诉讼调解制度的法理反思

作为民事诉讼的基本原则之一，诉讼调解制度在我国司法审判实践中发挥着重要作用。但是，在经济、文化快速发展的社会环境下，其种种弊端日益突出。从法理学的角度看，诉讼调解制度不符合司法审判的本体要求和目的，与现代法治理念相冲突，不利于法治建设进程的推进。取消诉讼调解制度，还司法审判以本来面目已是当务之急。     

基于文本挖掘的检察起诉决策支持与案卷分类管理系统北大核心CSSCI

“智慧检务”建设近些年取得了巨大的进展,但是大部分集中于检察信息化和数据基础设施领域,对检务工作决策支持的关注程度和相关研究成果都很有限。针对这一弱项,围绕检察工作中“对刑事犯罪提起公诉”的核心任务,结合检察官“根据案情基本信息决定以何种罪名起诉”的决策过程,本文运用文本挖掘技术建立起一套检察起诉决策支持系统。该系统主要由文本预处理、特征提取、分类等流程组成,输入是案情描述的文本,输出是对应的起诉罪名。实验结果显示,该系统在多种分类模型下、不同的特征数量下、不同的文本向量表示方法下均能取得较高的准确率,不仅实现了有效的、高精度的起诉决策支持,也提升了案卷分类管理的效率。本文成果是大数据挖掘辅助检务决策领域的率先尝试,是提高检务工作智能化水平的具体实践,丰富了领域研究的同时,相关数据和结论亦可作为该领域应用和实践的基线,供未来参考和借鉴。     

刑事审判公证论

公正,是司法的本质属性,是司法的灵魂和生命,在诉讼价值体系中处于核心地位。一个国家的法律能否最大限度地实现公正价值是衡量这个国家法制文明进步的标志。公正审判是各国刑事审判制度的最高价值选择,也是有人类历史以来,关于法院审判问题中的一个永恒的话题。仅就刑事审判理论而言,所谓公正审判,也包括实体公正和程序公正。本文仅就审判程序公正的理论、标准和中国为公正审判的改革问题加以探讨。     

基于多分类器融合的客户细分研究

基于多分类器融合技术,建立了新的客户分类模型,该模型通过使用分类融合器,将多个分类器得到的客户信用评估结果进行合并,从而综合了不同分类器的局部优势,提高了分类性能.采用线性分类融合器,并通过遗传算法对分类器进行优化.实验分析表明,该方法的分类效果明显优于传统的运用单个分类器的分类方法.     

《管理工程学报》2009年总目录

非交易类虚拟社区成员参与动机：实证研究与管理启示……范晓屏（1） 三种类型系统方法论的比较研究及其启示……张彩江（7） 基于模糊集贴近度的文本信息分类器分辨率改进算法研究……李子叶 王亚刚 郭菊娥 席酉民（13）纵向合作中的共同R＆D投资机制研究……刘伟 张子健 张婉君（19）     

试谈对不应诉判决的认识

不应诉判决有广义和狭义之分,该划分主要是由于英美法系和大陆法系各自不同的诉讼程序和诉讼文化造成的,本文对不应诉判决在英美法系国家和大陆法系国家的基本情况进行了概要的介绍,并对各自对不应诉判决的理解和不应诉判决在两大法系的内涵进行了简单的分析,并通过分析介绍,借鉴各国比较好的经验,最后提出了我国设立不应诉判决制度的小小建议。     

程序正义的法理学分析

程序正义不仅在实务中有重要意义，保护诉讼参与人的诉讼权利，限制国家公权力的行使。在法理的层面也具有一定的价值。从对公民的人性需求的保护来说，从保障判决的正当性，以及树立司法在社会中的权威来探讨，程序正义都有其重要的独立价值。     

刑事审判中心主义的改革进路——基于人权保障的视角

"推进以审判为中心的诉讼制度改革"作为一项新的司法改革措施,与"加强人权司法保障"的法治目标具有内在的一致性。针对当前司法实践中侦查中心主义仍占主导地位、控辩双方地位依旧不平等以及整个庭审过程虚化等不良现状,应当在人权保障理念的指导下,从侦查、起诉、审判三个方面来实现审判中心主义的完善与发展。具体包括以下基本措施:通过实行司法令状制度、弱化口供作用以及加强律师辩护权来规范侦查工作;通过改革案卷移送方式,建立预审制度来改进公诉方式;通过贯彻直接言词原则、扩大法律援助范围以及落实证据裁判原则来完善庭审制度。     

浅论马锡五审判方式产生之背景与当下背景之差异

在进行了十数年审判方式改革之后,马锡五审判方式的突然回归,使现有的司法格局和未来走向又处在一个十字路口。但无论是马锡五审判方式的支持者还是反对者,以及主张对这种审判方式在进行一定改革的基础上融入现行诉讼模式的人士都不能忽视:马锡五审判方式产生时代背景和当代的境况有很大的差异。更须谨记的是,公正才是司法追求的核心目标。     

