在法律行業，數據可視化的應用情況如何？

12-29

因為看到天同在網路上推廣一些類似於「訴訟圖表集訓營」之類的課程，於是對數據可視化在法律行業的應用狀況覺得很感興趣，希望各位前輩和老師能簡單介紹一下。

1，在訴訟和非訴領域，律師和其他法律行業的從業者一般在工作中的哪些方面環節，用哪些工具/軟體來完成數據可視化呢？或是由專門的技術人員來完成？

2，在國內外的法學院課程設置中，是否包含相關的課程？有沒有值得推薦的書籍或者教程呢？

3，國內除了天同，還有哪些律所比較注重/擅長在工作流程中應用數據可視化呢？

4，在國內的訴訟過程中，客戶和法官讀數據可視化的接受程度如何？效果如何?

可視化數據在法律服務領域一直在運用，不過是程度不同，可能也沒有今天這麼受到重視和系統化，相對來說在非訴領域和客戶推介方面用的比較多，例如在我們做上市、併購、重組等資本市場業務的時候常常要用各類圖表來介紹企業各方的具體情況；在我們製作工作底稿和交流中也會用到大量的圖表；訴訟中由於格式的限制和數據量較少，相對應用較少，但是在作為輔助證據出現或者對案件情況進行說明的時候輔之以可視化的數據要比通篇羅列不知所云的數據要受到法官歡迎。

謝邀。並非法律工作者，不了解律所實際應用的例子，但是在學術研究上是有的。兩年前上 Data Visualization 課的時候讀過一篇論文，就是設計了一種 parallel tag cloud 來檢視不同地區訴訟文件的用詞，從中可以大概看出某個地區什麼類型的訴訟比較多，或者是用詞習慣有什麼不同，等等：
IEEE Xplore -
Parallel Tag Clouds to explore and analyze faceted text corpora

懶得看論文的有 YouTube 視頻：
http://www.youtube.com/watch?v=rL3Ga6xBgLw

單從數據可視化來說，我覺得這個設計是很精密的。

隨手 Google 了一下 "visualizing legal documents"，貌似這方面的應用是蠻多的，題主可以慢慢研究一下：
New York Law School :: Visualizing Law in the Digital Age
You are not authorized to view this page
Jonathan Stray

謝邀。一直在國內，我還是籠統的回答下。數據可視化我理解成圖表方式不知道是否恰當。這種圖表方式個人還是喜歡自己製作，還是採用筆和紙。因為我在製作的過程中會發現更多需要補充的分支，往往這種分支在實際操作中確是最重要的。希望起到拋磚引玉的作用

律師這行業非常特別，同行間業務交流很少，一個大律所，天天見面但互不說話的太多了。
除非關係好，例如師傅徒弟、師兄師弟、男女朋友、同學鄰居，不然沒人會認真和你交流。

尤其是題朱你問的問題，這可都是錢呢。

我只能簡單回答你兩句

1. 數據可視化是未來的趨勢，但目前來說不是主要的，你不做也不會影響業務。

2. 天同不了解，我也不清楚現在整個行業最好的數據化律師有哪些。

3. 法律方面，這東西純粹靠個人總結、歸納的能力，軟體我認為PPT/EXCEL 足夠了，不必去掌握matlab等信息分析軟體

1，在訴訟和非訴領域，律師和其他法律行業的從業者一般在工作中的哪些方面環節，用哪些工具/軟體來完成數據可視化呢？或是由專門的技術人員來完成？

訴訟領域可能會做給陪審團看，這個可能最重要。

2，在國內外的法學院課程設置中，是否包含相關的課程？有沒有值得推薦的書籍或者教程呢？

據我所知，沒有

3，國內除了天同，還有哪些律所比較注重/擅長在工作流程中應用數據可視化呢？
天同是什麼？給介紹一下吧。

4，在國內的訴訟過程中，客戶和法官讀數據可視化的接受程度如何？效果如何
美國庭審的時候應該可以，寫的筆頭備忘錄很少。

visioviewer沒人推薦嗎？用來做股（心）權（腦）結（血）構（管）圖老棒了！

我接觸了所謂的可視化的相關培訓，其實噱頭更多，對訴訟的幫助很少。但對於非訴業務和事務所的推薦的效果會更好。
其實，我對可視化的理解，認為其實是一種經過包裝的VI設計服務，把事務所的業務、項目進行重新的包裝和設計，以更新的姿態來向客戶推薦自己，因為這種經過包裝和設計的產品、業務，給客戶的感觸更直觀，被接受度更高。

