律页科技 | 专业法律科技解决方案

来源：中国法律评论

发布日期：2026年02月05日

按语

人工智能前沿法律问题

2025年8月21日，国务院印发《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号），明确提出要“创新哲学社会科学研究方法……推动哲学社会科学研究方法向人机协同模式转变”，为法学研究在人工智能时代的转型指明了方向。

与此同时，随着生成式人工智能技术的飞速发展，尤其是ChatGPT、DeepSeek等大型语言模型的广泛应用，司法实践中已开始出现生成式人工智能侵权纠纷案件，使“人机协同”不再仅是方法论命题，更成为规范体系与裁判机制必须回应的现实课题。本期专论二的两篇文章聚焦人工智能时代的前沿法律问题，以研究方法的更新与规范构成要件的阐释为切入，呈现法学界对技术挑战的理性回应与制度建构。

四川大学法学院教授左卫民、四川大学法学院博士研究生闫芮《迈向人机协同的法学研究与应用》一文，系统梳理了人机协同在法学领域的兴起路径与现实表现，并围绕如何推动人机协同的法学研究展开分析。文章指出，人机协同并非“人+机器”的单纯叠加，而应当超越简单的工具论框架，走向以研究者为主体、以人机功能深度互嵌与认知循环互动为特征的动态智识生产模式。

在我国人工智能技术快速发展、法律规制面临挑战的背景下，对以上两个议题的研究，一方面旨在推动法学知识生产模式的创新，另一方面意在为新型纠纷的责任认定与裁判说理提供可操作、可检验的理论支撑。让我们共同关注这些研究成果，为我国人工智能法治建设的完善贡献力量。

左卫民

四川大学法学院教授

闫芮

四川大学法学院博士研究生

人机协同的法学研究，本质上是基于人类研究者与人工智能系统之间的功能互补与循环互动，实现人机共同完成法律知识发现、验证与理论创新的动态智识生产方式。司法实践中，裁判文书智能生成、类案检索等人工智能应用已呈现初步的人机协同形态，相关经验可作为法学研究人机协同模式的参考。推动人机协同的法学研究，需要进一步探索法律实践中多样协同模式的经验与局限；充分发挥人工智能在研究综述、定性与定量分析、模拟实验等方面的多元辅助价值；在保持既有批判性思维和人文内核基础上，形塑法学研究者的数据素养与跨学科协作研究能力。最终通过人机功能的深度互嵌推动法学知识生产模式的创新。

一、引言

二、人机协同在法学领域的兴起

（一）法学领域“人机协同”概念的提出

（二）人机协同的司法实践模式

三、人机协同在法学研究领域的实践

（一）文献综述

（二）观点提炼

（三）结论检验

（四）应用预测

四、人机协同的法学研究的展开路径

（一）深化法律实践中协同模式的探索与反思

（二）人机协同法学研究中主体性的坚持

（三）构建开放、协同、可持续的法学研究数据平台

（四）形塑法学研究者的数据素养与跨学科协作研究能力

五、结语

引言

2017年国务院印发的《新一代人工智能发展规划》（国发〔2017〕35号）首次提出，“人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等特征”。2019年习近平总书记进一步明确指出，“人工智能是引领新一轮科技革命和产业变革的重要驱动力，正深刻改变着人们的生产、生活、学习方式，推动人类社会迎来人机协同、跨界融合、共创分享的智能时代”。

当前，新一代人工智能相关创新整体推进，持续推动经济社会各领域向智能化方向加速跃升。在此背景下，我国深入实施“人工智能+”行动，旨在推动人工智能与经济社会各行业各领域广泛深度融合，加快形成人机协同智能社会新形态。

2025年8月21日国务院印发《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号），明确将“人工智能+”科学技术列为重点推进领域之一，并特别提出要“创新哲学社会科学研究方法……推动哲学社会科学研究方法向人机协同模式转变”。在笔者看来，这在方法论层面为包括法学在内的社科研究赋予了新的时代使命与发展路径。

与此同时，我国已初步构建起人工智能司法应用的制度框架，司法领域的智能化转型已成为中国式法治现代化进程中的关键命题。法律实践正在经历从理念到技术的深刻重塑。这不仅对司法组织的运行与制度创新提出新要求，也亟须法学研究在知识生产、方法更新与理论建构层面作出积极回应，为前沿的法治应用提供学理支撑与范式引导。

法学作为哲学社会科学的重要支柱和具有鲜明实践品格的学科，其研究方法的创新不仅关乎学科自身发展，更关系到人工智能治理体系的规范建构与法治秩序的适应性变迁。为此，法学研究亟须构建“人机协同”的研究新模式，即通过跨学科、可计算、可验证的协同研究方法，推动人工智能技术在法学研究中的深度融合应用，赋能法学知识生产模式创新。

在此背景下，如何系统设计“人机协同”的法学研究框架，清晰界定人与机器在协同模式中的功能定位和互动机制，成为实现法学知识生产模式革新与推动法学自主知识体系构建的重要议题。

人机协同在法学领域的兴起

人工智能法律系统研发的动力，主要得益于科技进步和司法实践的需要。当前，在新一代人工智能变革下，其应用已从文书处理、案件管理等事务性工作辅助延伸至证据审查、类案推送、量刑建议及文书辅助生成等全流程办案支持。这一实践不仅催生了多样的人机协同形态，相关经验也为构建法学研究中的人机协同模式提供了宝贵的现实参照。为此，要剖析和构建“人机协同”在法学研究中的内涵和运行模式，不能仅作纯粹的理论推演，还需在法律实践场域进行观察和借鉴。

