法律可计算性

法律程序的计算问题一直是技术圈里绕不开的话题。《法律的弹性脆弱性》这篇论文就挺有意思的，从法律自动化说起，一路了计算对法律判断的影响，提到了一些人爱用统计、机器学习来预测判决，嗯，看起来智能，其实也挺危险。作者指出，法律不只是变量和结果的堆砌，更关键的是人——尤其是人的判断、协商和语言的运用能力，这些是算法难完全模拟的。你要是正在折腾 AI 法律助手，或者搞法律文本的，那这篇文章别错过了。

云大发布的研究报告探讨了2021年隐私计算法律合规的关键问题。

快速相关算法在C语言中高效、稳定地计算两个向量之间的相关性。将其编译为fastcorr.dll后可供Matlab调用。另提供备用函数SLOWCORRELATION，仅供参考，实际计算中效率较低。

专注于计算复杂性的导论教材 由著名计算机科学家 Michael Sipser 编写

描述性统计通过计算均值、标准差、方差、偏度和峰度等指标，帮助理解数据的整体分布特征，揭示其集中程度、离散趋势、对称性和峰度分布。

想要计算气体吸附的选择性，pyIAST 是个挺实用的工具。它能你通过代码，基于 ISAT（积分吸附选择性理论）来估算不同气体在材料上的吸附量差异。其实，气体吸附选择性在多领域都有应用，像是材料科学、环境工程等。你可以把它拿来新材料的吸附性能，也可以用于优化现有材料的吸附过程，效果还是蛮不错的。如果你之前没接触过这类工具，开始上手的话，pyIAST的接口也挺友好的，操作起来不会复杂。所以，如果你有这方面的需求，建议可以试试这个工具，挺能节省时间的。

探讨了机器学习技术在法律实践中的新应用。广义上讲，“机器学习”是指计算机算法能够随着时间的推移在某些任务上“学习”或提高性能。通常，机器学习算法检测数据中的模式，然后将这些模式应用于新数据以自动执行特定任务。除法律以外，机器学习技术已成功用于自动化原先被认为需要人类智能的任务，例如语言翻译、欺诈检测、驾驶汽车、面部识别和数据挖掘。首先以非技术受众可以理解的方式解释了机器学习方法的基本原理。第二部分探讨了一个更广泛的问题：虽然法律实践被认为需要高级认知能力，但这种认知能力仍然超出了当前机器学习技术的能力。本部分确定了一项核心原则：通常可以通过使用非智能计算技术来自动化通常被认为需要人类智能的某些

综合多篇文章，总结了计算变量相关性的三个主要参数：皮尔逊相关系数、距离相关和最大信息系数。文章详细介绍了它们各自的计算方法和应用场景。

大数据通过追求个性化消费者数据，催生了数字思想克隆，以预测和获利。这引发了法律和伦理问题，需要类似GDPR的立法保护个人免受数据的滥用和未经授权的数字思想克隆。

随着研究的深入，我们探讨了水准面的非平行性及其修正计算方法。