，或者新的证据，例如审理法官的相关观点、纠纷产生时所在行业的数据，最新商事审判的价值判断。

 

　　结案归档阶段，评估大数据分析的使用效果，并对标签及其逻辑结构的知识进行归档，完善案件标签化体系(元数据方法)；将前期的预判结果与最后的裁判结果进行比对，进而对此类案件的标签化方法进行调整。

 

　　大数据运行机制，在总体设计上，由一大流程、两大系统组成，即“标签判断流程、大数据检索系统、大数据统计分析系统”。每个流程或系统都具备信息输入和输出的功能，是大数据分析中信息处理加工的中间环节，最后形成的成果形式是“为案件提供更多有价值的知识 ”。