导读：大数据监督模型能揪出线索，也可能因算法黑箱侵蚀司法亲历性。最高检数字检察战略推进之际，这篇权威解读为“人主机辅”划定法治边界。
随着数字检察战略的深入推进，法律监督正经历着从“个案办理”到“类案监督”再到“系统治理”的范式转型。当前刑事犯罪日趋呈现出网络化、科技化、智能化、隐匿化等特征，亟需通过大数据法律监督模型赋能检察工作，克服传统检察监督职能虚化、弱化的实践难题。然而，在大数据法律监督模型的实践运用中，技术过度依赖导致的专业能力弱化、数据壁垒导致的监督盲区、算法黑箱、算法偏见、数据安全意识不足以及数字权力扩张等问题，正在对司法公正构成潜在的挑战。对此，应当构建高效且可信的大数据法律监督模型，在提升检察办案质效的同时，筑牢司法公正的法治根基。
大数据法律监督模型赋能检察办案的应用前景
一是实现证据审查模式从“数据驱动”到“智能驱动”的转型。大数据法律监督模型以生成式人工智能为主要技术支撑，其能够对全案卷宗材料进行数据标注和结构化处理，快速完成证据的印证证明和矛盾排查，形成逻辑清晰、矛盾标记明确的证据审查分析报告。在多模态数据处理方面，模型不仅能对传统言词证据、书证进行归纳分析，还能对视频、音频、聊天记录、截图等电子数据进行科学筛选，通过证据要素的图谱构建以及证据链完整性审查判断，快速梳理海量证据之间的内在关联，有效提升办案效率。
此外，针对网络化、智能化刑事犯罪中的海量资金流向，模型能够将犯罪中的主体、关系、事件、资金流水等事实要素以数据列表或思维导图的方式呈现出来，与审计报告等专业鉴定意见相互印证，进而避免人为过失遗漏案件的关键证据。
二是助力监督线索的发现，推动监督模式向类案监督、系统治理的延伸。大数据法律监督模型在诉讼监督领域具有独特优势，通过线索发现监督机制，能够全流程自动识别立案线索及可能存在的侦查活动违法行为，列明监督依据及可资参考的监督意见，有效避免案多人少及新型犯罪所带来的人工阅卷疏漏，以“人机协同”织密“立案监督之网”。在审判监督方面，系统通过归集海量裁判文书信息，可以自动识别法律适用错误及量刑不规范等情形，构建从数据整合到智能识别再到深度挖掘的全流程监督线索发现机制。更为重要的是，模型通过对类案数据的批量分析，能够发现隐藏在个案之中的共性问题，识别特定行业、特定领域的治理漏洞，实现从“就案办案”到“治罪与治理并重”的转变，以检察监督的智能化升级助力社会治理现代化。
三是辅助科学化法律决策，促进跨部门协同共治。在辅助科学化法律决策方面，大数据法律监督模型能够自动解析全案电子卷宗，精准提取案件事实要素，通过分析海量案件文书的法律适用逻辑，为办案人员提供初步的案件处理意见。同时，面对新型犯罪形态网络化、智能化等复杂特征，模型能够运用企业基因测序、社会网络分析、违法资金追踪、行为轨迹建模等技术，提前预警经济犯罪和揭示犯罪组织的关系结构、运作方式，实现对新型犯罪的事前预防、精准打击。通过跨层级、跨区域、跨部门的数据信息收集，精准揭示社会治理中存在的普遍性、机制性漏洞与监管盲区，为检察机关提出数据翔实、分析精准、建议可行的社会治理检察建议提供坚实支撑，促进法律监督与行政执法、社会治理的协同共治。
大数据法律监督模型应用的系统风险
