人工湖泊旅游开发利用研究的意义

人工湖泊是我国的重要资源 ,拥有量为世界之最。开展人工湖泊旅游开发利用的相关研究 ,不仅在旅游学科中具有开拓创新的意义 ,其研究成果也具有填补旅游资源学、旅游管理学等相关学科空白的理论意义 ,同时还具有一定的学术价值。研究人工湖泊在旅游开发中的作用 ,对我国的经济建设以及西部大开发战略的实施 ,具有重要的现实意义和广阔的运用前景。     

智能理财行业风险的法律应对

以智能理财为代表的金融创新行为值得鼓励,该行业对社会和经济产生了巨大的推动力,使得各国政府都愈发重视。由于智能理财业务模式的创新,其区别于传统投资顾问的新特征也随之出现,这种变化必将给金融行业传统的风险规制带来新的课题:监管者如何区配新的风险规制路径?要让智能理财行业实现良性发展,首先需要清楚地认识到其所具有的金融风险、技术风险和法律风险,并明确其规制路径予,让监管主体有效发挥职能。具体来说,首先需要完善信息披露制度、强化风险提示机制,完善信用体系等资本市场相关制度;其次需要强化市场准入与牌照管理,健全合格投资者制度等准入门槛;最后还需要将穿透式监管、全过程监管、科技监管等新型监管模式贯穿其中。     

司法精神病鉴定的人工智能技术应用

司法精神病鉴定实践中的主要问题表现为鉴定意见的信度不足。这一方面源于涉及精神医学、心理学、法学在内的司法精神病学本身属于交叉学科,学科间话语系统融合存在困难;另一方面,司法精神病鉴定的对象本身存在一因多果、多因一果、多因多果方面的复杂性。随着人工智能技术在执法、司法领域的普及应用,以及算法、算力、数据的不断成熟,遵循新型技术嵌入精神病学、心理学而产生新型理论的“一级嵌入”与新型理论嵌入司法精神病鉴定实践“二级嵌入”的“双嵌入”路径,采用“分块开发”“系统整合”“流程整合”三大操作程序,并借鉴人工智能技术中的自然语言处理技术、心理计算技术和智能辅助决策技术资源,能够直接回应并一定程度解决司法精神病鉴定实践中信度不足的问题。这为人工智能辅助鉴定系统的研发,赋能司法精神病鉴定实践提供了可能。     

基于人工智能硅藻自动化识别系统的实际案例应用

目的探讨人工智能硅藻自动化识别系统在实际案例中的应用,为应用该系统进行硅藻定量分析提供参考,并对该系统所搭载的深度学习模型进行验证。方法收集10例水中尸体的器官进行硅藻硝酸消解,利用数字化切片扫描仪将涂片数字化扫描后,使用人工智能硅藻自动化识别系统进行硅藻的定性定量检测。结果该人工智能硅藻自动化识别系统所搭载的深度学习模型的受试者操作特征(receiver opera⁃tor characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)达到98.22%,硅藻识别的查准率达到92.45%。结论该人工智能硅藻自动化识别系统实现了硅藻的自动化识别,可用于实际案例中硅藻的辅助检验,并为水中尸体的死因鉴定提供参考依据。     

人工智能作品侵犯著作权罪的规制逻辑与完善面向

人工智能作品在符合著作权保护必备的独创性要素的条件下,通过将其作者确定为人工智能设计者而不是人工智能本身,可以有效解决其在侵犯著作权罪名下的刑法保护问题。然而,由于现有《刑法》及相关法律对人工智能作品并没有进行任何具体规定,直接适用当前《刑法》第217条侵犯著作权罪的条款,必然对相关司法实践和公众舆论产生相应的负面影响。因此,需要从在《刑法》及相关法律上规定人工智能设计者的作者地位、增设人工智能作品类型,以及确立以独创性标准作为确定具体内容能否成为刑法保护的对象等层面,保证人工智能作品在侵犯著作权罪名的语境下获得刑法的有效保护。     

