大数据背景下预测性警务的实践样态与风险规制

王 立，杨令一

（北京警察学院，北京 102202）

当前，大数据应用是社会发展的大趋势，对多个领域具有直接而深远的影响，如政府管理、自然科学以及商业等领域。2015年10月召开的十八届五中全会对于国家大数据战略作出明确部署［1］，大数据技术对于中国社会的发展具有极为关键的作用。这一技术被中外警务界普遍应用于侦查活动中，大数据侦查模式与传统侦查模式相比具有很多优势。［2］大数据侦查具有数据共享一体化特征，是一种由点到面的全景式侦查、预知未来的预测型侦查以及利用数据模型的算法型侦查，这一新型侦查模式能够更全面地获取信息，更深入地对信息进行分析研判。［3］可以说，大数据应用于侦查工作的意义并非简单的通过海量数据分析从而“能够使警务活动更有效率、更为精确”［4］，更为重要的是大数据分析将促进侦查模式由传统的被动回应型侦查变为主动出击型侦查，由于大数据具有预测功能，所以对主动型侦查模式的发展具有极为显著的促进作用。［5］

与传统侦查模式相比，大数据侦查的精髓在于其预测性。由于现阶段全世界都面临着恐怖主义、极端主义的威胁，社会上存在较多的风险因素。通过事前预测的方式对违法行为进行预估，在犯罪尚未发生之时对“目标犯罪人”进行控制无疑具有重大的现实意义。2010年以来，预测性警务在美国各地获得迅速发展和应用，各种预测性警务模型不断出现，如PredPol、RTM、HunchLab等模型。这些模型虽然都属于犯罪地点预测性警务模型，但每一个模型的数据源、预测结果以及相关策略建议都是不同的。PredPol为洛杉矶警方提出的策略建议是通过提高警察威慑力来预防犯罪；RTM为新奥尔良警方提出的策略建议是通过与其他政府机构的合作，共同修复社会环境漏洞，以此预防犯罪；Hunchlab为芝加哥警方提出的策略建议是通过加强与社区的互动，以此消除犯罪风险。［6］

在欧洲，预测性警务深受欧盟成员国的欢迎。自2014年以来，德国的六个联邦州各自开发了针对入室盗窃犯罪的预测性警务模型，即巴伐利亚州和巴登-符腾堡州的Precobs、柏林的KrimPro、黑森州的KLB-operativ、下萨克森州的PreMap以及北莱茵-威斯特法伦州的SKALA，其中SKALA是德国最流行的预测性警务模型，并且上述模型在经过试运行后都正式投入使用。［7］荷兰的阿姆斯特丹警方在2014年针对其研发的犯罪预测系统（CAS）进行了一次成功试点，此后CAS在荷兰全国范围内推广。而英国肯特郡警方在2018年宣布终止与PredPol的合作，原因是无力承担每年十万英镑的使用费，决定自己研发适用于当地情况的预测性警务模型。［8］

不仅在国外，国内对预测性警务也有应用。北京市公安局怀柔分局在2013年4月份正式开始实施“犯罪数据分析和趋势预测系统”，这是我国警方第一次运用预测性警务系统。通过此系统可以对曾经出现的犯罪案件信息加以梳理，应用数据模型还可以对未来特定区域可能发生的犯罪行为进行有效的评测。从2014年开始，苏州市公安局苏州工业园区分局唯亭派出所在进行巡防时，开始通过犯罪预测系统开展相关的指导工作，此后，该派出所的工作模式也发生了相应的改变，由以前的“案后研判”变为现在的“案前预警”。通过犯罪预测系统对相关数据加以分析，并制定了有针对性的侦防策略后，该所辖区内的犯罪案件发案率逐渐降低，下降比例甚至超过15个百分点。［9］2018年4月，广东省公安厅为推进“智慧新警务”建设，开始构建“13847”框架模式，即1个愿景、3步战略、8大创新应用、4大赋能工程以及北斗7星计划，其所创新应用的“智慧新防控”和“大数据工程”正是预测性警务的具体应用。［10］