首先，专业能力弱化与司法亲历性缺失。大数据法律监督模型虽然在一定程度上能够提升检察办案的质效，但不足以解决案件事实认定和法律适用的所有问题。一方面，法律条文、经验法则难以实现完全的代码化。法律条文包含大量不确定法律概念，如“情节显著轻微危害不大”“证据确实、充分”等，需要办案人员结合具体案情作出解释和评价，难以转换为模型可直接读取的结构化语言。另一方面，司法亲历性面临消解风险。司法亲历性要求办案人员直接接触案卷及证据材料，通过察言观色等方式获取陈述人的动作、神态、表情等情态证据，以判断言词证据真伪。而模型只能通过规则陈列与数学计算对证据能力、证明力进行判断，办案人员若放弃对案卷及证据材料的深入审查，将削弱独立进行事实认定与法律适用的专业化能力。
其次，算法黑箱、算法偏见与数字权力扩张。算法黑箱是大数据法律监督模型面临的核心技术伦理挑战。从技术角度看，模型的算法逻辑不为公众所知悉，办案人员只能理解输入信息与输出结果，而无法通晓代码逻辑。
同时，算法研发者出于商业秘密保护的考量，往往缺乏公开算法的意愿，导致算法决策过程不可见、不可控。与算法黑箱相伴而生的是算法偏见风险。算法偏见既可能源于训练数据中的主观偏见，也可能源于算法设计者的无意识偏见。若训练数据中存在对特定地域、特定人群的系统性偏差，模型将复制并强化这种偏见，导致“垃圾进、垃圾出”的歧视性结果，遮蔽数字技术应有的公正性。此外，数字化监督通过技术手段推动监督权向行政裁量领域的渗透，可能突破检察机关事后监督的法律定位，引发数字权力扩张与越界风险，异化为一个不受约束的“算法利维坦”。
再次，数据壁垒与安全意识不足。在具体办案中，大数据法律监督模型还面临数据碎片化与安全保障不足的风险。
一方面，跨部门、跨层级的数据壁垒尚未完全打通。部分外部数据存在标准不统一、字段不完整、更新不及时等问题，导致监督数据源头不稳定，模型难以实现全流程、闭环式的治理分析。同时，与数字化发展相适应的制度体系和管理制度尚不完善，数据整合、共享和应用等环节的责任划分不够清晰，数据流通的规范性与协同性不足，制约了大数据法律监督模型效能的充分释放。另一方面，在推进数字检察的过程中，办案人员的安全意识亟待加强。在数据收集环节，由于数字技术具有关联性强的特点，检察机关往往选择海量收集数据，从而使得数据安全的风险变高。同时，一些办案人员在未采取技术隔离措施之前将模型直接连接外部网络，导致系统数据在使用过程中面临巨大的泄露风险。
大数据法律监督模型应用的法治因应
第一，坚持“人主机辅”原则。办案人员依法独立行使检察权，并为其错误行为导致的错案承担责任，是确保司法公正的必要条件。大数据法律监督模型在司法领域所引发的技术革命虽极大提升了办案效率，但算法系统无法替代人类对案件细节的权衡把握与价值判断。模型只能作用于证据规则中可以客观量化的部分，但对于自由心证、经验法则与政策把握而言，无法代替人类作出正确判断。
对此，各级人民检察院应当出台办案规则，明确“人主机辅”的办案原则，仅将模型定位为辅助手段，确保办案人员真正起到主导作用。同时，要求办案人员加强对大数据法律模型输出文书内容的真实性、合法性、合理性的审核，运用个人的司法经验和价值判断对文书说理部分进行补强，确保办案人员在人机协同中牢牢占据主导地位，防止技术依赖消解司法亲历性。
第二，构建算法可信任的制度体系和算法监督程序。为克服算法黑箱的困境，应当从能力、意图、认知三个层面构建算法的可信任制度体系。首先，提供模型的检察机关应当建立算法备案制度，要求技术企业定期接受检察机关的审查和评估，确保算法系统具备实现司法公正目标的能力。
其次，借鉴欧盟《人工智能法案》的立法思路，提供模型的检察机关应当设置算法参数备案制度，要求技术企业主动将算法意图及其可能影响向检察机关公开。再次，使用模型的检察机关应当设置算法披露制度，要求办案人员提供清晰、可理解的法律决策过程说明。
