如何保证大数据证据的预期证明效果

大数据证据一般包含三个部分：书面结论、数据算法模型和海量电子数据呈现。大数据证据的使用需要从分析报告展示、算法验证、数据反演等方面进行逆向审查。

如何保证大数据证据的预期证明效果

□大数据证据的证明力不在于电子数据的载体要素，而实际上是借助大数据技术，以相关性为判断依据，在大数据与客观事实之间架起一座因果关系的桥梁。扩展路径。

□从刑事证据的角度，大数据证据以分析报告的形式呈现给法官。

大数据证据是指将传统的因果事实认知、数据关联思维和大数据技术相结合，通过分析海量数据要素的相关性，创造出必然合理的事实因果关系，并在庭审中以证据的形式呈现融合证据。借助大数据算法在海量数据范围内挖掘、碰撞、分析，探索行为数据的规律，即根据“为什么”找到相关关系，这就是大数据证据的核心。不同于传统的证据。充分的因果认知基础是证据发挥证明力的必要条件。大数据证据的证明力不在于电子数据的载体要素，而在于法官借助大数据技术，在大数据与客观事实之间搭建起因果关系的桥梁，相关性的扩展路径。大数据证据与传统证据虽然在证据载体或过程形式上有相似之处，但必须有数据算法模型支撑，以案件核心事实为源头揭示和表达数据关联性，进而为推导提供证据。符合因果逻辑。可见，融合证据是大数据证明的本质属性。

从刑事证据的角度，大数据证据以分析报告的形式呈现给法官。大数据证据一般集成了书面结论、数据算法模型和海量电子数据呈现三个部分，因此体现了证据在形式和内容两个维度上的整合。大数据证据作为一种新的证据形式，以犯罪过程中产生的镜像数据为信息扩展源，以侦查人员多元化、立体的主观感知为导向，基于算法模型进行提炼和加工。数据和信息。 .

融合证据的运用首先需要法官对大数据证据的证据信息载体和手段形成客观认识。即海量数据通过算法运算产生的相关性结论可以可视化展示给裁判接收。从内容或功能来看，大数据证据的价值体现在数据客观性和算法科学两个维度。从技术上看，算法模型表现在对有效数据的获取和分析，形成大数据证据，但本质是主观价值思维与算法语言的结合。当调查主体从海量数据中收集证据时，通过算法模型对数据元素进行针对性的操作，使具体数据获得主观预期的结果。可以看出，从主观性的角度来看，大数据证据中也包含了“证人证言”的因素。基于此，有评论指出，大数据取证方法可以分为两种情况：基于海量数据的数据库比对和基于算法模型的大数据分析。因此，从大数据证据的证明效果来看，需要从书面分析报告、算法模型和源数据组三个方面来识别使用融合证据的合理性，以确保大数据证据的有效性。可以达到预期的证明效果。

首先，分析报告的呈现和答辩。在庭审中，大数据证据的载体多以书面分析报告的形式呈现（辅以可视化图表等）。即大数据证据可以参照“书证”的证据方式向法官展示其证据信息。由于分析报告以文字或图标的形式记录了与案件事实密切相关的数据来源、算法模型机制、关联结论等信息，因此，根据分析报告形式和内容的不同，它通过陈述和辩护进行测试。它的证明。一方面，从写作的形式特征来看，在法庭空间中，大数据分析报告向诉讼主体呈现证据信息最直接、最便捷的方式是阅读、展示等方式。相应的证据方法规则可供参考。 另一方面，由于专业知识等主客观条件的限制，每个诉讼主体在分析中可能对相关算法的“加密”内容在原理、科学可靠性等技术层面存在“疑问”。报告。有鉴于此，参与大数据调查和大数据证据“制作”过程的相关人员可能需要“回答”“问题”，尤其是需要解释源数据提取和数据算法模型的部分。生成分析报告的过程。诉讼主体明确了大数据证据的证明内容和生成机制，便于辩方的辩护和法官的事实认定。

