科研 Skill

裁判文书实证研究

caselaw-empirical-study

Guides empirical research on a sample of Chinese court judgments: sampling frame, coding scheme, inter-coder reliability, and descriptive statistics on rulings. Use for a quantitative case-law study.

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

裁判文书实证研究(Empirical Study of Judicial Decisions)

Purpose

legal-issue-research 回答"某个具体问题该怎么办"(面向单一当事人的检索与适用), legal-research/find-cite/cite-check 面向美国判例法的单案检索与引注核查。 三者都不是实证法学研究:当研究问题是"某类案件在司法实践中到底是怎么判的" "某个法律条款被援引时,法院通常怎样说理""同案不同判的比例有多高"时,需要的不是 找到一个或几个判例,而是在一批裁判文书上做可重复的抽样、编码与统计,再从数据 中得出有证据支撑的结论。本 skill 补的是这一块:从"检索法条/找一个判例"到 "用一批判决做实证研究"的方法论和工具链。

适用场景(任一即可触发):

  • "某类纠纷(如证据不足的盗窃罪、职业打假人索赔)在司法实践中的裁判倾向是什么"
  • "某条款(如《民法典》第584条可预见性规则)在裁判文书中是如何被适用/解释的"
  • "类案不同判的程度有多大""某地区/某时期的裁判尺度是否存在变化"
  • 需要为论文、调研报告或政策建议提供"N份样本中有M%支持/反对/调解结案"一类的数据

不适用: 只需要找一条现行有效法条或一两个指导性案例(用 legal-issue-research);只是想知道某个法律概念的含义(不是检索/实证任务)。

Prerequisites

  • Python 3,pandas(数据整理与统计);如需更复杂的文本处理,jieba(中文分词, 可选)。pip install pandas jieba。
  • 一个可获取的裁判文书来源(见下)。本 skill 不内置任何裁判文书数据库的爬虫或 付费接口——获取文书本身始终是用户自行解决或已有的数据,skill 只负责抽样、编码 表设计和统计分析方法。
  • 样本量的心理预期:实证法学研究通常需要几十到几百份文书才能支撑统计性结论; 10 份以内的"检索到的案例"只是定性举例,不要把这种小样本包装成"实证研究发现"。

数据来源(按可得性,而非权威性排序)

来源性质说明
中国裁判文书网(wenshu.court.gov.cn)官方、免费2021 年后公开文书数量大幅减少(最高法调整公开范围),近年案件的样本代表性需要在报告中明确说明这一限制,不能默认"网上搜不到=没判过这类案"
中国司法案例研究院 / 北大法宝(paper.pkulaw.com)学术/商业多为高校机构订阅,覆盖相对稳定,但非免费公开
威科先行(v.qianfan.cn)商业同 legal-research 插件 setup skill 里配置的 ZOTERO_*/付费账号体系无关,是另一套独立订阅
中国司法大数据研究院专题报告二手统计已经做过汇总的官方统计,可作为对照基准,但不能替代自己的一手编码
裁判文书 PDF/Word(用户已下载的本地样本)一手最常见情形:用户已经用其他工具(本插件的 legal-issue-research 或手动检索)攒了一批文书,本 skill 从这一步开始

本 skill 不判断、不承诺任何数据库的现时可得性或合法使用条款——用户需自行确认 其获取方式符合裁判文书网等平台的使用条款(禁止批量爬取是常见限制)。

工作流程

1. 明确研究问题与抽样框架(Sampling Frame)

在编码之前,先把研究问题写成一句可操作的话,并确定:

  • 总体(population):例如"2020–2024 年全国基层法院审理的、以职业打假人身份 主张三倍赔偿的买卖合同纠纷一审判决"。总体定义必须包含时间范围、审级、案由、 地域——缺一项,后面的抽样就无法复现。
  • 抽样方法:
    • 全部检索(total enumeration):总体较小(预估 <300 份)时,尽量应检尽检, 而不是抽样再外推。
    • 随机抽样:总体很大时,从检索结果中用 random.sample(设定并记录随机种子) 抽取有代表性的子集,而不是只看检索结果的前 N 条(检索引擎的默认排序本身 就是一种会引入偏差的"抽样")。
    • 检索关键词本身决定了总体边界:記录下实际使用的检索式(案由、关键词、 法院层级、时间),作为方法论附录的一部分,使他人可以复现检索范围。
  • 已知的覆盖偏差(selection bias),必须在报告中明示:裁判文书网等官方渠道 自 2021 年起公开比例显著下降,调解结案、未上网文书、以及可能涉及敏感内容被 依法不公开的案件都不在样本框架内——据此得出的"支持率"只是"已公开文书中的 支持率",不是"全部同类案件中的支持率",这两者在论文/报告里必须分开措辞。

2. 设计编码表(Coding Scheme)