（一）法学领域“人机协同”概念的提出

“人机协同”并非近年来人工智能爆发式发展后的新兴概念。事实上，早在21世纪初就有学者提出了人机协同（Human-Machine Cooperation）的概念。让-米歇尔·霍克（Jean-Michel Hoc）将其界定为一种在动态、不确定的任务环境中，人类与自动化系统通过构建并维护“共同参考框架”（Common Frame of Reference, COFOR）以实现目标协调、资源共享与干预管理，从而超越传统人机交互模式，迈向更注重功能性、互补性的协作关系。但这一阶段人机协同理念主要在航空航天、军事仿真、脑机接口及智能交通等特定工程领域被提及和初步应用，旨在实现针对性的辅助决策。

随着智能技术持续演进，这一概念逐渐渗透至医疗健康、金融服务、城市管理等更为广泛的复杂社会系统中。近几年，法学领域也开始接受这一概念。李飞提出以法律符号系统的关键节点（如案例数据充分性、因果关系相当性）作为人机协同的诠释基础，推动司法理性调试。李训虎则强调以“人机协作、以人为主”为核心，通过“技术赋权”理念和“技术正当程序”原则构建风险可控的司法治理模式。

在具体司法应用层面，孙树光聚焦法定犯裁判事实证成，提出基于“强结构性”与“弱伦理性”特征的分工机制，将标准化、流程化的部分（如匹配行政违法事实）交由人工智能处理，将仍需法官价值判断的环节（如解释法律概念、处理例外情形）交由人类法官裁决，实现事实认定过程中人机功能互补与协同作业。

曹磊从类案检索的现实困境出发，提出推动“法官规范检索行为以适配算法，系统学习司法逻辑并加强案例数据标准化建设”人机双向优化与协同模式。孙跃认为，类案智能裁判中的人机协同需以法律方法规则化与算法技术融合为基础，构建“类比—归纳—演绎”的裁判逻辑，加强案例数据库建设与生成式人工智能应用，并在制度层面建立算法解释与备案机制。

然而，既有的人机协同机制多停留在“人+机器”的基础框架上，甚至部分学者将“人机协同”的重点置于人类如何主导、规制机器的使用，并未充分揭示人机之间“互利共生”的深层交互关系。

笔者认为，所谓人机协同的法学研究，是指以解决复杂法律问题、完善法学知识体系为目的，通过人类研究者与人工智能系统之间的功能互嵌与循环互动，共同完成法律知识的发现、验证与理论创新的新型研究方法。

在此模式中，若“机器”参与不足，则难以充分发挥其优势和潜能以应对复杂的实践需求；反之，参与过度则可能消解人类研究者的主体性，导致学术判断被算法输出所替代。因此，厘清和明确人（人类研究者）、机（人工智能系统）在不同研究阶段中的角色定位与协作机制至关重要。

（二）人机协同的司法实践模式

我国司法实践中“人机协同”的早期探索可追溯至21世纪初期。山东省淄博市淄川区法院在2004年开发了一套“可根据犯罪情节自动计算刑期”的规范化量刑软件系统，并引发社会各界的广泛讨论。但类似尝试主要是地区性探索，未能拓展至全国，也未见有后续的报道和探讨。

司法人工智能真正获得广泛关注和大范围推进是在2016年。在AlphaGo引发的“人工智能潮”氛围及市场利益与中央部署的双重驱动下，司法人工智能在中国迅速火爆起来，不但有多款案件审判智能系统开发使用，而且也有搜索、咨询，甚至是案件结果预测的人工智能机器试水。

同时期，中国法院系统开始大力推进智慧法院建设，各地方法院联合科技公司开发各类审判辅助系统，以缓解法官的办案压力。在诸多应用场景中，人工智能辅助裁判文书生成可以说是很具代表性的范例。笔者将以此为核心分析对象描摹并剖析当前司法实践中的“人机协同”的运行样貌。

选择以裁判文书生成中的人机协同为参照，主要是基于以下两个方面的考量。

一方面，其技术应用普及程度较高，具备典型分析的价值。相较于复杂案情的事实认定或法律推理等高阶认知任务，生成裁判文书在技术实现上可行性较强。尤其是在自然语言处理技术快速发展和在大语言模型广泛接入后，文书生成从早期“模板填充”模式发展到“要素化生成”模式，如今已转向“语义理解自动生成”模式，形成了一套相对稳定、有效的技术路径。

另一方面，裁判文书说理是司法裁判活动的重要组成部分，直接关涉人民群众对司法公平正义的感知和认同。然而，受制于外在的制度环境和社会结构，法官的注意力分配存在客观限度，这导致裁判文书“不说理”或“不充分说理”情况较为普遍。人工智能介入这一环节，能够有效改善法官的注意力分配，并可能深刻影响和促进裁判文书说理方式革新。因此，深入剖析这一过程中的“人机协同”模式颇具现实意义。

实践层面，文书智能生成是智能审判系统的基础性功能，在智慧法院建设中，全国很多法院都展开了对相关智能系统的开发和应用，典型如浙江省高院智能审判实验室孵化的AI法官助理“小智”、河北省高院自主研发的“智审1.0”审判辅助系统、苏州中院的“未来法官助手”等。