人工智能与事实认定

人工智能与司法的深度融合,既体现在案件的法律适用环节也体现在事实认定环节,而事实认定是法律适用的前提。人工智能对案件事实认定的介入,需要将证据数据化、对数据进行运算整合、输出人可以理解的结论。在证据数据化环节,需要对证据进行结构化的数据改造,并克服语言障碍。在数据整合环节,人工智能主要以概率推理而不是因果推理作为逻辑推理方式,其算法也需要面对可计算性与复杂性两大难题。在结论输出环节,需要解决机器学习如何深化、信念如何建立与机器如何表达等难题。人工智能融入案件事实认定所面临的这些主要难题,可以尝试通过"小数据"训练,逐步构建人工智能"心智微结构"去慢慢攻克。     

人工智能算法的伦理危机与法律规制

进入网络时代以后,人们逐步形成了一种以技术性和流动性为核心的在线生存样态.人们日益被数据化和被算法化.技术平台往往会利用自身在数据处理和深度学习算法上的技术优势,生成一种隐性的支配权和控制权,从而形成人工智能算法独特的运行逻辑.人工智能算法独特的运行逻辑正在深刻地改变着以往的生产方式和生活方式,并诱发了一系列的伦理危机...     

我国刑事司法制度中的卸责机制——以法院和法官为中心

由司法行为带来的责任包括法律责任、政治责任、道德责任等,这些责任在不同主体之间流动。司法规律和司法体制塑造了将责任汇集于法院最终由法官个人承担的责任分配体系。成为归责中心的法院和法官往往将自身压力往他处转移,形成以法院和法官为中心向四周其他主体扩散的卸责机制。卸责的手段主要有诉诸权威、规则依赖、对外转移和集体承担等。从机构层面看,法院通常将责任转移给检察机关和上下级法院;在个人层面上,法官则将责任转移给合议庭其他法官、陪审员、审判委员会以及被告人本人等。司法责任制改革在落实如何追责的前提下应当探索构建合理的卸责机制。相比于遇到瓶颈的“实体控制模式”,发挥程序功能对责任进行转移分担的“程序控制模式”效果更加显著且更易被法官所感知。     

SPERM DONOR OR THWARTED FATHER? HOW WRITTEN AGREEMENT STATUTES ARE CHANGING THE WAY COURTS RESOLVE LEGAL PARENTAGE ISSUES IN ASSISTED REPRODUCTION CASES

In recent years, the use of assisted reproduction has risen dramatically in the United States, allowing individuals who face various reproductive challenges, including infertility or absence of a heterosexual partner, to conceive biological children. While assisted reproduction has expanded to meet the needs of these parents, the legal system remains years behind, often leading to complicated child custody disputes between the parties. State legislatures have responded to the call for increased regulation of legal parentage in assisted reproduction in varying ways, although one popular statutory approach requires a known sperm provider to preserve his intention to parent in a written agreement with the woman. This article will argue that written agreement statutes are an effective means for resolving parentage disputes because of their ability to protect pre-insemination intent and encourage private ordering of conflicts among the parties. These issues will be explored through the lens of a recent case decided by the Kansas Supreme Court, In Re K.M.H. , where the court enforced a written agreement statute against a sperm provider despite his equal protection and due process challenges.     

基于深度学习的指纹自动识别技术

本文从学科领域入手,对指纹自动识别技术在发展过程中受人工智能技术影响所产生的新变化进行简述。指纹识别技术作为一种计算机应用技术,其发展与计算机科学的新技术密切相关。人工智能技术,特别是基于深度学习的图像技术的发展使指纹识别算法开启了全新的模式。本文将人工智能在指纹领域的发展分成三个阶段,并对当前所处的第二阶段的发展趋势进行了分析。基于深度学习的指纹识别技术使用图像特征而不是传统细节点特征的方式,改变了法庭科学领域对指纹识别的认知。本文重点对深度学习技术在指纹识别方面的应用模式和典型的技术方法进行了论述,给出了基于深度学习的指纹识别技术方案图,对技术方案中的网络模型设计等重要步骤逐一进行了说明,提出了图像处理、降维等几个需要重点攻坚的技术环节。对现有的可为指纹识别借鉴使用的深度网络模型进行了介绍,如:卷积神经网络、自编码器网络。最后对人工智能指纹识别算法与传统算法的性能进行了对比。