陕西省西安市碑林区人民检察院
摘要：本文通过大数据建模的机制引入了侦查监督业务部门办案指导系统。本文以“审查逮捕”案件类型进行描述，通过输入案件数据信息，经过数据审核、确定案件模型、案件审查得到合理的审查结果，呈交给办案人。这样的方式引入后，可以提高办案的效率，缓解案多人少的矛盾，同时能够避免由于法律更新和新的司法解释出台所带来的人为的纰漏。
关键词：大数据；建模；侦查监督；办案指引模型
一、侦查监督业务工作流程介绍
逮捕是司法机关依照法律规定在一定时间内在特定的场所对犯罪嫌疑人、被告人予以羁押，剥夺其人身自由的一种措施，是刑事诉讼中最严厉的强制措施。侦查监督的工作核心职能是审查逮捕，包括审查批准逮捕和审查决定逮捕[1]。审查批准逮捕，是指人民检察院对于公安机关、国家安全机关、监狱提请批准逮捕的案件进行审查，决定是否逮捕犯罪嫌疑人的一种诉讼活动。
这里的用例，以基层检察院侦查监督科干警办理“审查逮捕”案件流程进行具体分析。审查批准逮捕案件的核心是对案件的嫌疑人进行询问、证据进行判断，最终确定是否予以逮捕或者不批准逮捕。
图1“审查逮捕案件”办案业务流程图
大多数的案件核查需要案件承办人员对于公安机关报送过来的材料进行快速的判断，并做出审查结果。其中对于案件判断大致可分成三个部分。第一部分案件受理情况，主要包括受理日期、案件类别、案件名称、移送机关、移送案由、案情摘要等信息；第二部分为犯罪嫌疑人基本情况，主要包括姓名、证件类型以及证件号码、性别、民族、出生日期、作案年龄、国籍、户籍所在地等信息；第三部分案件详细信息，主要包括涉嫌案由，前科，是否在逃或者通缉等，强制措施等信息。
图2审查过程数据输入展示图
通过对案件总体信息的详细审查，对犯罪嫌疑人的问询，在法律规定的期限内，侦查监督承办人决定“批准逮捕”或者“不批准逮捕”的结果，并提交《提请批准逮捕书》、《逮捕犯罪嫌疑人意见书》等法律文书[2]，并最终完成整个审查批准逮捕的流程。
在审查批准逮捕的过程中，由于基层检察院案多人少的矛盾、法律法规和司法解释的更新以及办案时间较短等原因，给案件承办人带来很大的工作压力。为了解决这些问题，我们引入大数据分析模型下的侦查监督办案指引系统，利用大量案件数据作为基础，通过数据建模作为手段，引入办案指引系统作为承办人的办案辅助工具，可以极大的提高效率，增加案件审查的严谨性。
二、引入大数据分析案件指引模型
对于基层侦查监督实际工作分析过程，可以发现承办人在办理案件的过程主要通过两个基本步骤来分析和识别审查案件。第一，对案件基本信息审查，如案件移送辖区是否是管辖范围、案件受理时间是否超期等最基本的甄别；第二部分是案件事实和证据的审查。这个部分是整个审查批准逮捕过程的核心。这个部分包括案件事实的确认，如当事人身份确认，案发时间、地点的确认；另一部分为证据的确认，如书证，物证，证人证言，辨认笔录，鉴定结果等。
在批准逮捕的审查过程中我们可以使用大数据的技术（比如Hadhoop技术），对常见的案由的犯罪构成要件标准化处理，用于帮助办案干警案件审查。
我们在建立大数据案件指导模型的过程中主要通过模型建立、模型训练、模型验证和模型预测四个步骤进行。
图3“案例指导模型”建模流程图
（一）模型建立
仍然以“审查逮捕”办案过程为例，我们在如上描述的“审查”节点建立模型。建立模型的方法可使用业界成熟的建模工具，也可以运用开源的代码进行开发。该步骤主要作用是当模型库中没有现行的案例时，根据案件类别新建模型。
（二）模型训练
模型训练指根据已知数据寻找模型参数的过程就是训练，最终搜索到的映射及被称为训练出来的模型。模型训练的过程实质是优化。在监督学习中，给定数据和模型假设空间，就可以构建出优化问题，也即如何确定参数，使得目标最优化，这也就是所谓的训练。具体到侦查监督的案件模型中，当新模型建立后，往往一个或几个同类案例信息无法遍历该类案例的所有的情况。因此需要对模型不断的优化、调整，从而保证模型对案件甄别和判断审查的准确性。
（三）模型验证
型验证就是在对所建立的模型求解应用之后看它是否符合实际情况。当模型建立后，对不同的案件模型进行测试。输入相应的法律文书证据，案件过程，犯罪嫌疑人信息等内容，判断模型的审查结果是否正确合理。
（四）模型预测