但如果你要花錢去參加這個什麼icourt的培訓，我覺得完全沒有必要。

求幾個比較方便的畫圖表軟體，能把文字框、線、圈等隨意放置的，多謝

遼寧高院是典型的數據可視化案例，與surface操作大屏，交互體驗可視化分析

關於可視化，我覺得完全可以多關注胡清平老師，現在主要推廣可視化，開發了icourt系列，很有意義。回答樓上的問題，天同是國內目前專註於高端商事訴訟的律所，有微信公眾號：tiantongsusong，可以關注了解。據我所知，在可視化方面，還有一些小所（僅從規模上來說）也已經在做了，而且做得還不錯，當然只是程度各異而已。

2001年，賓夕法尼亞大學法律系教授特德·魯格（Ted Ruger）正在參加一個研討會，聽取安德魯·馬丁（Andrew Martin）和凱文·奎因（Kevin Quinn）兩位政治學家關於一篇大數據分析文章的報告。馬丁和奎因所報告的文章稱，僅僅利用與案件政治特徵相關的幾個變數，他們就能預測出高等法院法官的投票結果。對此，特德不以為然。

特德看起來一點兒也不像大家平時看到的那些貌似身體瘦弱的學究們；他的身材像運動員一樣健碩，長著方下巴，臉上雖然布滿皺紋但容貌英俊。他聽研討會時，不喜歡那些政治學家們報告其研究結果的方式。「他們實際上用了預測這一術語，」他告訴我，「我坐在那裡聽，就像一個懷疑論者。」他不喜歡這篇文章，因為他們所做的是預測過去。「跟很多法律或政治科學研究一樣，」他說，「這篇文章本質上也是針對過去的。」

因此，在研討會結束後，他走到他們跟前提出自己的建議。「從某種意義上來說，這一項目的起源就是我事後跟他們說，為什麼不做一個前向的檢驗呢？」他們談著談著，就決定進行一場比賽——「友好的跨學科競賽」，比較一下預測高等法院案例審判結果的兩種不同方法。一邊是政治學家的大數據分析預測，另一邊是83位法律專家的意見。他們的任務是提前預測每位法官對2002年高等法院審過的每個案件的投票結果。

專家就是真實的法律資深人士，包括法律系教授、法律從業人員以及法律博學人士（共有38人擔任過高等法院法官，33人有教授職稱，5人擔任或曾擔任法律系主任）。大數據分析計算程序要對所有案件的所有法官的投票做出預測，而專家只需預測在他們所專長的領域內的案件投票情況。

令特德沒想到的是，比賽結果竟然打成了平手。政治學家的模型考慮了如下六個因素：

（1）案件最初的巡迴法庭；

（2）案發地區；

（3）原告類型（如美國、公司僱主，等等）；

（4）被告類型；

（5）低等法院規章的意識形態傾向（自由還是保守）；

（6）原告是否稱某項法律或條例不符合憲法。

特德說：「我原本認為他們的模型包含了決策制定過程中太多沒必要的細節，因此法律專家應該預測得更好一些。」對於法律和過去案件的透徹了解畢竟還是管點用的。

這個簡單的檢驗指出了最基本的問題：什麼是法律。法官奧利弗·文德爾·霍姆斯（Oliver Wendell Holmes）首創了法律預測說。「法律的生命不在於其邏輯性，而在於經驗。」對霍姆斯來說，法律只不過是「對於法官會怎麼做的一種預測」而已。霍姆斯不同意哈佛大學主任（也是蘇格拉底式法律教育方法的權威）克里斯多夫·哥倫布·蘭德爾（Christopher Columbus Langdell）的觀點，後者認為「法律是一門科學，這門科學所有能夠獲得的資料都已經包含在教科書中了。」霍姆斯認為準確的預測與「時間的緊迫性、對於公共政策的直覺、公開或下意識的甚至對於與自己觀念相同的法官的偏見」等等密切相關。