随着大数据技术的不断发展，预测性警务在实践中得到了广泛的应用，但与此同时，预测性警务也面临着学者们的诸多质疑。比如，如何保证预测性警务预测结果的准确性？如何协调预测性警务与无罪推定的法理冲突？如何对预测性警务进行法律控制？这些现实问题亟待在对预测性警务进行系统研究的基础上作出理论回应。

一、预测性警务的正当性基础

预测性警务的核心要义在于预测。关于预测性警务的概念，虽然目前尚无统一的定义，但学者们都注意到了它在迅速收集、分析数量庞杂的相关数据并快速获取影响未来的信息能力方面的魅力。［11］著名的计算社会科学家威廉·艾萨克将预测性警务定义为“用来确定警察可能干预的目标，并且通过统计学预测来预防犯罪或解决过去犯罪的应用”。［12］卡迪夫大学数据正义实验室的菲克·詹森研究员则认为预测性警务使用历史和实时数据来预测犯罪最有可能发生在何时何地，或者谁最有可能参与犯罪或成为受害人。［13］无独有偶，国内学者在对预测性警务进行研究过程中亦强调了对数据进行利用分析，从而达到预防犯罪的目的。如李国军老师认为预测性警务是“应用专门的定量分析技术以确定警察干预的目标，预防犯罪，或者通过统计学的预测解决过去的犯罪”。［14］中南财经政法大学的魏怡然老师则将预测性警务界定为开发和使用既有信息并进行高级分析，为前瞻性的犯罪预防提供信息的警务策略。［15］笔者无意对“预测性警务”这一新型侦查模式做一全面且通行的定义，以达到在学术界“正本清源”之目的，仅旨在说明预测性警务所具有的数据收集、处理并作出预断的特点。而在具体应用场景上，预测性警务一方面可用于对已经发生犯罪的侦破，另一方面可用于对尚未发生犯罪的提前预防及尚未完成犯罪的提前打击，本文的讨论也集中在这两个方面。

从形式上看，预测性警务带来的只是侦查模式从被动防守到主动出击的一种转变，使得侦控机关得以应用新型侦查手段更为恰当地布局侦查工作。但从实质上看，预测性警务带来的更是现有刑事诉讼模式以及证明模式的转变。在传统的印证证明模式下，控辩双方围绕着对方提供的基础证据展开对抗，而在预测性警务模式下，控辩双方转而围绕预测性算法的概率性及准确性展开对抗。在努力适应预测性警务所带来侦控、证明模式巨变的同时，我们不禁要思考，为何要将这一全新的侦查模式应用于侦控工作之中？应用的依据是什么？准确回答这些问题需要对预测性警务的正当性进行全面的论证。

（一）预防犯罪的需要

犯罪问题会对国际声誉、国家经济增长以及社会发展带来直接的负面影响。对个人而言，犯罪侵害会给被害人带来不可逆的权利减损。与其在负面影响和权利减损发生后予以弥补，不如在这些负面因素发生前未雨绸缪，提前阻止法益侵害行为，使国家和个人免遭犯罪带来的痛苦。“防患于未然”的主动出击显然比对已发生的犯罪进行“亡羊补牢”式的处罚更有价值。［16］

另外，预测性警务除了能够提前阻止犯罪给国家和个人带来负面“体验”之外，还能够使警务工作更有针对性、更加高效地运行。这种新型警务模式通过运用数据分析技术特别是定量分析技术，可以提前确定警方所需要介入和干预的目标。例如，通过对某一地区近五年犯罪案件中的犯罪人特征、犯罪区域特征进行数据分析，进而确定警务工作中的重点防范对象及防控区域。换言之，在大数据加持下，警方能够掌握侦防工作重点，有的放矢地开展工作。这与力求“面面俱到”但常常“顾此失彼”的传统警务模式相比显然更有优势，更能使警方掌握侦防工作的主动权。