既往一些观点常将文书智能生成简化为一个线性的“交接”流程：法官生产案情材料—机器整合生成文书—法官完成矫正修改。但事实上，机器生成法律文书的过程，本质上是人类法律认识、机器逻辑运算与持续人机对话反馈相互交织的循环互动过程。具体而言，可将其大致划分为五个主要阶段，其中每个阶段都需要人与机器协同参与、运行。

其一，知识编码与模型预训练。裁判文书智能生成的首要环节，是将非结构化的案件事实与法律规范转译为机器可识别、可处理的结构化数据，而训练数据的规模和质量在很大程度上决定了模型优劣，因此需要构建法律专家精心筛选和标注的高质量裁判文书语料库。技术层面，系统借助词嵌入技术、注意力机制与深度学习模型（Transformer）架构等，在法律语义空间内建立概念关联，识别案情叙述、法律论证与裁判结论之间的内在逻辑。这一过程主要是完成司法知识的技术性转译，将既有司法裁判经验数据化，并为后续的人机互动提供知识参照。

其二，算法规范性引导。预训练过程中机器习得的“关联规律”是基于文本中词与词间统计概率计算而来，尽管能大致体现法律人的理解、判断，但同样可能存在对论证逻辑、司法实践的误识和偏差。因此，在模型完成初步构建后，还需要法律领域专家与算法工程师共同对模型进行引导和塑造，将前一阶段形成的基于概率关联的统计模型，与法学理论及司法实践所要求的规范性体系进行“对齐”，以确保其在法律规范与司法实践所要求的框架内运行。

其三，裁判文书智能生成。模型在经过专业、规范性引导及严格测试后，便具备了投入司法实践的基础，技术人员将智能裁判文书生成系统嵌入法官办案系统。在这一阶段，系统首先对法官办案过程产生的电子卷宗进行自动化解析，识别案件的基本法律关系、核心争点及关键事实要素等，尔后法官将具体案件中需要注意的事项和心证形成的裁判结论输入系统，系统接受到这些信息后便依据其内化的知识库与规则，生成一份符合格式规范、要素齐全的裁判文书初稿。

其四，法官实质性审查。司法裁判过程内嵌对立法目的的法解释学重构、对多元利益的衡平考量、对公共政策的动态调适等内容，是抽象法律规范与具体案件事实价值联结的过程。裁判文书是法官司法裁判的载体，机器虽能按要求生成具体案件的文书初稿，但其事实上是不具备法律效力的技术文本，需要法官进一步审查和纠偏。审查主要涵盖对事实认定和法律适用的准确性审查、对论证过程的重构和深化、对裁判结果的核对和审查等。由此，将司法实质理性与法官裁判智慧注入由算法生成的形式理性框架，使裁判文书具备司法权威与法律价值。

其五，系统协同演化。人机协同的价值不仅在于提高个案处理的效率，更体现在其动态演化的潜力上，而这依赖“人—机”闭环反馈机制的建立。法官发出的指令以及审查阶段的修正都会被系统采集，作为高质量的标注数据用以算法模型的再训练。通过持续吸纳来自司法实践一线的反馈数据，模型得以不断优化其内部参数与输出策略，使其生成的内容更趋近于真实的司法裁判标准与价值取向。

裁判文书智能生成的司法实践，为构建法学研究领域的人机协同模式提供了技术特性和方法论参考，具体体现在以下三个层面：

一是知识处理的嵌入路径，大语言模型通过词嵌入、注意力机制等技术，实现对内含法官裁判逻辑、法律解释与价值判断的海量法律文本的向量化表征，并构建语义关联网络，使研究者能够通过技术手段发现传统文献研读难以识别的宏观法律概念关联与理论演进规律。

二是规范整合的协同框架，通过价值对齐框架将人类法律专家界定的规范要素注入算法模型，促进机器逻辑、法律价值判断、规范要求三者融合统一，类似“规则共创”机制，有助于使协同下的研究结论兼具现实基础、可解释性与价值一致性。

三是动态演化的系统架构，“人—机”闭环反馈机制使系统能够从法官专业判断和修正优化中持续学习，赋予模型动态演化的能力，为构建具有持续学习能力的研究支持系统奠定基础。

此外，上述经验共同显示出，有效的协同并非“主从式”的工具使用，而是人类专业智慧与算法能力间动态的互构共生关系。法学研究领域的人机协同模式，既要充分发挥人工智能的特定优势，也要始终保持研究者的价值取向和思想能动性，通过人类智慧与机器智能的良性互动与功能互补实现法学知识体系的创新发展。

人机协同在法学研究领域的实践

如前所述，司法场域中的人机协同已发展为一个“机学人—人导机—人用机—人调机—机再学”的循环演进过程。然而，要将这一模式迁移至以探索普适法理与创新理论为主旨的法学研究领域，则需进行审慎的模式转换与内涵重构。在具体研究实践中，人工智能凭借其高效处理复杂任务与处理分析多维度、多类型数据的能力，以及其所具备的客观性、可重复性、可持续优化等特征，展现出多层面的辅助价值。

（一）文献综述

在知识快速且碎片化生产的背景下，严谨、全面的文献综述是开展学术研究的基石，其能够确保新研究建立在准确、全面的知识之上，而非有缺陷的假设之上。对研究现状全面梳理往往是开展法学研究的第一步。传统依赖于研究者个人阅读与记忆的文献梳理方式，在浩如烟海的文献、书籍和资料面前，正面临着“信息过载”的挑战。

