以行为质变理论指引检察监督智能化( 二 ) 本文转自：检察日报□研究检

从某种意义上讲，数据收集分析的维度与颗粒度已经涉及大数据建模的方法问题，而方法选用往往与主体的职能定位密切相关。虽然互联网时代的公共性与私有性之边界相对模糊、很难通过事先归纳而予确定，但是，这并不妨碍在法律监督实践中根据正当性与比例原则的精神进行裁量与确认。
检察监督智能化发展应当以智能化发现、识别反常的社会性行为为终极目标，即完成从数据化到智能化的真正飞跃。在此所讨论的检察监督智能化，不只是停留在对各种监督对象的行为进行数据记录，还要致力于实时发现甚至事前预测潜在的违法违规乃至犯罪行为。
检察监督智能化的实现路径
数据化是智能化的根基，检察监督的数据基础决定了智能化的发展程度。其中，检察监督智能化的顶层设计决定了智能化能否达到预期效果，以及能否解决实际问题，这主要涉及业务、管理与技术的统筹协调与认知理解问题。
（一）检察监督智能化的数据基础。检察监督智能化的数据基础是否扎实，取决于监督对象行为的数据化是否充分。业务办公系统或办公平台如果能够充分收集检察监督对象行为的数据记录，那么，智能监督的问题就可被归结为算法模型的设计问题，即大数据建模问题。当然，根据数据的充分性，大数据建模可以采取统计建模或行为建模的不同方法。
除了对监督对象行为进行全流程、全链条的数据留痕以外，建议将智能监督所涉及的行为数据按照时、空、人、事、物进行五个维度的科学管理。至于行为的意志因素与量化因素，可以留由事后追究责任或定罪量刑时加以考察与确认。
从对象行为的智能监督角度，尤其是为了大数据建模及算法模型计算的便利，应当提前对相关要素做好管理。这不仅有利于数据来源相关的业务信息系统的设计与维护，也有利于模型的重复利用与升级改造。
（二）检察监督智能化的顶层设计。检察监督的智能化，从方法论上讲是行为与规范的精细化并使之可计算的过程。具体而言，它一般包括以下过程：业务行为数据化—业务行为模式分解—业务行为规则提炼—违规行为特征分析—违规行为模型构建—行为模型算法化—行为与规则之匹配性的实时计算—违规行为的实时发现与处置。这一过程又涉及行为目标设定、行为规范理解、行为特征提取、行为建模设计、算法编程实施、应用开发对接、行为监督处置等。其中，建模方法是重中之重。从目前智能治理的实践探索来看，成功案例大多得益于业务、管理与技术的高度融合。
从检察监督智能化的建设分工来看，智能治理必然需要依靠法律业务专家与技术管理专家的通力协作。法律业务专家应当致力于行为与规范的精细化并形成算法模型，即将法律性与准法律性的行为规则予以精细化与算法化。技术管理专家则应当按照法律业务专家的要求实现行为数据的可记录与数据行为的可计算。
检察监督智能化的技术关键
检察监督智能化的目标是解决法律监督的业务问题，方法是基于算法模型实现行为与规范之匹配性的实时计算，基础是行为数据的采集与共享。这三个方面既是整体智能治理体系的技术关键，也是当下检察监督智能化工程的集中疑难所在。
（一）检察监督的业务行为调研。检察监督智能化发展至少可以从以下几方面展开：第一，在网络犯罪、涉众犯罪的刑事检察业务中，提高大数据证据的运用技能。认识和理解大数据证明的方法原理，掌握从大数据的相关关系中辨识因果关系的方法技巧。第二，运用大数据建模实现民事检察和行政检察监督的智能化。如，根据行政诉讼的立案、延期、久拖不决等特征智能识别行政检察监督案件线索。第三，借助大数据建模实现公益诉讼监督的智能化。如，运用趋势建模法、聚类建模法等实现对环境污染、公民个人信息数据资源保护、网购食品药品安全等涉及公共利益的违法犯罪行为的智能化捕捉和监测。第四，运用大数据的行为建模方法实现刑事执行监督的智能化。利用大数据的算法模型实现对被监管人异常行为的监测，如摔倒、剧烈运动、攀高等监测。第五，利用大数据分析为司法解释的制定提供决策引导。如，通过趋势的统计建模发现类案的发展趋势。