114年自體研究案,顧以謙等,自體研究案-以再犯預防為導向之AI人工智慧毒品施用犯罪大數據應用分析計劃第三期
- 發布日期:
- 最後更新日期:115-10-14
- 資料點閱次數:54
本研究以臺灣司法毒品處遇之資料治理與再犯預防為核心,整合裁判書文本探勘、處遇追蹤統計與機器學習建模,旨在建立可重複、可擴充且可稽核之分析架構。研究方法上,首先建置判決書標記介面與人機協作流程,並以生成式模型結合全文檢索與多層次指示詞進行判決書欄位自動轉譯;其次,針對新世代反毒策略第二期緩起訴附命戒癮治療(DPCCAT)進行再施用與死亡風險之分層比較,採Kaplan–Meier 與 Cox 比例風險模型;再者,運用「多元處遇一致性評估」資料定義處遇成功(完成課程、無驗陽、無撤緩)並建立處遇失敗風險預測模型,最後結合可解釋分群與投資報酬(ROI)進行成本效益評估。結果顯示:判決書自動判讀於500 份驗證中欄位取得率與判讀成功率均為100%,本表準確率86%,分表 94%-100%,平均單表判讀時間 7.5 秒;DPCCAT 中完成治療對再施用具顯著保護效果,尤以安非他命族群最為明顯(Cox HR:1 年 0.248、2 年 0.235);五年累積死亡率為 5.09%,且完成治療之死亡風險相較未完成者降低 24.1%,鴉片劑類死亡風險約為興奮劑類之 2.03 倍;在處遇成功預測上,RFC 雖整體準確率較高(0.79)但失敗召回率偏低(0.44),GBC 可提升失敗召回率至 0.75(最佳權重 1.8),更契合高風險辨識需求;進一步的 GBC、決策樹與 ROI 分析顯示,投資報酬於高成功機率前段族群快速上升,並約於前20%覆蓋達高點,之後呈邊際報酬遞減。本研究結論指出,應以可稽核的文本結構化與風險分層與效益評估為基礎,作為司法毒品處遇之精準分流、減害監測與資源配置提供科學實證支持,以支持政府達成新世代反毒策略行動綱領第三期之目標。
關鍵字:緩起訴附命戒癮治療、多元處遇、社會復歸、成效評估、再犯風險、風險預測、人工智慧、自然語言處理、機器學習
- 本研究第一期成果,請參閱「以再犯預防為導向之AI人工智慧毒品施用犯罪大數據應用分析計畫-以自然語言分析檢察書類為核心」。
附件下載
- 以再犯預防為導向之AI人工智慧毒品施用犯罪大數據應用分析計劃第三期.pdf5933 KB 115-10-14 下載次數:31