此外，为了克服算法歧视、防止数字权力无序扩张，应当将算法监督程序纳入办案规则。由技术专家、法律职业者联合组成算法审查委员会，对本辖区内检察机关使用模型情况进行定期审查，并对其中存在的不合理偏见进行纠正，对违反比例原则、不当扩张的数字权力加以处理，为检察权的运行设立合理边界。
第三，建立数据共享机制与数据安全制度。大数据法律监督模型的高效运行离不开跨部门、跨层级协同与数据安全保障。一方面，应推动建立跨部门、跨层级的数据共享协调机制。由省级检察机关牵头整合地方执法、司法和其他行政监管部门的数据资源，构建统一的数据共享平台，保证监督数据的源头稳定，实现全流程、闭环式的治理链条。
同时，由省级检察机关联合其他省级部门通过构建与数字化发展相适应的制度体系，特别是管理制度，细化数据整合、共享和应用等责任，在各方之间形成职责清晰、分工有序和协调有度的数据共享格局，打通数据壁垒。
另一方面，应积极构建数据安全保障制度。在数据收集、存储、分析、应用的全过程嵌入隐私计算、数据脱敏与访问控制等安全措施，明确办案人员数据使用的权限边界，防止因数据泄露与滥用侵害公民合法权益，实现法律监督效能与公民权益保障的均衡发展。
第四，健全数字检察人才培育与司法责任伦理机制。大数据法律监督模型的应用，不仅是技术工具的嵌入，更是检察办案理念、组织方式和责任结构的深层变革。
当前，部分检察人员对模型存在“不会用、不敢用、不愿用”与“过度依赖、盲目采信”并存的现象。前者使模型闲置，后者则可能消解司法亲历性与独立判断。因此，应当建立分层分类的数字检察培训体系，将数据素养、算法原理、证据审查、网络安全和伦理规范纳入检察人员常态化培训内容，重点提升其对模型输出结果的审查、质疑和说理能力。
同时，应明确技术企业、检察机关和办案人员之间的责任边界，构建“谁使用、谁负责，谁审批、谁监督”的责任链条。对于因模型缺陷、数据错误或操作不当导致的案件偏差，应区分技术责任、管理责任与司法责任，既要防止以“技术中立”为名规避司法责任，也要避免让办案人员承担不应由其承担的技术风险。通过伦理规制与责任追溯，确保模型始终处于辅助地位，检察权始终由人依法独立行使。
第五，完善模型全生命周期管理与质效评估机制。大数据法律监督模型并非一次性建设成果，而是需要持续迭代、动态校准的治理工具。应从事前、事中、事后三个环节构建全生命周期管理机制。事前，明确模型适用场景、数据来源、权限配置和禁止性要求，开展合法性、必要性、比例性审查，防止监督权不当前移或扩张。事中，对模型运行中的线索生成、证据分析、风险预警、量刑辅助等环节进行全程留痕，确保每一步可追溯、可复核、可解释，并保留人工复核与异议提出通道。事后，定期评估模型在提升办案质效、保障诉讼权利、促进社会治理方面的实际效果，将误报率、漏报率、纠正率、申诉率等纳入评价指标；对效果不佳或风险突出的模型，及时暂停、整改或退出。
同时，推动建立跨地区、跨层级的典型案例库和模型共享库，避免重复建设，促进成熟经验复制推广。由此，使大数据法律监督模型在法治轨道上运行，实现技术赋能与权力约束、效率提升与权利保障的动态平衡。（湖北省荆州市人民检察院党组副书记、副检察长 刘明科 长江大学法学院社会治理法学系主任 邱祥）
本文系湖北省人民检察院检察理论与应用研究课题“大数据法律监督模型应用的法治风险及应对策略研究”（课题编号：HJ2025B48）的阶段性成果。
【本文刊载于《人民法治》杂志2026年10月下（总第236期）法治新知栏目】