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。

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。

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

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。

随着人工智能技术的飞速发展，法律领域正在经历深刻的变革。人工智能的普及使得法律实践和理论面临新的挑战和机遇。

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。

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。