对此，机器能够以惊人的效率完成对既往研究和观点的提取、总结以及文献综述的撰写，使研究者能够突破个人阅读量的局限，快速把握特定领域的知识谱系与学术脉络。

人工智能的价值不仅体现在对显性知识的系统化整合方面，也表现在向更深层次的认知环节转变层面。一个突出的例证是在法律解释这一核心领域。已有研究通过实验方法比较人类与最先进AI模型在理解真实案例中争议法律文本“普通词义”（plain meaning）方面的一致性。

研究发现，GPT-4等大语言模型对语言共识的预测能够可靠地匹配（尽管尚未超越）人类法官在真实案件中援引解释规则和词典时的判断，说明审慎部署的计算工具可以作为传统解释方法的一种有效补充。这在一定程度上展现了AI在辅助研究者理解和处理复杂法律文本方面的价值。在文献综述过程中，研究者不仅可以使用AI梳理学术观点，还可以审慎地将其作为传统文本解释方法的一种有效补充，辅助自身理解和评估文献，从而加深对研究领域内核心概念与争议的理解。

当然，也要清醒认识到，AI在这一阶段的核心价值在于“信息整合”与“模式识别”，而非“知识评判”。其所生成的文献综述为研究者提供了丰富的知识原料和结构化的研究背景，但其中仍可能存在文献权重失衡、核心论点误读或重要文献遗漏等问题。对此，研究者不能仅依赖机器筛选整理的文献综述开展研究，还需要结合自身的知识储备和检索、阅读和提炼能力，以专业的学术素养和批判性思维对其进行甄别、校准和完善，并基于此形成研究的理论起点和问题意识。

（二）观点提炼

法学研究的精髓在于从纷繁复杂的法律现象、案例与既有研究中，提炼出具有解释力与建构性的学术观点与理论命题。人工智能在此领域的潜力，源于其强大的数据挖掘与模式发现能力。通过对海量法律文本、案例数据乃至社会舆情数据进行深度挖掘和异常检测，AI能够识别出传统研究方法难以察觉的“边缘”案例、司法实践中的异常模式，抑或规则适用的潜在冲突和初见端倪的新兴法律现象。

这些由数据驱动的发现可以提示现有文献体系中的空白或薄弱环节，从而激发新的研究灵感，引导研究者将目光投向更具前沿性或被主流学界忽视的研究领域。

另外，大语言模型强大的语义理解与文本生成能力，使其能够对法律文书、学术文献、访谈记录、开放式问卷等非结构化文本进行多维度解析，人工智能开始具备深度参与定性研究的能力。已有实证研究表明，在促进人机交互（HCI）研究方面，以ChatGPT为代表的大语言模型展现了作为高效文本数据分析工具的巨大潜力，其情感分析结果与人类专家评分呈现出高度一致性（相关系数r>0.99）；能够快速总结大量访谈记录，精准提炼核心观点与论述逻辑；甚至能够识别出人类面对不同事物进行的情感与观点表达中微妙的模式差异。

这意味着，过去需要耗费大量人力进行编码分析的定性研究，如今可借助大模型快速完成，研究者能够缩短烦琐的资料整理时间，转而将更多智力资源投入对问题的深度解读、理论框架的构建与因果机制的阐释。同时，AI能够将散见于各类文献中的不同观点进行快速、系统化呈现与逻辑化重组，帮助研究者厘清研究内容在不同理论路径下的共性与分歧。通过审视和整合AI提供的多维度论证框架和潜在解释路径，研究者能够更全面地把握某项制度的复杂性，从而构建出更具思辨性和理论深度的学术观点。

（三）结论检验

如果研究的根本目的在于构建理论,对现象形成因果解释以及解决人类面临的实际问题，那么研究者便肩负着一种学术责任，即确保其提出的因果解释和理论主张是经得起检验的。

其一是逻辑论证。在此阶段，机器不仅是信息处理器，还可承担“学术对话者”的角色，协助研究者展开论证、完善表达，甚至能为研究者的论证提供多维度的分析视角与理论参照。

具体而言，研究者可以指令系统，围绕某一特定制度或理论争议，模拟不同法学流派的立场展开辩驳，或基于现有理论框架生成对新兴法律现象的初步解释方案。这有助于研究者深刻挖掘、揭示研究问题所内含的理论衡平与制度权衡，避免陷入单一思维的局限。通过审视和整合AI系统提供的不同维度的论证框架和潜在解释路径，研究者能够更全面地把握某项制度的复杂性，有助于对其内在价值冲突和功能耦合进一步深度分析，使形成的理论主张具备内部逻辑性和一致性。

其二是实证检验。在研究与评估领域，并不存在能被“彻底证实”的结论，也没有绝对可靠或有效的测试分数。研究是一个持续精进的过程——通过不断改进对因果关系的理解，使理论能够适用于特定人群中的不同个体，跨越时间维度，并覆盖多样化的情境。而无论是检验、修正还是完善理论，都需要实证证据的支撑。

在这方面，AI可以帮助研究者从大量数据中识别潜在的理论和假设，帮助设计实验，并能高效收集、解释和处理大规模数据集。此类能力在基于大数据的实证法学研究中表现得尤为突出。传统法学研究者往往受限于数据提取和处理能力的不足，难以开展较大范围的、宏观层面的量化研究，而借助AI工具，研究者得以从海量的裁判文书、立法文本和法律文献中高效提取有效信息，并通过数据处理分析，揭示出隐藏在个别判决背后的司法规律，为理论研究提供现实数据支撑。

