摘要：当前各地检察机关依托人工智能技术推进刑事案件智能辅助办案系统建设，以期提升证据审查的效能与规范性。但在使用过程中发现，人工智能辅助刑事证据审查暴露出信息提取、证据归类与判断等多方面的缺陷。所以，围绕刑事案件证据审查判断的完整内涵，系统详尽梳理人工智能辅助系统在证据材料提取、证据资格判断、证明力审查、综合审查判断等实践阶段暴露的具体问题，从人工智能理论出发揭示统计学习与规范判断的结构性错位、分布语义对概念语义的替代困境、语言模型的幻觉生成机制、注意力机制的局部局限以及多模块信息整合障碍等多重深层原因，并据此提出改进思路。
关键词：证据审查 刑事案件 智能辅助办案系统 人工智能 数字检察
刑事证据审查判断是刑事诉讼的核心环节，其质量直接决定案件处理的公正性。《中华人民共和国刑事诉讼法》第50条确立了证据必须经过法定程序查证属实才能作为定案根据的基本原则。在数字检察战略深入推进的背景下，人工智能辅助办案系统逐步进入刑事检察实务。然而，系统在应用中暴露出的编造证据、证据遗漏、分析逻辑断裂等问题表明，技术赋能与证据审查判断要求之间的差距并未因人工智能的部署而完全消弭。本文从证据审查判断的完整规范性要求出发，梳理AI辅助系统在证据审查各阶段面临的困境，从人工智能理论层面分析其技术根源，并探讨可行的改进方向。
一、刑事案件证据审查判断的内涵和要求
证据审查判断的内涵远不止于对证据“三性”的分别核验。从刑事诉讼法学理论出发，完整的证据审查判断应当是三层转化结构，即从“材料”到“证据”再到“定案根据”。侦查收集的各种“材料”，经过法定程序的检验，方可被确认为“证据”，经过举证、质证和法庭辩论后才被采纳为“定案根据”。这意味着证据审查判断不能是一次性的、平面的核对，而必须是以“可否作为证据使用”和“本案证据体系能否支持指控”为双重导向的递进判断。
第一层面为证据资格的审查。证据资格解决的是“该材料能否作为证据使用”的问题。学理上以客观性、关联性、合法性三项要求为判断标准。客观性要求证据必须是客观存在的事实，关联性要求证据必须与案件事实存在实质性联系，合法性要求证据的取得程序和形式要件必须合乎法律规定。三项要求相互渗透，共同构成证据资格审查的完整标准。
第二层面为证明力的审查。证明力解决的是“该证据能证明什么、证明到何种程度”的问题。证明力判断依赖两个相互支撑的机制。一是印证机制，即不同证据所包含的信息能否相互支持、形成一致指向。二是综合判断机制，即在分别审查每份证据之后再对全案证据进行整体性评价，排除合理怀疑。证明力审查必须在证据之间建立信息关联网络，从分散的证据中提炼出指向一致的证明体系。
所以，在司法实践中，首先对每份证据独立进行形式审查和内容核验，确认其来源、提取程序的合法性和内容的真实性；其次对同一事实指向的多份证据进行横向比对，检验证据间的一致性与矛盾点；最后对全案证据体系进行整体评价，判断指控事实是否得到充分证明。这一流程按“分别审查”“对比审查”“综合审查”的顺序层层推进。
二、人工智能辅助审查证据存在的问题
当前人工智能辅助系统在证据审查各阶段均暴露出程度不一的缺陷。以下按照证据审查判断的完整流程，对实际应用中反映的具体问题予以系统梳理。
（一）证据材料提取与核验阶段的问题
证据审查的起点是从卷宗材料中准确提取信息，人工智能辅助系统在这一基础环节即已出现多重问题。