（二）通过预测性警务来达到各方利益最大化

功利主义学派代表人物边沁认为，正确的行为是使最大多数人获得最大幸福的行为，作为社会行为一种的立法亦是如此。［17］当然，边沁的“最大幸福原则”所具有的不足曾引发了学界激烈的批判：在一个无辜人的痛苦能够实现更大幸福时，是否应当去给这个无辜人施加痛苦？笔者无意讨论边沁功利主义所存在的问题，提出功利主义学派所持立场的目的仅在于，笔者认为在对预测性警务进行应用的过程中，可以对功利主义进行修正，即将“最大幸福原则”修正为“利益兼顾原则”，通过“利益兼顾”原则为预测性警务的应用提供更加坚实的正当性基础。任何一种新生事物要想获得强大的生命力，就要对相关方的利益进行兼顾，至少可以使相关方避免遭受更大的损失。正如陈瑞华教授所言，“一种有助于问题解决、可以满足各方利益的制度安排，具有极大的生命力。无论立法机关对其持有怎样的态度，它迟早都会被确立在法律之中。”［18］

毋庸讳言，侦控机关在预测性警务的适用中获得了多方面的利益：首先，如前文所述，预测性警务通过提前阻止法益侵害行为，使国家和个人免受犯罪所带来的痛苦，提升了群众的安全感与满意度，进而使侦控机关能够获得更多的公众认可度与正向评价。其次，运用大数据开展的侦防措施更加精准有效。传统侦防策略的制定往往以警务工作人员的经验作参照，经验本质系将历史事实当作证据引用［19］，而与大数据运算相比，警务人员所掌握的历史事实在数量和质量上均具有较大的局限性，这也就导致依照经验作出的侦防策略往往缺乏稳定性与准确性。与之相比，预测性警务以大数据为支撑，在全面掌握大量基础材料的前提下所作出的决策显然更加精准。再次，预测性侦查手段降低了侦控机关对其侦防决策合理性的证明难度。在传统的证明模式下，在面对各方对侦防决策提出异议时，侦控机关往往需要对其赖以作出侦防决策的分析、研判、实施过程进行逐一说明，以证明其自身决策的合理性与正当性。但在预测性警务模式下，侦控机关只需要对预测性结果赖以作出的算法及基础数据的正当性加以证明，这就大大降低了决策合理性的证明难度。

在预测性警务模式下，犯罪嫌疑人、被告人的利益也得到了适当的兼顾。正如前文所述，预测性警务中的“预测”一方面是指对尚未发生犯罪的提前预防，另一方面是指对尚未完成犯罪的提前打击。如果是前者，执法机关在获取到预警信息后，提前对可能发生犯罪的街区、居民楼等区域进行布防，将尚未发生的犯罪提前扼杀在摇篮之中，最大程度地挽救了潜在的犯罪分子。如果是后者，犯罪分子已经着手，侦查机关通过预警信息在犯罪预备阶段将犯罪嫌疑人及时抓获，阻止其行为产生更加严重的危害结果，在使法益损失减少的同时，也使犯罪嫌疑人获得更加轻缓的刑罚。

在预测性警务模式下，被害人的利益同样也能得到最大程度的保证。传统侦查模式下，在危害结果发生后，侦查机关才开展侦查工作，无论侦查机关的工作多么富有成效，所带来的都是一种有限的事后补偿。而预测性警务则是一种防患于未然的“事前防卫”，在危害结果尚未发生或者刚发生尚未产生实质性影响时，便介入并予以阻控，无疑更加有利于被害人利益的保护，使被害人免受犯罪侵犯的痛苦。

二、预测性警务的应用风险

新兴科技在给我们带来极大便利和效益的同时，也存在着一定的风险，如果不对预测性警务的潜在风险进行提前规制，很可能导致预测性警务这把“达摩克利斯之剑”从头顶掉落造成不可预知的灾难。在笔者看来，预测性警务的应用风险主要涉及两个方面，一方面是技术性风险，另一方面是权利保障风险。

（一）技术性风险

在技术领域，预测性警务的风险又可具体分为两方面：一方面是数据偏见，另一方面是算法黑箱。

所谓数据偏见，是指预测性警务模型所使用的数据源欠缺客观性与完整性的问题。［20］预测性警务系统需要对海量数据进行比对、分析、挖掘之后才能够得到有效的预测结论。如果将预测性警务的运算过程看作烹饪一道菜肴，那么执法机关提供的基础性数据就是基础食材，掌握客观的基础数据后才能使预测性警务系统“烹饪”出具备公正性的预测结果。但如果基础数据本身就存在偏见，比如在基础数据中将某些种族、某些肤色或者有过某些经历、较低学历者等打上犯罪高发人群的标签，即使算法运算过程中立，运算结果也可能会存在偏见。正如密歇根大学索尼娅教授所言，“将贫困、家庭状况、种族或民族、社会经济地位等维度输入进去……从这个角度说，犯罪人预测是显失公平正义的，他们被预测是危险的‘犯罪人’并据此受到惩罚，不是因为他们做过什么，而是因为他们是谁、他们的家庭怎么样以及他们的口袋里有多少钱。”［21］简言之，基础数据存在偏见，预测结果必然存在偏见。