具体到研究设计阶段，AI可根据研究问题确定需要提取的数据，提示关键的控制变量，以确保数据收集的有效性与针对性，并能够辅助完成数据提取,如运用大语言模型，通过内容特定提示词对案例进行分类，以从庞大的裁判文书数据库中精准筛选目标案例。

在实验分析阶段，AI可以根据数据类型和研究目的选择适配的统计方法，执行复杂的多元统计分析,如将主题建模应用于法律史研究，生成量化宏观视角下的法律史演进图谱；使用网络分析方法探究不同交叉学科之间及其向传统法律学术界的知识传播与创新融合情况；使用人工神经网络构建预测法律体系的分类模型。

（四）应用预测

法学研究不仅在于解释过去与现在，更在于预见和塑造未来。一项全面、严谨的学术研究在经过严谨的论证和检验后，通常会提出具有现实针对性的立法、司法等对策建议。传统上，这些对策建议往往停留于规范层面的“应然”推导，缺乏对其实际应用效果的“实然”预判。

AI的模拟和预测能力有助于弥补这一局限性，通过模拟不同法律干预措施（如特定立法或司法制度）可能产生的社会效果，为政策评估或法律影响分析提供初步的量化预测。具体而言，它能够通过创建模拟人类的“硅基样本”，模仿真实受访者进行回应,复现经典社会科学实验,研究群体互动动态等，从而为调查研究、对照实验、政策评估等提供新工具，提升社会科学研究的规模、范围与效率。

例如，清华大学电子系城市科学与计算中心研究团队搭建了基于多智能体的社会模拟实验平台，通过人口模拟、环境模拟与决策模拟构建出类人的“硅基”智能体。研究者可对这些智能体进行问卷调查、行为实验、深度访谈和社会观察等操作，获取到以往需依赖长期田野调查或大规模实地调研才能收集的实证数据。该平台还支持根据研究需要灵活设定人口属性、环境规则与交互机制，展现出较强的适配性与扩展性。

值得关注的是，法学领域已开始出现基于硅基样本的创新性研究。林喜芬、付张祎应用大语言模型生成AI受访者并让其回答关于司法公正的主观感受，考察我国民众对司法公正的认同程度、重视领域和认知维度，并通过对照检验进一步验证了使用硅基样本测量主观司法感知的有效性。此类探索预示着以往因成本、伦理或可操作性等限制而难以实施的大规模社会实验和应用预测可以借助“人机协同”的方式逐步实现。

尽管机器已经展现出强大的预测能力，但其输出结果的准确性很大程度上取决于研究者实验设计与情景、模式设定的能力。实证研究显示，当前绝大多数法律判决预测研究在实验设计上存在很大缺陷，其模型训练与测试所依赖的数据多来源于判决书中提炼的“事实”部分，而这些事实实则是法院在裁判中经过筛选与重构的产物，并不等同于裁判前当事人或律师所能掌握的案件信息。

因此，此类系统虽在技术指标上表现优异，却无法真正实现对未决案件结果的预测，缺乏现实应用价值。并且，开展基于大模型的社会模拟实验对研究者指令操控能力的要求同样十分严格。随着模型规模的扩大以及通过指令微调、人类反馈强化学习等“塑造”手段的优化，模型对提示词的敏感性有所减弱，但不稳定性依然存在。研究显示，即便是最优模型，提示词的微小变化仍可能引发输出质量的显著变化。

由此可见，尽管AI技术为法律预测提供了强大的数据处理与模式识别能力，但研究者在界定预测任务的实际需求与适用边界、确保训练数据的时效性与真实性、理解并引导模型生成符合法律规范与法理逻辑的内容等多个环节发挥着不可替代的作用，是决定预测结果是否准确以及是否具有现实应用性的必要因素。为此，研究者还须凭借自己的专业知识、伦理判断与场景理解确保AI预测工具服务于研究和应用目标，避免技术误用。

由前所述，“人机协同”模式已充分展现出其在法学研究领域中的实践价值。并且，这种人机协同下的研究产物——无论是论文、专著还是研究报告，其本身又构成新的高质量法律文本，可被纳入人工智能系统的学习语料库。

这便构筑了一个动态、自我强化的学术生产循环：人类研究者提出核心议题，机器协助完成文献、观点梳理或数据统计分析，研究者形成初步的学术观点和内容产出，人机在充分互动中充实、完善观点及其呈现和表达，最终的研究成果又反哺机器进一步提升其辅助能力。这种循环机制使得法学知识体系初具“自生长”的特性，机器不仅是提升个体研究效率的工具，更在循环往复中重塑着法学知识生产与迭代的方式。

人机协同的法学研究的展开路径

以人机协同赋能、促进法学研究方式转型已经凸显其必要性，接下来亟须探讨如何将这一新兴研究方式从理论构想转化为学术实践，以更好地推动人机协同的法学研究的开展。笔者将围绕以下四个维度，提出推动人机协同法学研究的具体路径。

（一）深化法律实践中协同模式的探索与反思

法学研究的价值在于通过体系化建构与中立性、批判性价值指引，为解释和回应实践问题提供具有安定性、正当性与前瞻性的知识框架和解决方案。人机协同法学研究的议题生成，应当立足于对智慧司法、智慧立法等实践中既有的协同模式。在剖析司法文书生成等典型场景之外，还需要系统梳理并反思法律实践中多样化的协同模式，从中凝练具有指导意义的关键经验与理论命题。

一方面，当前人工智能虽已嵌入司法审判的诸多环节，并呈现出多样化的“人机协同”模式，但仍有多类应用场景尚处于模式构想与初步探索阶段。对这些模式进行系统梳理与比较，也可为构建科学的人机协同法学研究方法提供重要借鉴。