信息提取失准是最基础的技术缺陷。手写笔录、手写证明等材料的OCR识别错误，直接导致证据内容失真，如证人姓名被错误摘录、诉讼参与人身份信息张冠李戴；即使形式条件良好的打印文本，系统也可能提取错误，如讯问地点被从看守所误提取为其他场所，同案犯的拘留证被错误识别为犯罪嫌疑人本人的拘留证。
证据遗漏的普遍性进一步削弱了审查基础。书证、证人证言、鉴定意见、现场勘验笔录等各类证据均存在遗漏情形；DNA鉴定意见、监控视频截图、前科材料等关键证据亦存在被忽略的情况，多份现勘笔录仅摘录其中一份的情况并不鲜见。对于形式条件良好、内容详实的言词证据，系统同样可能不予提取，使后续的证据矛盾分析和事实认定建立在片面信息之上。
信息编造是对客观性的直接破坏。系统在面对信息不确定时，可能根据概率分布自动生成事实上不存在的内容。如一份《停业整顿通知书》被编造为《现场检测报告》，并生成原文中并不存在的检测结论；讯问笔录被错误归类为证人询问笔录后，又编造不存在的证人。审查时若不逐一核对原文，即面临采信虚假证据的系统性风险。
证明内容过于简略使实质性审查无法开展。系统对尸体检验报告的概括仅有一两句话，缺失致伤部位、致伤次数、损伤程度等关键内容，承办人无法将客观证据与犯罪嫌疑人供述、证人证言进行实质比对。证据摘要的功能本应是提炼核心证明信息，而非制造信息衰减。
编目替代导致指称断裂。系统对电子卷宗进行智能编目后，在摘录证据时使用了编目名称而非文书的原始名称。如公安机关出具的归案经过被统一标注为到案经过，人口信息证明、户籍资料等多种材料被统称为户籍证明。这种标准化处理切断了证据名称与原始文书之间的指称关联，使后续的证据比对建立在失真的元数据之上。
（二）证据资格判断阶段的问题
证据资格判断的核心是检验材料是否满足客观性、关联性、合法性要求，以确定其能否作为证据使用。人工智能辅助办案系统在此环节的问题集中在后两个方面。
证据分组的逻辑失序表明系统对关联性的理解严重不足。扣押的全部财物不加区分地一律列为物证，缺乏对每一件财物与指控犯罪事实之间关联性的逐一审查。调取证据通知书、接受证据材料清单等程序性文书被作为独立证据单独列明，未与相对应的实体证据合并呈现，割裂了程序载体与实体证据之间的从属关系。鉴定意见通知书被单独摘录，其内容仅为鉴定结果的程序性告知而非证据实质内容，这种摘录没有独立意义。害人陈述被错误归入书证类别，证据分类体系混乱。
程序合法性监督的大批量误判暴露了形式核对与实质判断的脱节。系统在犯罪嫌疑人基本情况审查中可能集中提示数十个问题，但经人工核验后发现绝大多数为错报。办案民警询问未出示工作证件、存在行政询问笔录需要重新询问、对当事人的回避申请未作处理等看似“问题”的提示，实际上均不符合认定为程序违法的实质条件。认罪认罚程序性告知被误判为向犯罪嫌疑人作出具体从宽承诺；决定监视居住时告知不得违反相关规定，被误判为当事人实施了违规行为；告知可以申请回避的权利，被误判为当事人提出了回避申请。对于犯罪嫌疑人在法律文书上拒绝签字捺印但已注明的情形，系统仍将其作为侦查活动监督线索提示，忽视了既有的合规处理。法律文书填写完整规范，因未准确提取相关信息而被错误作为侦查活动监督问题提示。
（三）证明力审查阶段的问题
证明力审查要求系统在证据之间建立信息关联，检验印证关系，排除矛盾，形成对事实的整体判断。这是人工智能辅助办案系统缺陷暴露最为集中的领域。
