|
法学院
|
|
□ 付凤
情感计算是指，与情绪或其他情感现象有关的、产生于或有意影响情绪或其他情感现象的计算。换言之，其是包括感知、识别、理解、模拟、表达人类情绪情感在内的一系列智能交互技术的总称。情绪感知与识别是情感计算技术谱系中最重要和基础的组成部分。2004年，我国国家自然科学基金委员会批准实施重点项目“情感计算理论与方法研究”，将计算机科学与认知心理学结合，推动认知与情绪交互领域的研究。
情感计算在我国刑事司法领域也已崭露头角。2019年年底，中南财经政法大学与云思创智信息科技有限公司共建“多模态情绪识别联合实验室”，重点研究情感计算在刑事司法中的应用。
一、情感计算在讯问中应用的需求与趋势
获取并有效识别虚假供述一直是讯问实践的重点和难点。传统讯问依靠侦查人员经验观察与策略施压，既难以满足取证合法化要求，也缺乏依据不同嫌疑人心理状态施谋用策的精准性和有效性。当代讯问学研究在原有法学、侦查学、语言学学科的基础上，实现与神经科学、认知心理学、信息科学的交叉，将讯问人员的经验与智能技术结合，使每位讯问人员内隐化的知识变为可学习可解释的量化指标，有助于提升侦查人员的整体讯问能力。
早在西周时期的“五听”，就通过分析当事人陈述时的“辞、色、气、耳、目”，借助肉眼观察识别当事人陈述时气喘不止、脸色通红、眼神慌乱等生理和行为变化，以判定其言词证据的真实性。随着技术的发展，我们对行为人生理数据（心率、呼吸、面温、生物电等）和行为数据（面部表情和姿态动作）的采集与分析方式也越来越多样化：前者如多道仪测试、事件相关电位(ERPs)测试、核磁共振成像（fMRI）、正电子发射断层扫描（PET）和功能性近红外光谱测试、VER前庭情感反射、眼动和情感语音分析等。后者如面部活动编码系统（FACS）、表情辨别整体判断系统（AFEX）、生态化微表情识别训练（EMETT）等。然而，不同的分析技术和方法都有其各自的理论体系、应用场景和局限。考虑到讯问对象的心理变化是在某种刺激条件下人的适应性、整体性反应，数据的采集与分析不应局限于某种单一生理或行为，而应注重这些数据的同步记录与整合分析，综合判断后确定讯问对象的情绪变化，即多模态情绪识别。
综上，在侦查人员审讯方法从控诉对抗模式转变为收集信息询问模式的大背景下，情感计算的应用不仅使情绪识别线索从主观经验转向客观数据，由多源异构的离散状态转向多模态拟合，而且识别过程也由人工控制转向自动化。
二、情感计算在讯问中应用的实践优势与问题
相比传统的讯问方法和讯问技术，情感计算在讯问中应用的优势明显：其一，远距离非接触式检测，数据采集便捷。与传统接触式传感器不同，现有多模态情绪识别的生理数据采集不仅设备更小巧精准，而且不与嫌疑人发生身体接触；机器视觉比普通讯问人员更善于捕捉人的细微表情和行为数据，实现音视频同步记录。采集过程不易受环境影响，对讯问对象身体活动限制小，应用灵活。其二，数据提取和识别效率大大提高。通过图像识别算法，计算机能高效定位并识别人脸，提取人脸特征并与数据库进行对比，实时判断人脸微表情所表达的情绪信息。相对于人工一帧一帧回放录像和标注微表情，智能情绪识别大大提高了表情特征提取和识别的效率。其三，侦查讯问一直面临着审讯关键点定位困难、讯问过程缺少客观旁证、审讯数据缺失、精准回溯困难等现实问题。多模态情绪识别直接针对嫌疑人的讯问过程进行实时分析，能更全面直观动态地解读讯问对象供述的情绪状态，帮助侦查人员以及法官等司法人员审查判断其供述的真实性。