例如，证据审查系统更强调多模态数据处理能力和规则与统计方法的深度融合。证据审查辅助模型依托深度神经网络模型和图文识别等技术，它能够提示证据材料中可能存在的非法证据、瑕疵证据和相互矛盾证据，从而防止因证据问题导致错案的风险。其更需要模型具备多模态数据处理能力，并且统计模型要在规则框架内构建。但同时，机器作为辅助工具，其功能主要集中于证据的形式审查、批量筛查与矛盾识别，价值判断与实质审查仍然需要司法人员主导和进行。

在类案推送环节，人机协同的实现依赖于机器对案件事实要素的精准解构与法律争点的智能匹配。并且不同于证据审查需要处理多模态数据原始证据，类案推送系统主要基于文本数据，通过自然语言处理技术与法律知识图谱，实现待决案件与海量历史案例在关键事实、争议焦点及法律适用层面的智能比对，其更注重案例间的“实质相似度”计算与裁判要旨的提炼。但在实际应用中，类案智能推送系统仍存在类案标准判断模糊、数据层不完善、文本对比精度不足等问题。

尽管这些问题在大模型发展和嵌入后有所改善，但系统的智能化程度仍然难以满足法官的实际需要。笔者从法官真实使用感受获悉，在某些情况下，对推送案例实际相似度的甄别和区分，反而额外增加了法官的工作负担。

最新实证研究也表明，即便是最先进的大语言模型，在处理高度结构化、规则复杂（如法律引注规范）的法律程序性任务时，生成完全规范化引注的准确率仅在69%—74%，并且在提供完整规则文本情况下仍未得到根本性改善，仅提升至77%，大语言模型在严格遵循复杂、精细的法律程序规则方面仍存在明显局限。

由此可见，当前我国法律实践中的人机协同仍处于探索阶段，我们需要采取更加审慎和理性的态度平衡人、技术与法律传统三者的关系，既要充分认识技术赋能的法律价值，也要始终保持对技术局限的清醒认知。在深刻把握法律运行规律的基础上，构建既符合法治要求又适应时代需要的人机协同模式。

另一方面，近年来法学界围绕大数据、算法与人工智能展开了相当密集的学术讨论，司法领域人机协同的深度发展已经对法学研究和法学理论的锚定对象和生产方式产生重要影响。学术焦点从传统的规范阐释逐渐延伸至代码规则、算法决策与智能裁判等新兴领域,越发关注法律实践中技术应用的发展和规制。

同时，法学知识的生产方式也经历着创新发展：对司法规律的认识过程从以往的田野调查转向基于法律大数据的计算分析；对审判权属性、证明标准体系及法律解释方法等基础范畴的讨论视角更多转向其在数据、算法时代的再阐释。在此背景下，“人机协同”的研究模式将对法学知识论体系构成挑战。

具体而言，包括以下两个方面：其一是对法学理论基础的冲击。传统法学，特别是法教义学，其知识体系建立于对权威性法律文本的诠释和逻辑演绎之上，其正当性源于法律规范内部的融贯性。然而，人机协同模式引入了一种基于概率统计的“数据知识”，而基于对海量文本和司法实践的挖掘和归纳生成的观点或规律可能与传统法律诠释学的结论有所偏离甚至“背道而驰”。

其二是对法学研究方式和学术创新本质的冲击。人工智能在文献梳理、观点归纳乃至论证辅助上的高能表现，同样带来“思想代耕”的隐患。在法学研究过程中，研究者往往需要阅读、梳理大量相关文献，并经过反复思辨才可能实现对问题的充分审视、深度理解乃至个人的智识成长。若过度依赖技术，则可能削弱学者进行独立思考的能动性，最终侵蚀其学术创新能力。

因此，“人机协同”模式下法学研究者既要善用技术所提供的经验材料与分析工具，以更好地印证、审视和深化既有理论，也要自觉地捍卫法学研究固有的规范立场与批判特质，避免算法侵蚀人类研究者的主体性和思想创造过程。

（二）人机协同法学研究中主体性的坚持

人机协同在法学研究领域的展开与司法实践中的应用存在本质差异，二者在目标设定以及对“人”约束机制上有明显区别。司法裁判中的协同，旨在达成一个具有法律效力的确定性结果，其过程要在实体法和程序法的严格规制下进行，法官的裁量权亦必须在法定框架与授权范围内审慎行使。

与此相对，法学研究的目的在于产出具有创见性、启发性的学术成果，其要求研究者拥有更为开阔、自由的思想疆域。尽管人工智能在数据处理与模式识别等方面展现出超凡的能力，但在关乎价值权衡、理论创新与学理阐释的核心环节，其固有局限性依然十分突出。

法学研究的精髓，在于对法律现象的批判性反思与理论性重构，需要突破既有知识框架的束缚，探求和审思法律现象背后的深层逻辑。并且，法学研究不仅要遵循科学的标准，提炼客观的论据，还需要融入法学研究者主观的价值判断和心智创造活动。

这一过程倚赖人类学者所特有的批判意识、价值关怀和理论直觉，是仅基于历史数据进行归纳与预测的AI算法难以独立完成的。可以认为，只要人工智能的运作机理仍停留在“数据驱动”层面，其所“创造”的内容本质上便仍是对既有知识体系的精确复现与重组，而非经由人类生活体验、历史意识与价值理性淬炼形成的真正学术突破。

