根据该原理，法律就某事件之规范若如此，则对其他相类似之事件，亦宜为同一之规范，为相同处理，始能适合社会通念，俾能实现法律生活之公平及维护法律秩序之安定。
业主委员会不起诉的，专有部分占建筑物总面积过半数或者占总户数过半数的业主可以提起诉讼。三是利害关系标准时期。
最后，认定原告资格是协调举报投诉权和行政诉权之间关系、实现法律体系自洽的必然要求。故此，尽管单就原告资格条款从法律上利害关系到利害关系的字面变化，无法证成扩大原告资格的立法意图，若结合登记立案制的创设和行政诉讼第三人制度的优化，并对此进行立法导向的体系性思考，2014年行政诉讼法修改时，立法者试图通过适度扩大原告资格引导行政争议进法院的立法目的非常明显。立法者决定在何种条件下公民享有权利，以及该权利应具有何种内容，[lxi]此乃基于法律安定性的理由和确保立法形成余地所要求。主要原因是，在目前法院不愿意受理行政案件的情况下，‘法律上的利害关系的不同理解，也可能会客观上限制公民的起诉权利。该法第9条规定，撤销诉讼限于对请求撤销该处分或裁决具有法律上的利益的人才可以提起。
至此以往，相对人在法律上的内涵是狭义的，仅指行政行为针对的直接相对人，即直接被法律文书所承载并受行政行为法律效力拘束的人。不过，我国大多数司法解释存在严重的立法化倾向，也是不言自明的事实。该功能可根据案由、证据组成情况，运用智能搜索引擎，从海量刑事案件信息资源库中查找最相似的案件进行自动推送，供办案人员参考。
应当说，走出法律智能系统论证之困境的出路还是有的。例如，处理情节严重显失公平明显不当主/次责任等问题时，离不开模糊推理和模糊逻辑。人工智能技术借助深度学习实现了一个新飞跃。产生式规则是一种通用的表示世界的方式，也是人类进行问题求解的基本范式。
CBR的研究历史与基于规则的推理、神经网络等相比要短一些，但是其发展却相当迅猛。在后一种模糊推理中，推理过程变成了函数计算，因而很适合在现有的计算机上实现。
大数据分析的基本原理是，基于过去的数据建立的函数模型，在接收新的信息和输入后，会得到对应的输出，这个输出值（函数值）是对业务场景中的缺失信息进行填补，或者说是对未来的趋势进行预测。4.法律逻辑评判法律推理与论证的强度和可信度。具有学习能力及自适应能力是智能的一个重要标志。无疑，应当让人类和计算机去做那些他/它们各自所擅长的事情，而不是相反。
系统利用大数据对案件进行偏离度分析，当某案件裁判的偏离度超过设定阈值时，主审法官需要对裁判结果提供合理的解释。或许，真如某些未来学家所言，人机结合既是人工智能的未来，也是人类进化的方向。最相似的案例可以作为解释的基础。需要严格按照对话式论证作出决定的场景，无法直接适用智能系统，这是人工智能在法律领域可适用的限度。
相比较而言，知识（库）是提升专家系统能力的关键。例如，海波系统及其升级版都没有考虑法律规则背后的目的和价值，这些早期的基于案例的推理模型因不能进行目的论推理而受到诟病。
由于大数据规模之大，使得大数据分析不同于传统的统计推理，而近似于以上帝视角对事件整体作全景观察。尽管有人声称阿什利开发的海波系统可以进行法律论证，但实际情况是，该系统在检索相似案例的同时，仅能提供支持另一方当事人的反例（如果有的话），以削弱相似案例的说服力，而非真正的展开对话式论证。
