本中心顧以謙研究員、吳瑜專案研究人員與謝沛怡專案研究人員撰寫「毒品施用緩起訴處分預測模型-自然語言與機器學習在檢察書類文本之應用」論文，經匿名雙審後，發表於《矯政期刊》第15第1期。摘要如下：

　　隨著人工智慧（ Artificial Intelligence, AI ）與大型語言模型（ Large Language Models, LLMs ）之進展，自然語言處理（Natural Language Processing, NLP ）技術已廣泛應用於語音識別、客服系統、教育諮詢與程式輔助等領域。然而，檢察書類文本因其專業性與結構不規則，過去少有研究成功導入自然語言模型進行自動判讀與分析。本研究以臺灣地方檢察署9,474 筆毒品施用案件之起訴書與緩起訴書為資料來源，結合自然語言模型與機器學習方法，從中自動擷取18 項書類特徵，並配合32 項區域變項，建立結構化資料集，進而訓練五種分類模型（決策樹、邏輯斯迴歸、貝氏分類器、支持向量機與隨機森林），預測檢察官是否作成緩起訴處分。

　　結果顯示，自動判讀模型之文本標註正確率超過80%；在後續預測階段，邏輯斯迴歸於交叉驗證與測試資料上皆展現穩健效能，其準確率達87%、AUC 値達0.936，顯示該模型兼具效度與解釋性，具備實務應用潛力。本研究另透過具可解釋性的決策樹模型進一步揭示檢察官決策邏輯。研究結果顯示，「是否累犯」為首要分類節點，預測力最強。於非累犯、未抗辯個案中，「犯後態度」為關鍵次層節點，態度不佳或不明者通常被預測為起訴，態度良好者則進一步由「完成戒癮次數」決定處分方向。此顯示檢察官對於毒品施用者之處分判斷，並非僅依賴靜態特徵，亦重視動態表現與行為修復意願。本研究提供以自然語言模型為基礎之結構化分析途徑，驗證其應用於檢察書類文本之可行性，未來可望作為建置AI 初步篩選機制之基礎。在改善檢察機關辦理毒品施用案件之效率上，本研究亦呼籲法務部應於地端建置封閉式AI 模型，輔助處理單純毒品施用案件之預篩流程，減輕檢察人力負擔，並推動數據導向之司法判斷透明化與效率化。

*該研究為法務部司法官學院112年自體研究「以再犯預防為導向之 AI 人工智慧毒品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」之部分研究成果。