当然，情感计算在讯问中的应用也面临许多棘手的技术性难题。首先，情感计算的基础研究，虽表明人的表情等生理和行为数据与其情绪之间存在关联，但无法准确描述这种关联的唯一性和确定性。通用模型试图通过发现大多数人的生理反应模式来推理每个个体的内在情绪状态。但个体在情绪刺激下的反应是多样的，具有个体反应特异性。如实验表明女性的高兴和悲伤较男性更容易被识别，说明情绪反应在性别上具有差异性。其次，情绪识别过程中难以把握情绪分类的维度和细致程度。现有情绪识别技术将人类情绪简单划分为六种或八种基本表情，难以囊括情绪表达的复杂性和叠加性，需要细化情绪表达的分类标准。但情绪分类又并非越细越好，有实验表明当情绪类别为三类（悲伤、压力和愤怒）时，测试集上的识别率为78.4%；当情绪类别为四类（悲伤、愤怒、压力和惊奇）时，测试集上的识别率降至61.8%，即系统的识别精度会随着情绪分类标签种类的增大而减小。再次，讯问过程中动态图像易受光照等外部因素影响，情绪识别中的算法模型及融合类型如何选择和建立等问题，都影响着情绪识别在真实讯问场景中应用的灵敏度和特异性。
三、情感计算在讯问中应用的法律与伦理风险
情感计算在讯问中的应用，除面临许多技术性难题外，还可能引发诸多伦理与法律方面的风险。从伦理学上讲，情感计算的应用对个人控制其情绪状态的自主权造成了威胁。因此，无论情感计算技术发展到何种精准程度，我们都不应当也不可能将嫌疑人的陈述或辩解简单缩减、化约或还原为嫌疑人心理引发生理改变的机械行为，而应当始终尊重嫌疑人的主体性。
从法律上讲，情感计算在讯问中的应用也存在侵害嫌疑人合法权利的风险。比如，非接触式数据采集的隐微性暗藏侵犯嫌疑人沉默权的风险；多模态拟合使算法规则难以理解和解释造成的全流程监管困难；自动化决策和精算正义带来的责任风险等，这些都需要通过法律设计加强技术应用的数据治理和风险管理。总之，情感计算在刑事司法中的应用是把双刃剑，需要法律加强前瞻性预防和约束引导，以实现技术的可靠应用与可控发展。
|
|
|
| 情感计算在刑事司法中的应用与风险
|
|
|
|
|
|
| （ 2021-12-15 ） 稿件来源： 法治日报法学院 |
|
|
□ 付凤
情感计算是指，与情绪或其他情感现象有关的、产生于或有意影响情绪或其他情感现象的计算。换言之，其是包括感知、识别、理解、模拟、表达人类情绪情感在内的一系列智能交互技术的总称。情绪感知与识别是情感计算技术谱系中最重要和基础的组成部分。2004年，我国国家自然科学基金委员会批准实施重点项目“情感计算理论与方法研究”，将计算机科学与认知心理学结合，推动认知与情绪交互领域的研究。
情感计算在我国刑事司法领域也已崭露头角。2019年年底，中南财经政法大学与云思创智信息科技有限公司共建“多模态情绪识别联合实验室”，重点研究情感计算在刑事司法中的应用。
一、情感计算在讯问中应用的需求与趋势
获取并有效识别虚假供述一直是讯问实践的重点和难点。传统讯问依靠侦查人员经验观察与策略施压，既难以满足取证合法化要求，也缺乏依据不同嫌疑人心理状态施谋用策的精准性和有效性。当代讯问学研究在原有法学、侦查学、语言学学科的基础上，实现与神经科学、认知心理学、信息科学的交叉，将讯问人员的经验与智能技术结合，使每位讯问人员内隐化的知识变为可学习可解释的量化指标，有助于提升侦查人员的整体讯问能力。
早在西周时期的“五听”，就通过分析当事人陈述时的“辞、色、气、耳、目”，借助肉眼观察识别当事人陈述时气喘不止、脸色通红、眼神慌乱等生理和行为变化，以判定其言词证据的真实性。随着技术的发展，我们对行为人生理数据（心率、呼吸、面温、生物电等）和行为数据（面部表情和姿态动作）的采集与分析方式也越来越多样化：前者如多道仪测试、事件相关电位(ERPs)测试、核磁共振成像（fMRI）、正电子发射断层扫描（PET）和功能性近红外光谱测试、VER前庭情感反射、眼动和情感语音分析等。后者如面部活动编码系统（FACS）、表情辨别整体判断系统（AFEX）、生态化微表情识别训练（EMETT）等。然而，不同的分析技术和方法都有其各自的理论体系、应用场景和局限。考虑到讯问对象的心理变化是在某种刺激条件下人的适应性、整体性反应，数据的采集与分析不应局限于某种单一生理或行为，而应注重这些数据的同步记录与整合分析，综合判断后确定讯问对象的情绪变化，即多模态情绪识别。