由于大数据分析可以帮助获取信息，找出海量数据背后隐藏的规律，甚至可以与传统的法律专家系统相结合，在基于规则或基于案例的推理的基础上作出决策，因此，尽管大数据分析并非严格意义上的逻辑推理，但我们仍然可以按照前述数学家波利亚所谓合情推理的观念，将这种对未来的预测方法称为基于计算模型的推理。前文指出，在利用专家的经验性知识提炼产生式规则时，很多时候使用启发法。除了贝叶斯网络，人们在概率论的基础上又发展出其他方法和理论，如可信度方法、证据理论（D-S理论）、主观贝叶斯方法等等。法律智能系统的发展方向是人机结合或人机协同。如果领域规则难以形式化、问题描述不完整或者问题求解需要的知识超出了现有的知识储备范围，都可以考虑使用这种方法，参考诸多既有案例进行推理。专家系统的解释能力已成为衡量系统智能程度的主要标志之一。
内容提要：法律智能系统运作逻辑的合理性，是取得当事人和公众信任的基础，也是其决定具有正当性和可接受性的重要根据。现有的研究表明，CBR专家系统在解释能力上并不亚于，甚至在某些时候还明显优于基于规则的专家系统的解释。
使用大数据技术的智能系统，属于基于计算模型的推理。（一）法律智能系统面临的论证困境与解决出路 各种各样的法律智能系统，其载体均为电子计算机。
这就违反了司法的亲历性特征。在设计环节，专家系统解释其推理路线的能力即被认为是一条重要的知识工程原则。
海量数据背后所反映的究竟是某种因果关系还是仅仅是一种相关性，就人类目前的认知能力而言，往往难以确定。易言之，在构建专家系统时，10%的规则涵盖了90%的问题空间，其他90%的规则用于处理例外。利用用户模型可提供具有实际意义的解释。2.大数据分析过程中的建模与推理 大数据分析是从数据到信息，再到知识的关键步骤。
由于法律推理的前提通常都蕴含有价值判断，而价值判断具有多元性，各种不同意见可以同时是合理的。同任何工具一样，计算机也有能力上的局限。
由于客观上存在的随机性、模糊性以及信息的不完备性，导致人们对事物的认识往往是不精确、不充分的。易言之，模型只是对真实世界的模拟，而不是对真实世界的复制，输出值可能与真实世界中的实际值存在差异，因此我们不能期望模型尽善尽美。
在法律领域，信息和知识的不确定性很多是由模糊性引起的（法条中的不确定法律概念俯拾皆是），这使得对模糊推理的研究格外重要。不难理解，CBR专家系统是另一种形式的从经验中学习的基于知识的系统。
因此，法律推理可以归结为著名数学家波利亚（GeorgePolya）所说的合情推理（plausible reasoning），它与适用于数学和自然科学领域受形式逻辑支配的严密的论证推理相对应，并相互补充。从技术角度讲，不存在一组if-then规则可以将人类行为完美地简化，即使有成千上万条规则也难以完全涵盖复杂的案件情形。逻辑主义学派将逻辑视为人工智能的基础。由于产生式规则的一般形式是if-then，这使得其天然适合解决法律领域的问题，特别是用于处理涉及成文法规则的问题。
从技术能力角度说，一旦涉及到价值选择和价值判断，法律智能系统的短板就暴露无遗。法律逻辑的上述诸项特征（不完全归纳），皆源于法律的实践性本质，是法律的实践性在不同侧面的体现和反映，它们共同构成法律智能系统的设计约束（design constraints）。
（2）大数据分析属于不确定性推理 传统的基于规则的专家系统由于使用领域专家的经验性知识而涉及不确定性推理（CBR专家系统也是如此）。3. CBR专家系统的底层逻辑：类比推理 显然，CBR专家系统的底层逻辑是类比推理（在技术上表现为框架推理）。
据此，基于规则的专家系统需要解释的内容主要指向产生式规则的运作，包括知识库中的启发性知识和综合数据库中认定的事实，以及从If到Then的推理过程。对此，加州大学伯克利分校电气工程与计算机科学系教授扎德（Lotfi Zadeh）提出的模糊集合理论以及在此基础上发展起来的模糊逻辑弥补了这一缺憾。
留言0