综上所述，“人机协同的法学研究”可被界定为一种以人类研究者为主体、以人工智能为辅助性工具的动态智识生产方式。其中，机器能够高效处理信息、整合既有知识以及提供多元化的分析视角，从而为研究者提供据以参考、审思和展开研究分析的材料基础，乃至拓展研究的广度与深度。

但也要认识到，法学研究并非简单的信息重组，而是充满创造性和思辩性的过程。“协同”的产物仅仅是研究的起点而非终点。数据的相关性不等同于因果性，统计结果也未必能充分体现实践规律和法律理性。在这一过程中，研究者应始终秉持科学实证精神，遵循以新知探索、怀疑精神、理论解释、可验证性和循证为本五项基本原则，从经验事实出发，揭示现象本质及内在逻辑。

面对机器提供的这些“知识原料”和实证分析数据，研究者的核心任务是运用批判性思维，对其进行审视、甄别与提炼，从中发现真正有价值的理论问题，形成自身的学术观点。如笔者对中国刑事法官事实认定模式所开展的实证研究，通过系统分析千余份判决书，首先在数据层面揭示了“拼图模式”实为司法实践中的主流态势；进一步，笔者对此现象进行“理论审思”，阐释该模式在特定司法语境下存在的现实合理性，同时批判性地揭示其因缺乏严密论证而潜藏的错案风险。

人工智能数据驱动的本质决定了其在法学研究核心环节——需要进行批判性反思、理论性建构与价值判断之处——仍存有明显局限。因此，在积极拥抱人工智能技术的同时，也要清醒地认识到其内在局限性，人类研究者始终且必须保持其研究主体性。

威尔伯特·塔博内（WilbertTabone）等在验证大语言模型在人机交互研究领域的应用潜力的同时，明确指出了其存在的风险：对提示词的微小变化（如文本顺序）高度敏感，输出结果稳健性不足；在精确计数任务上表现不佳，可能“幻觉”出错误数据；可能携带训练数据中的潜在偏见，或为了符合“人类价值观”而生成一些与数据本身关联不大的内容。

正因如此，人工智能应当被定位为服务于研究开展的辅助性工具，并且研究者除作为批判性思考与理论洞察的主体外，还应承担起“学术守门人”的职责，对机器参与的过程和结果进行全面审查。在具体操作层面，研究者可通过分批处理、反复提问、交叉验证等方法确保分析结果的稳健性，并在学术成果中完整披露所使用的模型版本与技术路径，保障研究过程的透明与可追溯。

（三）构建开放、协同、可持续的法学研究数据平台

数据密集型社会科学研究高度依赖基础设施，研究者需要数据仓储来学习和开展数据全生命周期管理，还需要数据实验室来模拟研究数据环境。然而，当前专门服务于法学研究的数据库平台与数据实验室的普及度与可及性仍十分有限。数据基础设施的缺位不仅制约了法学研究的范式转型，更在深层次上影响着法学知识生产的质量与效率。

从现状来看，我国现有的法律数据资源呈现出碎片化、分散化的特征，开展人机协同的法学研究仍面临多重数据困境。

其一是“数据孤岛”问题。法律数据和学术资源天然分散于不同的权力部门和资源平台，这些数据在物理上和制度上相互割裂，导致研究者无法构建一个完整的法律运行图景。并且，常见的一些法律数据库的搜索系统的技术构架仍停留在简单的机械分词技术，尚不具有法学知识发现的功能。

其二是“数据壁垒”问题。获取法律信息对法科学生的学术和职业成长至关重要，但限于商业数据库的使用门槛以及法律数据的开放程度，法科学生和研究机构在法律信息获取上存在严重鸿沟。实践中往往存在“有什么数据做什么研究”的窘境，影响研究者的学术自由度。

其三是“数据非结构化”问题。法律知识数据包括法律法规的文本内容、裁判案例的全文及要旨、法学相关研究文献等内容。其大多以非结构化或半结构化的文本形式存在。尽管大语言模型已经具备了文义理解、要素提取、代码生成等能力，但对于大规模文本展开数据挖掘和分析，研究者需要获取大模型的应用程序接口（Application Programming Interface, API）,设计精准的指令，通过编程方式将大规模文本批量提交给API，并按要求解析返回的结构化结果。而当前大多数法学研究者与这些复杂的数据和技术工具“对接”能力仍存在明显局限。

为突破上述瓶颈，首先要着力推进集成性法学研究数据平台的建设。具体而言，应该由司法部门、高校图书馆、技术公司共同参与，系统整合公开的核心法律数据（包括法律法规、司法解释、裁判文书、政策文件等）、衍生法律数据、法学知识数据、社会与经济关联数据等多维度法律资源，并建立统一的数据质量评估体系与动态更新维护机制。

通过构建标准化的数据接口与元数据规范，保障不同来源、不同类型特征的法律数据具备良好的互操作性与可比性，实现法律数据的集中存储与统一管理。在此基础上，还可以根据已有资源开发“法律知识图谱”，为法学研究者提供“思维导向”，促进认知的整体性和关联性。

其次，可建立高校、企业与实务部门间“数据信托”或公私合作等机制以实现数据资源的共建共享。考虑到法学研究所需的数据往往涉及个人隐私、知识产权、商业秘密等问题，数据平台建设可能面临法律、伦理、安全等多重约束。公共数据信托通过兼具“法律架构”与“技术治理”的制度创新，能有效破解当前公共数据授权运营中权责配置不清、权属争议和流通机制不畅的困境。