分析模块的信息隔离是最突出的结构性缺陷。有的系统设置了全案证据分析模块和漏罪漏犯分析模块，但两者之间缺乏语义通信。矛盾分析模块已经识别出某一人名系笔误，但漏罪漏犯分析模块并未读取该结论，仍然将笔误指向的人名作为遗漏的犯罪嫌疑人单独提示。证据分析的结论无法为事实认定所用，矛盾分析的成果无法修正漏罪漏犯的判断，各分析模块处于孤立运行状态，呈现出典型的“分析孤岛”特征。
矛盾分析的机械性暴露了语义关联能力的匮乏。系统对内容完全一致的矛盾点进行重复提示，缺乏对矛盾信息的内容同一性判断。以嫌疑人自述曾有两处盗窃前科为由，系统提示遗漏犯罪事实，却无法区分“嫌疑人自述的前科”与“有在案证据证实的犯罪事实”之间的性质差异，将前者直接等同于需要审查的案件事实。这种基于表面文字特征的机械匹配，无法完成实质意义上的矛盾分辨。
证据间印证分析的不足在犯罪嫌疑人拒不认罪的案件中尤为突出。系统能够罗列相关证据，却无法立足于各证据相互印证的角度对“犯罪嫌疑人实施了犯罪行为”展开充分论证，缺乏将分散证据整合为有说服力的证明体系的关联分析能力。在共同犯罪案件中，多名嫌疑人的各自行为、获利和分成不能正确区分，不能辨析出现矛盾证据的事实，不能正确按照销赃金额认定盗窃金额。
事实认定存在系统性的认定偏差。首先是重要事实不予表述，如经过价格认定的财物未在事实表述中体现，入户盗窃后转移财物的事实不作表述；其次是根据相应的证据采信规则，不应认定的事实却予以认定，如仅有被害人陈述而被害人无法提供其他证明的财物，按照孤证不能定案的原则应不予认定，系统却作出认定，经审查认为证据不足、不应认定的伤害事实被错误认定；最后是多人多事实案件中，认定的事实完全混乱，如各犯罪嫌疑人各自实施的事实未被区分。
三、人工智能辅助证据审查困境的原因
（一）统计学习与规范判断的结构性错位
当前主流AI系统的核心工作方式是“猜”，依靠的是词语之间“谁和谁经常一起出现”的统计规律，而不是概念之间“什么在逻辑上必然推导出什么”的规范关系。
而证据审查判断的本质是规范性的推理，而不是统计性的猜测。判断证据是否具有客观性，是要评估它的内容是否真实、来源是否可靠。判断证据与案件事实是否具有关联性，不是在文本中检索关键词有没有同时出现，而是要判断这条证据所指向的信息能否证明案情。AI做的是“概率计算”，证据审查需要的是“规范判断”，这两种思维方式的底层逻辑截然不同。
（二）语言模型的幻觉生成机制
信息编造是AI辅助证据审查中最危险的问题。AI输出文字的过程，本质上是一个“接龙游戏”。它每输出一个词，就会根据已经输出的内容，计算下一个词“最可能是什么”，然后选概率最高的那个词填上去。
问题在于，当AI面对的信息不确定或缺失时，它不会停下来提示“此处缺少信息”。因为在训练过程中，没有人教过它“不知道就说不知道”。它被训练的方式就是，即无论什么情况，都要给出一个最合理的下文。所以当它读到停业整顿通知书这份材料时，如果它的训练经验告诉它“此类行政处罚文书后面常常附有检测报告”，它就会自动“补充”出一个现场检测报告，甚至生成具体的检测结论。这些编造的内容并非从案卷原文中提取，而是AI根据“此类文书中通常会出现什么”的概率预期凭空生成的。
（三）注意力机制的局部局限
AI能够处理很长的文本，这是事实。但它处理长文本的方式和人类阅读案卷的方式有根本不同。