模型预测就是对具体数据或者案例，根据已有的模型库文件进行分析比对，最终提供基本符合事实情况的结果的过程。对经过验证并入库的模型，就具有的可应用性和可预测性。当具体真实的案例进入流程后，根据匹配的模型进行分析和审查最终得到预测结果，并提供给案件承办人。
三、办案指引模型详细描述、优化和扩展
（一）Hadhoop技术介绍
Hadoop是一个能够对大量数据进行分布式处理的软件框架，其通过一种可靠、高效、可伸缩的方式进行处理。“可靠”是因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理；“高效”是因为它以并行的方式工作，通过并行处理加快处理速度；“可伸缩”是因为其能够处理PB级数据。此外，Hadoop依赖于社区服务器、开源、成本比较低。
Hadoop有许多元素构成。主要有HDFS、MapReduce、HBase、Hive和ZooKeeper等成员组成，其中最基础、最重要元素为底层用于存储集群中所有存储节点文件的文件系统HDFS（HadoopDistributedFileSystem）来执行MapReduce程序的MapReduce引擎[4]。
Hadoop主要由以下几个项目构成：
图4Hadoop基本框架图
（二）办案指引模型详细描述
通过Hadoop的基本框架，可以构建针对基层检察院侦查监督业务的案例指引模型。通过侦查监督办案模指引型可大幅度的提高侦查监督科室承办人的工作效率，提高办案的准确性。
图5引入侦查监督办案指引系统模型
侦查监督案件指引模型内部结构主要由数据审核、案件模型确定、案件审查和法律文书框架生成四部分构成。数据审核主要对案件受理信息、犯罪嫌疑人基本信息和案件详细信息的管辖范围、办案期限、数据正确、证据信息是否完备进行审核；确定案件模型是根据案件的类型从模型数据库中提取对应的模型，并确定该模型需要审查的犯罪构成要件，如若没有提取到模型则需要新建模型，并经过模型训练和验证添加到模型库中；案件审查指根据犯罪构成要件，主要包括事实证据审查和法律适用审查来确定案件最终是否达到批准逮捕的条件，并提供给案件承办人予以确认。当案件承办人确认审查结果合理后，系统自动生成法律文书的额框架，如果承办人不认可审查结果，那么系统应该对模型增强训练和验证，提高模型预测的准确性。具体情况如下图描述：
图6案件指引模型详细结构
（三）模型的优化和扩展
虽然本文描述的模型主要是通过大数据环境下，基于侦查监督的审查逮捕案件信息构建的办案指引模型，但是通过增加模型输入信息入口和模型训练，以及模型匹配公式，也可应用于立案监督和侦查活动监督的业务。同时也可拓展到公诉等其他业务部门中。
大数据分析模型下的侦查监督办案指引系统不仅可以单独使用，而且可以与统一业务软件直接对接，提高法律文书流转的效率；同时还可以扩展到案件评查系统，由于法律文书的框架生成对法律文书规范性有很大的提高；最有该系统也可以扩展增加办案的培训模拟和演示功能，如对新人可以独立办案，手动生成法律文书，并与系统模型生成的法律文书比对，提高自身的办案功底和法律素养。
大数据分析模型下的侦查监督办案指引系统也应该是同步更新和可维护的。当需要法律条文修改、司法解释出台后，系统需要可以通过添加新内容等手段达到案例模型审查同步更新的效率。这也是后续研究和探讨的方向。
四、总结
智慧检务是最高人民检察院院已经拟定的检察业务发展方向，是建设智慧检察院，推动检察业务工作的快速发展的助推器。因此基于大数据分析模型的侦查监督办案指引模型也是在这样的大背景下，深入分析思考侦查监督业务而形成的初步探索。
随着智慧检务工作的深入推进，不仅是侦查监督业务、公诉业务，还有民事行政业务，案件管理业务以及刑事执行监督业务的工作方式方法都会迎来深刻的变化。希望本文起到抛砖引玉的作用，为基层检察机关在大数据应用上带来一些思考。
参考文献：
[1]《侦查监督业务教程》国家检察官学院中国检察出版社
[2]《检察机关岗位素能基本标准（试行）》最高人民检察院中国检察出版社。
[3]《全国检察机关统一业务应用系统填录标准和说明》中国检察出版社。
[4]Hadoop基本介绍http：//blog.csdn.net/w12345_ww/article/details/51910889