除了数据偏见之外，预测性警务还存在算法不公开或者被称为算法黑箱的问题。同样将预测性警务的预测过程看作对菜肴的烹饪，如果说基础数据是“食材”，那么算法就是烹饪的步骤与程序，如果这一运算程序出了问题，比如赋予一些对犯罪影响并不显著要素过多的运算权重，那么所产出的“菜肴”也必然存在公正性瑕疵。算法作为高度专业性的领域，普通人往往难以对算法的公正性进行质疑。可以毫不夸张地说，算法应用的深入推广使得人类已经处于一个被“算法吞噬的世界”，不得不面临由此带来的算法歧视、算法偏见以及算法黑箱问题。［22］

编程人员在编写算法时，自身的价值判断及偏好往往不自觉地被融入到算法设计当中，使算法成为反映程序员好恶的“晴雨表”。而算法不公开导致的算法黑箱使预测性警务的应用面临不透明性、不公平、无法审查以及不准确等方面的质疑。［23］算法的封闭性，违背了人们对刑事程序应以“看得见的方式实现正义”的价值追求，加剧了外界对预测结果的不信任。

（二）权利保障风险

预测性警务的产生以大数据应用技术为基础，要使预测警务系统进行有效的运算，就必须使其掌握海量的数据信息。大数据之“大”就体现在信息数据的海量上。犯罪预测的前提是政府需要对公民的工作信息、家庭信息、教育信息等个人信息进行全面的收集，在这种情况下必然引发人们对于隐私权可能遭受侵犯的担忧。每一位公民个体的隐私在整个国家机器眼中也许是微不足道的，但是对个体而言个人的隐私又如此重要，当公民失去隐私权后，随之失去的就将是个人尊严、人格自治等人的固有价值。

预测性警务严重依赖公民在参与社会生活中所提供的海量信息，对这些海量信息的收集、提取和分析必然带来大规模监控(mass surveillance)的后果，全体公民的各种信息都将成为预测警务系统收集与分析的对象。更重要的是，这种数据收集与分析不以犯罪嫌疑的存在为前提，为保证预测结果的有效性，全体国民甚至全球民众都可能成为潜在的侦查对象，大量无罪公民的个人信息将在大数据侦查的过程中被储存、比对、挖掘［24］，而预测性警务的推广将进一步加剧公权力对公民隐私权的侵犯。

另外，预测性警务所侵犯的是抽象的人格尊严、隐私权权利，不像人身权与财产权那样能够被人们直观地感知，所以侵权行为也更加隐蔽，进而导致权利救济也更加困难。这种救济的困难性和侵权行为的隐蔽性将导致预测性警务场域下国家权力和个人权利存在更为严重的对冲。基于此，对预测性警务进行风险控制刻不容缓。

三、预测性警务的风险规制

预测性警务确实有权利方面和技术方面的风险，但是预测性警务也同时具有独特的应用价值，这就决定了我们不能因噎废食，而是应当根据预测性警务在我国侦查中的应用场景，设定具体的规制方案。笔者认为，应当以人本主义与司法正义为前提，通过制度的完善和技术的公开来对预测性警务进行包容性应用的同时予以风险规制。

（一）人本主义理念下的技术赋权路径

基于大数据技术而生的预测性警务同其他新兴技术一样，具有伦理中立性，在被运用去实现更多社会利益、发挥更大的社会价值过程中并不自带判断是非好坏的审视功能。［25］虽然预测性警务技术本身没有任何好恶，但是预测性警务系统的设计者、运用者却在实践中有着自己的利益追求。与设计、应用预测性警务系统的政府、侦控机关相比，公民个体无疑处于弱势地位。这就需要政府等公权力机关赋予公民知情权、更正权等一系列技术性权利，在预测性警务框架下架构一种“权利制约权力”的机制，以实现私权利和公权力大体上的实力均衡状态。