政治學中的主流統計模型都是霍姆斯模型，因為該模型幾乎完全強調法官的偏見，即主觀意識想法。政治學家常常會假設政治理念固定不變，並且服從從自由到保守的平滑分布。根據這種大數據分析計算程序得出的決策樹只有細微差別。馬丁和奎因使用這9名法官以前審過的628起案件的歷史數據，首先考察何時這六大因素預測出的決策結果是一致同意審理或一致駁回上訴。然後，再使用同樣的歷史數據，針對沒有達成一致意見的案件，找出能夠最好地預測出每個法官投票的流程圖（有條件地結合上述因素）。例如，下面這幅圖就是真實研究中用來預測桑德拉·戴·奧康納（Sandra Day O』Connor）法官的投票流程圖。

資料來源：Andrew D. Martin et al，「Competing Approaches to Predicting SupremeCourt Decision Making，」2 Perspectives on Politics 763 （2004）

這幅用於預測的流程圖相當簡單。第一個決策點預測只要低等法院的法案是「自由的」，奧康納就會駁回上訴。因此，在「格魯特對伯林傑」案（Grutter VS Bollinger）中，高等法院2002年所審案件挑戰著密歇根大學法學院（Michigan Law School）同意審判的合憲決定，該模型僅僅因為低等法庭的審判（在支持法學院同意審判的決定方面）是自由的而錯誤地預測奧康納會駁回上訴。如果低等法庭是「保守的」，流程圖就會略微複雜一些，決定因素包括最初巡迴法庭的預測、被告類型以及案件提交地區。當然，這種統計預測完全忽略了本案件及其之前該法庭所審案件的具體特定問題。而對特定問題了解深入的法律專家自然會做得更好一些。

請注意，使用統計模型時，我們仍然需要人來為案件編碼。關鍵是要有專家來決定低等法庭的決策是「自由的」還是「保守的」。研究表明怎樣使統計預測與主觀判斷相符且相關。統計決策規則不可能不依賴於專家或臨床醫生的主觀判斷。規則可以問護士是否認為病人看起來「感覺不舒服」。但這是一種不同尋常的專業知識。不需要依賴專家做出最終決策，專家只需要針對某個癥狀存在還是不存在給出意見。人類專家也許有一定的發言權，但是大數據分析方程限制了他們自由處置的能力。

特德「進行前向檢驗」的簡單想法為進一步的檢驗鋪平了道路。隨著高等法院審判過程的進行，很多知情人都滿懷興趣等著看這項檢驗。做出最終決策之前，網站上會公布計算機和專家分別做出的預測，這樣每個陪審員的觀點提交上去時，人們就都可以直接看到結果了。

最後專家輸了。對於2002年審判的所有案件，模型預測的法庭同意審判或駁回上訴的結果正確率為75%，而所有法律專家一起只預測對了59.1%。在預測奧康納法官和肯尼迪的關鍵選票上，大數據分析尤為有效。對於奧康納的選票，模型預測正確率為70%，而專家的正確率僅為60%。

極為簡化的統計模型的預測能力不僅勝過律師，而且勝過擁有案件詳細信息的該領域專家，這怎麼可能呢？這一結果只是統計上的反常現象嗎？它與法律界的特質或自大有沒有關係？這些都是本章的核心問題。簡單地回答，特德的檢驗代表了更加一般意義上的現象。幾十年來，社會學家一直在比較大數據天才與傳統專家的預測誰更準確。一個又一個的研究表明，大數據天才有佔上風的趨勢。

這是我所知道的成都一家公司的法律大數據圖，清晰地呈現了法官、法院、律師之間的關係圖譜，這家公司叫Lawbbd 數聯惠法，還不清楚其他細節，感興趣的可以持續關注一下哈

從長沙的情況來看，運用的情況並不是很多，甚至很多律師都沒有這個意識