人类阅读案卷时，是一个不断建立整体印象的过程。读到第三份证人证言时，会联想起第一份证言中的某个细节；翻到鉴定意见时，会下意识地和嫌疑人的供述进行对照；看完所有材料后，头脑中形成的是这起案件的全貌。AI的工作方式恰恰相反。它逐字逐句地处理文本，为每个词及其上下文建立一个“注意力分值”，判断这个词和周围哪些其他词关系更紧密。这种方式能帮助它理解每一段话的大意，但不能帮助它建立一个跨越数十份法律文书的整体判断。矛盾分析模块识别出笔误但漏罪漏犯模块仍然提示漏犯，这个问题的技术根源也在这里。
（四）多模块信息整合障碍
刑检智能辅助办案系统通常包含多个功能模块，包括证据摘录、全案证据分析、矛盾分析、漏罪漏犯分析、事实认定、法律适用建议等。在实际应用中，这些模块之间缺乏有效的信息共享，导致了大量“信息不一致”类错误。不同模块对同一案件的同一份证据，可能各自独立编码、独立存储，比如证据分析模块识别出的某条关键信息，漏罪漏犯模块看不到。系统的工作流程是先摘录证据，再做证据分析，再做矛盾排查，最后做漏罪漏犯筛查和事实认定。每一步的结果以固定格式传给下一步，但后续步骤的发现不会反向修正前序步骤的判断。
四、优化思路
基于上述分析，改进方向应从技术、知识和机制三个维度同步推进。
（一）技术层面的完善
信息编造与多模块信息孤立是当前AI辅助系统暴露的两类核心技术缺陷，改进措施亦应分别针对这两类问题展开。
就信息编造而言，改进的核心是建立“信息锚定核验”机制，要求系统对每一个输出的信息节点均验证其是否存在卷宗原文中的对应依据，无法找到原文支撑的输出一律标记为“待核实”并提示人工核查；对OCR识别把握不足的内容，系统应同步输出置信度评分并主动标注“识别存疑”。
就多模块信息孤立而言，改进方向是在各功能模块之上建立统一的结构化信息共享层，将各步骤的中间结论以可查询、可追溯的格式统一存储，使每一个后续模块的推理均可读取前序步骤的判断结论。
（二）知识层面的构建
分布语义替代概念语义，是AI无法准确把握法律规范关系的根本原因；规则知识体系封闭、缺乏实践反馈通道，进一步限制了系统对实务经验的吸纳能力。改进方向是构建面向证据审查的法律知识体系。
一方面，应建立法律知识图谱，将证据审查所涉及的核心法律概念及其相互关系以结构化形式编码存储。例如，言词证据与实物证据之间的印证规则、证据形式要件与实质要件的区分标准，均应以可机器查询的语义网络表达。知识图谱提供“概念解析层”，将文字背后的法律含义规范化映射，从而将字面匹配升级为概念理解。
另一方面，应将现有硬编码规则库改造为分层配置架构，按基础层、适配层、专项层三级分类管理，基础层存储全国统一的证据审查规则，适配层存储地区差异规则，专项层存储各罪名的特定审查要点。规则库的更新通道应保持开放，允许承办人将实践中发现的系统错误反馈为规则的新增条件或例外情形。
（三）机制层面的保障
统计学习与规范判断的结构性错位，决定了AI在现阶段无法独立完成实质性证据判断。厘清人机分工边界、建立有效的反馈闭环，是确保审查质量的制度基础。
就人机分工而言，应当建立分层审查规程。AI系统承担信息提取、形式要素核对、日期计算、矛盾高亮等辅助性工作；承办人负责证据关联比对、证明力评估、罪名辨析等实质性判断，不以系统输出结论直接替代独立审查。
就反馈闭环而言，当承办人的独立判断与系统提示出现分歧时，应自动触发分歧记录，形成结构化报告为后续规则修正提供参照；系统应定期以已生效判决案件进行反向校验，将校验结果纳入系统迭代改进的依据。
（作者单位：浙江省绍兴市人民检察院）