技术性赋权对于制约公权力而言无疑是一剂良药，但也是一把双刃剑，如果过分赋权会阻碍预测性警务在实践中的应用与发展。那么如何寻找“权利—权力”之间的平衡点？以人为本的理念给了我们答案。

随着高新科技的快速发展，人们对于大数据、人工智能以及本文所讨论的预测性警务有了更加清晰、一致的认识，人工智能应用以人为本［26］、未来应当贯彻以人为核心的发展路径［27］等理念逐渐为人所接受。此外，以人为本的权利让渡理念与我国宪法中的“尊重和保障人权”理念是一致的，都是强调对个体公民权利的保护。但在目前的预测性警务的应用场域，由于较为重视技术的扩张性，所以人本主义理念暂时还未和我国法律中“尊重和保障人权”理念进行有机结合。可以大胆预测，如果预测性警务在应用场景中，仅以解决案多人少的矛盾、提高办案与破案效率为追求目标时，必然会导致人权保障价值被忽视。基于此，实现两者融合的关键在于，将人工智能业界推崇的以人为本、增进人类福祉与刑事司法追求的保障人权有机融合，化约为简洁的技术赋权理念。［28］换言之，预测性警务在实践中的深入开发和应用，应当在人本主义的技术性赋权理念下进行重塑与升级，以人本主义作为预测性警务系统的研发、应用合目的性的评估标准，将人本主义作为技术性赋权的正当性基础。那么究竟达到什么样的标准才符合以人为本理念下的技术赋权的要求呢？社会学大师迈克尔·曼提出技术性赋权应满足三个方面的要求，分别是有助于创制刑事司法权利，有助于发展刑事司法权利，有助于保障刑事司法权利。［29］

首先，应当保障公民对于信息收集的知悉权。知悉权是指信息主体所享有的知悉自己个人信息被处理的一切相关情况的权利，其权利行使范围包括信息处理者的姓名或者名称、处理依据、处理目的、处理方式、处理持续期间以及是否向他人或境外传输等。目前我国信息主体的知情权保护基本处于空白状态，《刑事诉讼法》中规定的技术侦查措施实施后也未规定告知犯罪嫌疑人的相关程序，被秘密监控的对象基本上无从知悉信息被监控、使用的事实，信息主体地位名存实亡。［30］而预测性警务中分析的主体绝大部分为毫无犯罪嫌疑的普通公民，即使是具有犯罪嫌疑的被追诉人，在无罪推定原则的法制背景下也应有权知悉其个人信息被公权力机关收集的情况及用途。因此应当增加信息主体对于信息被收集、分析的知悉权保护条款，要求执法机关、司法机关承担信息监控后的告知义务。当然根据国际惯例，这种告知义务可以根据侦查进程的需要，在例外情形下推迟告知的时间。

其次，在保障公民知悉权的基础上，应当赋予公民对个人信息的查阅与更正权。查阅与更正权是指信息主体享有向个人信息处理者要求查询阅览其个人信息，并在发现公权力机关所处理的个人信息存在错误时，请求信息处理者及时更改并加以修正的权利。公民作为信息主体，当然有权利对公权力机关所收集信息进行查询并确认，如果信息有错误，信息所有权人有权要求信息处理机关进行修改与更正。当然，信息主体应当提供达到优势证明标准的证据来证实信息处理机关所处理的信息确有错误。

最后，应当赋予公民对于个人信息的自决权与删除权。自决权是指信息主体拥有对于个人信息的支配并排斥他人非法干涉的权利。信息主体有权控制其个人信息是否被收集使用、何时以及通过何种方式被处理和使用。而删除权则和信息自决权紧密相关，主要是指在公民个人信息被非法使用或违背公民意愿使用时，公民有权收回其个人信息，要求公权力机关将自己的信息删除的权利。