具体而言，可由法学会、法律实务部门等专业机构牵头设立法律数据信托，制定统一的数据使用规范和伦理准则，为研究者提供安全、合规的数据访问服务。此外，要形成数据资源的良性积累与共享循环，有必要建立有效的数据贡献激励与反馈机制。

在学术共同体内部，可以探索将高质量的数据贡献纳入学术评价体系。建立数据使用的成果反馈机制，激励数据使用者在发表研究成果时，明确标注数据来源，并将数据产出和研究成果授权给平台，形成“数据共享—知识生产—价值反馈”的良性循环。

（四）形塑法学研究者的数据素养与跨学科协作研究能力

人机协同方法的确立，最终的落脚点在于“人”。因此，研究者自身能力结构与思维方式同样需要协同转变。有学者基于普鲁斯特的元认知理论，提出在人机协同知识生产中，科研者可基于“情境—意图—行动—动机”四位一体的元认知应用模型展开行动，提升元认知的参与度，建构知识探究时“旁观者”与“参与者”的双重身份，统一知识确证时的内在心理状态与过程可靠性。

具体到法学领域，研究者在人机协同过程中既要作为“参与者”主动调适研究意图与法律价值诉求，又要作为“旁观者”客观审视算法运行的情境约束与数据局限，在提升研究效率的同时，确证法律知识生产的过程可靠性与价值正当性。

要胜任“参与者”角色，法学研究者需要突破传统的知识框架，掌握与机器进行有效、精准“对话”的能力。这不仅意味着要将复杂、模糊的法律问题，解构并转化为可被机器准确识别、接收和处理的指令，还需要具备更为全面的数据素养。

既往学术界对数据素养的讨论主要涵盖数字能力（涉及信息处理、内容创作、解决问题等方面）、数字技能（具体包括对信息的评估、使用、查找和定位等操作能力）和数字思维（主要为批判性思维和数字思维）等方面，而针对不同群体，数字素养发展需要在不同的数字框架下进行。

具体到法学领域，法学研究者的数据素养应至少体现为：一是对技术边界的认知能力，了解不同算法的适用场景、基本原理与内在局限，并理解所使用算法的基本逻辑；二是掌握基础的数据伦理规范，在使用数据的过程中遵守道德规范和诚信原则，对敏感数据进行匿名化处理以保障个人隐私和数据安全；三是对模型输出结果进行系统审思的能力，在准确解读数据结果的基础上，还应进一步解释结果背后可能存在的深层矛盾冲突和司法运作机制，同时注意解释的限度，避免对结果进行过度解读，如将统计相关性轻率地判定为法理上的因果关系。

而扮演“旁观者”角色，则要求研究者在积极运用技术的同时，始终保持清醒的省思，对人机协同的研究过程与产出结果进行充分、审慎地批判性思考。对此，研究者也要加强对法理学、法哲学、法社会学等基础性、人文性学科的训练，坚持法学研究的批判性品格与人文主义内核。归根结底，人机协作的核心挑战在于如何深度、有效整合人类的认知能力与机器的自主性，构建良性互动关系，以最大化地完成共同的研究任务。

并且，协同的目的并非寻求对人类思考活动的替代，而是在审慎辨明其能力边界的基础上善用其能，以技术赋能研究者的研究效能和创新能力。因此，当人工智能能够胜任绝大多数形式逻辑定性分析与数据定量分析任务时，人类学者既要警惕对其产生路径依赖，也要避免采取“主从式”的协同模式，加强人与机器在认知与共识上的持续交互。在人的价值引领和批判性审视下，将机器强大的计算能力与人类学者独特的智识优势深度结合，在更高层次上实现法律知识的创新与深化。

此外，还应大力倡导跨学科知识融合与研究协作。人机协同法学研究天然具有交叉学科属性，需要研究者具备复合知识结构或依托多学科团队协同展开。因此，应积极设立跨学科研究中心与合作平台，加强法学院与计算机科学、数学、统计学等相关院系的交流合作。相应地，还应尽快转变法学期刊的“独作”要求和倾向，实证研究显示，提倡单独署名虽有效治理了“挂名”乱象，但并未显著提升法学学术期刊的平均引文数和影响力指数，还抑制法学研究水平的提升。

为此，法学研究应改变当前对合作研究的隐性歧视，提倡法学研究者与人工智能方面的学者展开合作式研究。同时，在人才培养方面，可在原有课程体系中增设计算法学、法律实证研究方法、法律与人工智能等交叉课程，着力培养兼具法学素养、人文关怀与计算思维的新型法学人才。

结语

在国家战略支持与技术快速迭代的双重驱动下，“人机协同”作为一种法学研究的新模式，已不再局限于远景式的理论构想，而开始具备初步展开的现实条件。未来该模式的深化与应用，不仅依赖于算法与技术层面的持续演进，更取决于法学研究者自身以及学术研究基础设施能否完成协同转型。

为此，人机协同的法学研究应当超越“人+机器”的简单工具论框架，转向一种以人类研究者为主体、人机功能深度互嵌与认知循环互动的动态智识生产模式。人机协同的价值，不仅在于研究方法的多元化与效率的提升，更在于通过人类智慧与机器智能的创造性融合，有效回应数字时代涌现的新命题，破解传统法学研究方法难以胜任的复杂问题，进而构建既扎根于中国实践又具备普遍解释力的法学自主知识体系。这一转型无疑需要法学界的共同探索与持续努力。中