综上，在侦查人员审讯方法从控诉对抗模式转变为收集信息询问模式的大背景下，情感计算的应用不仅使情绪识别线索从主观经验转向客观数据，由多源异构的离散状态转向多模态拟合，而且识别过程也由人工控制转向自动化。
二、情感计算在讯问中应用的实践优势与问题
相比传统的讯问方法和讯问技术，情感计算在讯问中应用的优势明显：其一，远距离非接触式检测，数据采集便捷。与传统接触式传感器不同，现有多模态情绪识别的生理数据采集不仅设备更小巧精准，而且不与嫌疑人发生身体接触；机器视觉比普通讯问人员更善于捕捉人的细微表情和行为数据，实现音视频同步记录。采集过程不易受环境影响，对讯问对象身体活动限制小，应用灵活。其二，数据提取和识别效率大大提高。通过图像识别算法，计算机能高效定位并识别人脸，提取人脸特征并与数据库进行对比，实时判断人脸微表情所表达的情绪信息。相对于人工一帧一帧回放录像和标注微表情，智能情绪识别大大提高了表情特征提取和识别的效率。其三，侦查讯问一直面临着审讯关键点定位困难、讯问过程缺少客观旁证、审讯数据缺失、精准回溯困难等现实问题。多模态情绪识别直接针对嫌疑人的讯问过程进行实时分析，能更全面直观动态地解读讯问对象供述的情绪状态，帮助侦查人员以及法官等司法人员审查判断其供述的真实性。
当然，情感计算在讯问中的应用也面临许多棘手的技术性难题。首先，情感计算的基础研究，虽表明人的表情等生理和行为数据与其情绪之间存在关联，但无法准确描述这种关联的唯一性和确定性。通用模型试图通过发现大多数人的生理反应模式来推理每个个体的内在情绪状态。但个体在情绪刺激下的反应是多样的，具有个体反应特异性。如实验表明女性的高兴和悲伤较男性更容易被识别，说明情绪反应在性别上具有差异性。其次，情绪识别过程中难以把握情绪分类的维度和细致程度。现有情绪识别技术将人类情绪简单划分为六种或八种基本表情，难以囊括情绪表达的复杂性和叠加性，需要细化情绪表达的分类标准。但情绪分类又并非越细越好，有实验表明当情绪类别为三类（悲伤、压力和愤怒）时，测试集上的识别率为78.4%；当情绪类别为四类（悲伤、愤怒、压力和惊奇）时，测试集上的识别率降至61.8%，即系统的识别精度会随着情绪分类标签种类的增大而减小。再次，讯问过程中动态图像易受光照等外部因素影响，情绪识别中的算法模型及融合类型如何选择和建立等问题，都影响着情绪识别在真实讯问场景中应用的灵敏度和特异性。
三、情感计算在讯问中应用的法律与伦理风险
情感计算在讯问中的应用，除面临许多技术性难题外，还可能引发诸多伦理与法律方面的风险。从伦理学上讲，情感计算的应用对个人控制其情绪状态的自主权造成了威胁。因此，无论情感计算技术发展到何种精准程度，我们都不应当也不可能将嫌疑人的陈述或辩解简单缩减、化约或还原为嫌疑人心理引发生理改变的机械行为，而应当始终尊重嫌疑人的主体性。
从法律上讲，情感计算在讯问中的应用也存在侵害嫌疑人合法权利的风险。比如，非接触式数据采集的隐微性暗藏侵犯嫌疑人沉默权的风险；多模态拟合使算法规则难以理解和解释造成的全流程监管困难；自动化决策和精算正义带来的责任风险等，这些都需要通过法律设计加强技术应用的数据治理和风险管理。总之，情感计算在刑事司法中的应用是把双刃剑，需要法律加强前瞻性预防和约束引导，以实现技术的可靠应用与可控发展。
|
|
|