（二）技术正当理论下的程序公开路径

近年来，通过法学界尤其是刑事法领域学者的呼吁，程序正义的理念在我国得到了广泛的传播，并在一系列改革中得到了充分的体现，比如证据制度的完善、辩护制度的发展等。［31］传统的程序正义核心要素被解释为“利害关系人充分地、有效地参与司法裁判过程”，并使得这一裁判程序符合中立性、对等性、合理性、及时性和终局性等基本程序要求。［32］但是，在预测性警务的适用语境下，人工智能算法主导、数据分析后系统自主决策的警务侦查模式不仅侵蚀了传统正当程序所推崇的提前获得告知、申请听证的权利，同时也危及了参与性、公开性等正当程序要素。［33］另外，传统的正当程序理论对预测性警务所带来的算法黑箱、数据歧视等新问题束手无策。在传统的正当程序理论无法因应科技新发展的背景下，技术正当理论应运而生。［34］

技术正当理论强调公开、透明这一核心要素［35］，其关键使命在于克服传统正当程序理论对人工智能背景下司法运作的解释力失灵问题。［36］技术正义理论并非否定传统的程序正义理论，而是对传统程序正义理论进行的大数据时代下的迭代升级，以化解传统程序正义理论在预测性警务、人工智能普遍适用下所面临的正义风险，发挥对于正义实现的促进价值。［37］通过数据公开、算法透明和建立问责机制，与传统正当程序理论相互支撑，共同实现人工智能背景下的公平正义目标。［38］

在传统程序正义理论中，同样强调程序的公开性，但主要是指审判公开，拒绝秘密裁判的原则。在预测性警务的语境下，程序正义不仅是指程序的公开，更多的是指作出预测结果的底层司法数据的公开以及运用底层数据产出预测结果的算法的公开。数据不公开存在数据偏见的风险，而算法黑箱更早已成为众矢之的，以商业秘密为由拒绝公开算法已难以成为正当借口。［39］

当然，在公开底部数据和运行算法的问题上，有学者持有不同意见，认为算法的难度较高，一般人无法理解，就算公开也不具有任何意义和价值。笔者认为这种观点是值得商榷的。预测性警务之所以具有强大的生命力就在于其比单纯依靠警务人员的经验作出的判断更具有准确性，如果不公开算法和底部数据，那就无法审查算法是否具有准确性，进而导致人们对于预测结果的不信任，使预测性警务丧失生存的土壤。至于技术性问题，也并非不能解决的“哥德巴赫猜想”，随着科技的不断进步，数据、算法早已不是玄妙莫测的高深理论，国外已有通过简易的、公开的计算机程序检测算法正当性的先例。［40］笔者认为，预测性警务若想得到长久的发展与应用，那么数据和算法的公开是必不可少的。充分的公开可以帮助外部研究人员对算法进行研判，更能够增进民众对预测性警务系统的了解与信任。［41］

（三）多元参与理念下监督救济路径

遏制人工智能技术风险的负面影响关键在于调整人类社会与警务数字技术之间的互动关系，实现数字技术与整个现代社会的共存、共融与共生。［42］而构建数据时代下预测性警务与社会的共生形态，就不能仅考虑政府和警方的诉求，必须使预测性警务从单纯关注便利警务活动目的的运行模式转变为吸纳多元主体参与的模式。

那么何为多元参与？如何确定多元参与的主体？笔者认为在预测性警务的语境下，多元参与理念包含以下几方面要义：1.所有可能受到预测结果影响（包括有利或者不利影响）的主体，均应当参与到预测性警务的运行过程中；2.预测结果所指向的潜在“犯罪人”应当有足够的机会和便利进行必要的防御准备及能够获取救济途径；3.与预测性警务系统相关的利害关系人应当有机会对不利于本方的证据进行质证和反驳，并对不利于本方的数据结果进行质询。基于这一思路和框架，笔者认为，可以从以下两个方面引入多元主体参与到预测性警务机制的运行过程，以期对预测性警务进行有效监督并对侵权行为进行有效救济。