80万元:维稳一个唐慧

——相关人士透露,这些年单单稳控唐慧的经费,虽没做详细统计,估计耗资已过80万。"唐慧们"多因对司法判决不服上访,其直接结果更多的是和基层官员博弈。今年4月12日的一审,唐慧要求2400余元的赔偿以及书面道歉,遭到全部驳回。网友感叹,国家宁花数     

数据分类中的特征选择算法研究

本文应用半正定规划支持向量机模型,将核函数特征子空间的组合作为核映射矩阵,提出一种新的将特征选择整合在数据分类过程中的学习算法。首先,将样本按其特征进行分组,计算每组样本子集的核矩阵;然后将这些核矩阵线性组合后加入基于半正定规划的支持向量机模型中,利用半正定规划支持向量机学习器求解得到各子特征空间的权重系数,其次,根据特征权重系数建立特征贡献度和支持度用于特征选择并控制分类准确率、特征数量和对不同类别样本的分类能力;最后根据最优分类准确率、最少特征数量、最佳泛化能力三项不同目标计算所对应的特征数量和分类结果。实证中采用医学、植物学、文本识别和信用等领域数据以及人工数据集比较该方法和SFS、Relief-F以及SBS算法的特征选择效果。结果表明,在实际数据中,本文提出的方法不但能够保持较好的分类学习效果,而且可以比SFS、Relief-F以及SBS特征选择算法的特征子集数目大幅减少;在人工数据中,该方法可以正确地选出真正的特征,去除噪声特征。     

A Comparison of Selected Artificial Neural Networks that Help Auditors Evaluate Client Financial Viability

This study compares the performance of three artificial neural network (ANN) approaches—backpropagalion, categorical learning, and probabilistic neural network—as classification tools to assist and support auditor's judgment about a client's continued financial viability into the future (going concern status). ANN performance is compared on the basis of overall error rates and estimated relative costs of misclassificaticn (incorrectly classifying an insolvent firm as solvent versus classifying a solvent firm as insolvent). When only the overall error rate is considered, the probabilistic neural network is the most reliable in classification, followed by backpropagation and categorical learning network. When the estimated relative costs of misclassification are considered, the categorical learning network is the least costly, followed by backpropagation and probabilistic neural network.     

客户信用评估半监督协同训练模型研究

在现实的很多信用评估问题中,由于对样本进行类别标记需要花费大量的人力、财力和物力,往往只能获取少量有类别标签的样本来训练分类模型,而把数据库中大量无类别标签的客户样本舍弃。为解决这一问题,本研究引入半监督学习技术,并将其与多分类器集成技术中的随机子空间方法(Random Subspace, RSS)相结合,构建了类别不平衡环境下基于RSS的半监督协同训练模型RSSCI。该模型主要包括三个阶段:1)使用RSS方法训练得到若干基本分类器;2)从大量无类别标签数据集中选择性标记一部分最合适的样本加入到原始训练集中;3)在最终的训练集上训练分类模型,并对测试集样本进行分类。在三个客户信用评估数据集上进行实证分析,结果表明,RSSCI模型的信用评估性能不仅优于常用的监督式集成信用评估模型,也优于已有的一些半监督协同训练信用评估模型。     

代价敏感的目标客户选择半监督集成模型研究

在现实的目标客户选择建模中,往往只能获取少量有类别标签的样本,而剩下的大量样本都无法获取类别标签。已有研究大都使用监督式建模研究范式,仅在少量有类别标签样本集上建模,很难取得令人满意的效果。为解决这一问题,本文引入半监督学习（semi-supervised learning,SSL）技术,将其与代价敏感学习（cost sensitive learning,CSL）和多分类器集成中的随机子空间（random subspace,RSS）方法相结合,提出了代价敏感的目标客户选择半监督集成模型（cost-sensitive semi-supervised ensemble model,CSSE）。该模型使用代价敏感的支持向量机（SVM）来解决目标客户选择建模中样本数据类别分布不平衡的问题,还能够同时使用有、无类别标签的客户样本来建模。进一步地,该模型利用RSS方法训练一系列基本分类模型,并通过集成得到最终的分类结果。在某保险公司目标客户选择数据集上进行实证分析,结果表明,与两种监督式集成模型、两种单一的半监督模型以及两种半监督集成模型相比,CSSE模型具有更好的目标客户选择性能。     

Application of the Back Propagation Neural Network Algorithm with Monotonicity Constraints for Two-Group Classification Problems*

Neural network techniques are widely used in solving pattern recognition or classification problems. However, when statistical data are used in supervised training of a neural network employing the back-propagation least mean square algorithm, the behavior of the classification boundary during training is often unpredictable. This research suggests the application of monotonicity constraints to the back propagation learning algorithm. When the training sample set is preprocessed by a linear classification function, neural network performance and efficiency can be improved in classification applications where the feature vector is related monotonically to the pattern vector. Since most classification problems in business possess monotonic properties, this technique is useful in those problems where any assumptions about the properties of the data are inappropriate.     