二、算法验证。在大数据证据作为证据时新闻内容分析，由于算法原理的不可解释性和过程的不透明性，辩方无法行使实体抗辩权。算法验证可以打破“算法黑匣子”效应，促进大数据证据的司法透明。有学者提出，算法的可视化可以通过技术来解决，只要法律要求，技术就会响应和解释。从技术角度来看，算法模型的推理和计算过程非常复杂。即使公之于众，控辩双方（尤其是辩方）的主体也无法全面分析算法模型的原理。即使算法原理可以深入分析，也需要逆向推导。经过验证的技术手段证明了它的科学可靠性。这样，势必会增加控辩双方对大数据证据的质证难度，无法保证反向验证技术的真实性和可靠性。为此，有学者提出了通过程序规则保证算法公平的实践思路，即对大数据证据提供严格的程序规定，提倡将大数据证据的表象处理过程公开，以供参考。保证整个计算过程的外观透明。该程序条例规定了程序制裁。具体来说新闻内容分析，通过分析使用因素和准确性作为算法的外观处理过程，可以将技术问题转化为程序问题，从而降低结果检验的难度，在司法实践中具有很强的实用性，也是一个主要的问题。数据证据融合证据的程序化规范提供了新思路。值得注意的是，如何在设计和运行过程中保证算法模型的科学可靠性，是解决“算法黑箱”与司法透明矛盾的根本原因。

大数据算法是通过对以往海量案件的数据资源进行分析、整理、打磨，提取待证明要素，根据相关犯罪内容构建标注体系，对犯罪要素进行划分而构建的算法模型。证据和证据要素进入证据链的每个环节。不难看出，该算法模型在创建时已将前次类案裁判所包含的价值判断思维内化到运行程序中，这意味着算法本身就包含前次裁判的价值倾向，并以因此，可以以“同案同判”为指导原则，对案件事实进行类似的价值判断。同时，这一举措使算法模型在类案裁判过程中具有普遍适用性，促进了法官证明有效性标准的统一。

第三，数据反转。海量数据聚合体是大数据证据生成的基础，电子数据是其基本细胞和最微观的形式。由于电子数据已成为法定证据类型，最高人民法院、最高人民检察院《关于办理刑事案件收集、提取、审查、裁判电子数据若干问题的规定》等规范性文件，公安部不断下发，建立了较为完整的电子数据。证据使用方法。因此，大数据证据的应用方法应从海量数据聚合的维度结合电子数据证据的应用方法进行分析。

由于海量数据采集的数据量已经达到一定程度，完全验证所有数据既不可能也没有必要。大数据的混杂性决定了并非所有的海量数据都与刑事证据有关。大数据证据只需要从行为相关性中剔除有效数据，通过算法模型生成规律的结论。总之，大数据证据的特点决定了数据抽样逆检验的实际可行性。从根本上说，刑事证据是最好的解释推理，而不是概率判断。对于大数据证据，抽样方法虽然存在验证概率大、全数据证明力不足的缺陷，但它是一种比较合理可行的操作方法。以当前高发多发的电信网络诈骗案件为例，由于涉案人员众多，涉及的通信信息流、资金流、网络流等更是众多，几乎不可能一一、一一、一一检查。 对此，利用大数据侦查手段提取的与案件相关的海量数据，可以提取整体事实，形成大数据证据。基于此，数据抽样必须采取“结果归因”的方法。具体而言，从既定条件出发，利用数理逻辑，通过技术算法将符合结论的随机数据元素反转为初始数据，反向验证大数据证据本身的可靠性。但就结论的准确性而言，数据推论本质上是实验性的，在验证中必须有一定数量的可重复结论作为支撑，以加强基于数据的事实推演结论的可靠性。

基于证据应用方法的客观科学立场，不合理的抽样反演不能为大数据证据的证明力评价提供认知依据。因此，采样的合理性也是数据反演验证的客观保证。从证据生成机制来看，大数据证据是一种归纳推理逻辑，一种归纳推理逻辑，一种归纳推理逻辑。因此，所取数据样本的大小决定了数据抽样的科学可靠性。即提取的数据量较小时，无法覆盖海量数据所有可能的相关性，数据反演验证趋于形式化，不符合证据法的客观、科学要求；当提取的数据量较大且只有当数据样本能够控制在一个相对客观的类别中，并且反验证的结果具有一定的科学可靠性时，该抽样方法才能满足证据法的客观、科学要求。

从诉讼证明的角度来看，大数据证据为突破传统证据的困境，证明新型网络犯罪提供了新思路。如何将大数据证据与现行司法制度和证明规则相结合，值得进一步探索。

（作者为四川省成都市浦江县人民检察院检察长、西南政法大学新型网络犯罪调查研究中心研究员）