一方面，有必要引入司法审查制度，对预测性警务运行状况进行监督。目前国内尚未对预测性警务进行侦查手段上的有效分类，在实践中一般将其纳入到技术侦查中进行规制。但是预测性警务并不完全等同于传统的技术侦查手段，传统的技术侦查手段是在犯罪事实发生后，根据已掌握的线索和证据开展侦查。而预测性警务则只是在对海量数据进行碰撞和分析后，对尚未发生犯罪的一种预判。根据预测所采取措施的风险，显然比传统的案件发生后采取行动的风险更大，因此也理应给予更为严格的程序控制。由诉讼构造理论可知，对侦查权进行监督最有效的方法就是控辩平等、控审分离、法官居中裁判的司法审查制度。在德日等传统的大陆法系国家，已经实现了对强制性侦查手段比如搜查、扣押等手段的司法审查制度。对于预测性警务这一技术侦查手段如果不以司法审查手段加以控制，那么，后果将是人工智能将完全替代侦查人员的判断，人工智能的分析结果就是侦查的结果。换言之，缺乏外部司法审查将导致侦查人员过分惰怠，只注重预测运算结果，而不再关注其他证据的收集与审查。其实，在对预测结果进行判定时“仅有数据分析结果尚不足以确认‘有犯罪事实’，仍需要有其他类型证据予以补强和印证”。［43］只有在司法机关的有效监督下，侦查部门才能借助外在的监督驱动力在数据分析结果之外收集其他方面的证据。

在司法审查的具体建构路径上，因为检察机关是我国的法律监督机关，可以考虑将预测性警务的司法审查职能交由检察机关行使。在信息化高度发达的当下，多地公检法部门早已实现了数据跨单位协同互通。①参见光明网：“深圳打造政法跨部门大数据办案 “南山模式”，https：//it.gmw.cn/2020-07/29/content_34040758.htm，最后访问日期：2022年3月3日；法制网：“青海推开政法跨部门大数据办案平台试点”，http：//www.legaldaily.com.cn/index/content/2021-04/14/content_8480583.htm，最后访问日期：2022年3月3日。对于预测性警务的司法监督可以借助已有的司法数据协同平台，由侦查机关将预测结果与其他证据情况在平台上推送，由司法机关在审查平台上进行同步监督，决定是否允许侦查机关依据预测结果采取进一步的行动。这样既保障了预测性侦查的效率性也保障了对预测性结果的有效监督。

除了将司法审查主体引入预测性警务之外，还应当把预测性警务运算结果相关的社会公众纳入预测性警务运行体制当中，以充分保障公民的参与权。在公民具有参与权的基础上，进一步保障公民对预测结果的抗辩权。将公民纳入预测性警务运行机制意味着预测性警务“必须与民众所生活的社会维度、政治维度以及个体维度相结合，同时让赋权实践与包容、参与以及社会正义相结合”。［44］

在建构公民参与的具体路径上，可以考虑建立独立于公权力运行的公益监督、民意代表机构，同时为预测性警务的预测结果设定强制定期报告机制等手段，强化公民的参与权、抗辩权。这些公益监督机构工作人员可以由律师、人大代表、政协委员等构成，以保障机构具备一定的监督权限。

另外，为保障预测性警务系统的有效运行，公民团体对于预测性警务的监督应当在侦查效能与公民基本权利保障之间寻求平衡。笔者认为，为保持这种平衡，公民监督应当以事后监督的方式进行。因为预测性警务主要运行于侦查工作的前端，而侦查初期保密性要求较高，公民团体、公益机构在事前进行监督可能会妨碍侦查工作的顺利进行。而在事后监督上，公民团体和公益机构可以发挥较大作用，它们既可以受理公民的权利救济申请，依自身权限进行一定范围的调查，也可以对侦查机关就预测性警务使用的整体状况进行定期审查，以保障预测性警务在实践中应用的正当性。

综上，刑事司法人工智能应用的经验表明，以人工智能为代表的预测性警务在司法领域的广泛应用已经是大势所趋。但科技融入司法可能引发的道德伦理、正义观念、法律适用风险已经凸显，并对既有法律制度和监管模式形成冲击。这些都是新时代法治建设需要面对的重大命题。［45］当然，如笔者的一贯观点，准确识别预测性警务所潜藏的权利风险、技术风险的目的在于享受技术应用带来福利的同时对其带来的风险进行有效规制。从而在现有的技术框架内，更好地落实技术以人为本的技术正义观，践行技术赋权和技术正当程序。在高效保护公共安全和保障公民个人权利之间找到恰当的平衡点，推动预测性警务在我国更加长远及平稳的发展。