基于改进SMOTE的小额贷款公司客户信用风险非均衡SVM分类

研究了小额贷款公司对客户进行信用风险评估时面临的问题,构建了信用风险评估指标体系,改进了支持向量机(Support Vector Machine, SVM)对非均衡样本分类时分类超平面偏移的不足。首先分析小额贷款公司业务区域性强、信用数据来源不规范、评价标准不一致等特点,给出用于客户信用风险评估的四个维度指标。针对传统SMOTE算法在处理非均衡数据时对全部少数类样本操作的问题,提出仅对错分样本人工合成的改进思想,给出具体算法步骤。将改进算法用于某小额贷款公司客户信用风险评估案例中,分类精确度较其他算法有所提升,表明该方法的可行性和有效性。     

基于SRFML-Lift的流程制造产品质量状态监测

对流程制造型企业而言,产品质量状态的监测精度直接影响了企业的生产与运营成本。面对流程工业的多变量监测要求和数据不均衡性,以往研究主要采取局部建模策略或多输出模型,存在特征选择偏差和分类精度不高的问题。对此,本文设计了一种结合SRFML特征选择和Lift学习策略的质量状态监测模型,通过共享不同目标之间的信息以期提升模型的监测效果。首先,根据ReliefF过滤机制,引入重采样赋权思想对工业特征的选择过程进行优化(SRFML);然后,将选择结果作为Lift学习框架的输入,通过类属属性学习方式重塑各待监测特性的特有关联属性;最后采用多个SVM分类器进行训练,得到各目标的质量状态结果。结果表明,本文构建的SRFML-Lift充分学习了原始特征的关键信息,与其他组合策略相比,对质量状态的监测效果更佳,可应用于流程工业的生产管理实践。     

Increasing the Accuracy of Computerized Summaries of Court Case Activity

This study examined data reporting problems in a local trial court environment. Inaccuracies in computerized summaries of criminal court filing documents were chronic and created problems for other individuals in the judicial system. An error reduction management intervention employing monitoring, objectives, feedback, and praise was implemented in the Clerk's Office and two other county offices to increase the accuracy of the data reported. Data accuracy increased from 45% during baseline to 95% at follow-up. The contingencies within the court and the effect of these contingencies on the attempts of the researchers to implement the performance management program are discussed.     

The Effect of Misclassification Costs on Neural Network Classifiers

The potential of neural networks for classification problems has been established by numerous successful applications reported in the literature. One of the major assumptions used in almost all studies is the equal cost consequence of misclassification. With this assumption, minimizing the total number of misclassification errors is the sole objective in developing a neural network classifier. Often this is done simply to ease model development and the selection of classification decision points. However, it is not appropriate for many real situations such as quality assurance, direct marketing, bankruptcy prediction, and medical diagnosis where misclassification costs have unequal consequences for different categories. In this paper, we investigate the issue of unequal misclassification costs in neural network classifiers. Through an application in thyroid disease diagnosis, we find that different cost considerations have significant effects on the classification performance and that appropriate use of cost information can aid in optimal decision making. A cross-validation technique is employed to alleviate the problem of bias in the training set and to examine the robustness of neural network classifiers with regard to sampling variations and cost differences.     

基于新鲜度的冷链一体化库存与定价联合决策

为了揭示生鲜农产品在流通中质量与数量损耗的变化规律,分析"双重损耗"对冷链库存的影响,针对配送中心与零售商组成的两级冷链系统,引入保鲜努力与时间因素对生鲜农产品的数量与质量损耗进行刻画,尤其突显了二者间的关联性及其合理性,需求上综合考虑了价格与新鲜度的影响,以供应链总平均利润最大化为目标函数,建立了二级冷链一体化库存模型,并对系统最佳的保鲜投入、库存及定价进行了规划求解。随后,以某连锁超市销售的鲜切果蔬为例进行仿真,验证了模型的有效性。最后,灵敏度分析发现,一方面,系统利润会随着新鲜度时间敏感性的降低与保鲜努力敏感性的增加而增加,且时间敏感因子更容易左右系统利润的变化。另一方面,并非所有的生鲜农产品都适用打折促销。考虑商品"双重损耗"所做的库存与定价的优化分析不仅为生鲜农产品冷链的理论研究提供了新思路,也为冷链运作实践提供了更为可靠、更为有效的决策参考。