编码表是实证研究的核心产出之一,必须在读文书之前草拟(允许在试编码阶段微调), 否则容易"看到什么就编什么",丧失可重复性。典型字段:

case_id            文书编号(唯一标识,便于溯源)
court_level        法院层级(基层/中院/高院/最高法)
region             审理地(省/市,用于地区差异分析)
judgment_date       裁判日期
cause_of_action     案由(按法院案由规定的标准名称,不要自造)
claim_amount        诉讼请求金额(如适用,统一币种/单位)
legal_basis         援引的主要法条(标准化为"《法名》第N条",与
                     `legal-issue-research` 的条文规范化做法一致)
outcome             裁判结果(支持/部分支持/驳回/调解/撤诉……按研究问题预先穷举
                     互斥类目,"其他"类目的占比超过 10% 时要回头检查分类是否够细)
reasoning_type      说理方式(如:仅援引法条无说理 / 简要说理 / 展开论证),
                     用于回答"法院通常怎样说理"这类问题
coder               编码人(多人编码时必填,用于下一步的一致性检验)
notes               自由文本备注(存疑、边界案例)

编码表应落地为一份 CSV/Excel 模板或 schemes.json 式的 JSON 定义,供多人协作时 保持一致(可参照本插件 food-proposal-同类 Codar 插件里 schemes.json 的做法: 把"允许哪些取值"写成机器可读的枚举,而不是散落在自然语言说明里)。

3. 编码与一致性检验(Inter-coder Reliability)

  • 单人编码:至少对 10%(或 ≥20 份,取较大值)的样本做"事后复核"——隔一段 时间后重新编码同一批文书,比较两次结果是否一致,作为编码稳定性的简单检验。
  • 多人编码(推荐,尤其是 outcome/reasoning_type 这类主观性较强的字段): 至少两人独立编码同一份 10–20% 的重叠子样本,计算一致率或 Cohen's kappa:
from sklearn.metrics import cohen_kappa_score
kappa = cohen_kappa_score(coder1_labels, coder2_labels)
# kappa < 0.4:编码表定义需要重写,不要在低一致性下继续编码全样本
# kappa 0.4–0.6:可接受但应在报告中坦陈,并复核分歧案例
# kappa > 0.6:良好

一致性过低时的正确做法是回头修订编码表定义(通常是某个类目的边界不清), 而不是由一人"拍板"覆盖另一人的编码。

4. 描述性统计与裁判倾向分析

import pandas as pd

df = pd.read_csv("coded_cases.csv")

# 基本分布
outcome_dist = df["outcome"].value_counts(normalize=True).round(3)
by_region = df.groupby(["region", "outcome"]).size().unstack(fill_value=0)
by_court_level = df.groupby(["court_level", "outcome"]).size().unstack(fill_value=0)

# 时间趋势(例如:某条款适用口径是否逐年变化)
df["year"] = pd.to_datetime(df["judgment_date"]).dt.year
trend = df.groupby(["year", "outcome"]).size().unstack(fill_value=0)

# 卡方检验:地区/审级与结果是否存在统计显著的关联(样本量较小时改用 Fisher 精确检验)
from scipy.stats import chi2_contingency
chi2, p, dof, expected = chi2_contingency(by_region)

报告时区分描述性统计("样本中 62% 的案件支持了三倍赔偿请求")与推断性结论 ("这代表全国同类案件的普遍倾向")——后者只有在总体定义清晰、抽样方法无偏、 样本量足够时才能谨慎提出,并且要明确给出置信区间或至少说明这是粗略估计。

5. 产出:方法论说明 + 数据表 + 发现

完整的实证研究产出至少包含三部分,三者都要交付,不能只给"发现":

  1. 方法论附录:总体定义、检索式、抽样方法、样本量、编码表、一致性检验结果—— 使他人可以用同样的方法复现(即使复现结果因数据库变化而略有不同)。
  2. 编码数据表(CSV):逐案的编码结果,供读者/审稿人核查任意一条结论的来源。
  3. 发现:统计结果 + 对裁判倾向/说理模式的归纳,明确标注哪些是描述性发现、 哪些是作者的推断性解释,哪些发现只适用于样本覆盖的时间/地域范围。

Limitations

  • 不提供、不内置任何裁判文书数据库的批量获取工具——获取文书始终是用户自己的 责任,且必须遵守对应平台的使用条款(裁判文书网等通常禁止未经许可的批量爬取)。
  • 2021 年后中国裁判文书网公开文书数量明显减少是已知的、结构性的覆盖偏差, 本 skill 要求在方法论部分强制说明,但无法消除这一偏差本身——它来自文书公开 政策的变化,不是抽样技术能解决的问题。
  • 不做自然语言生成式的"自动编码"(用大模型直接给每份文书打标签而不设编码表、 不做一致性检验)——那是另一类更前沿但验证成本更高的方法,容易把模型的生成 偏差误当作研究发现;本 skill 坚持"先定编码表、人工或半自动编码、统计一致性" 的传统实证法学工作流。
  • 卡方/Fisher 检验等统计方法假设案例之间相互独立;同一当事人的系列案件、同一 法官的高频案由等情况可能违反独立性假设,需要在方法论部分说明并考虑聚类稳健 处理或剔除重复当事人的案件。

Quality Checks(交付前自查)

  • 总体定义(时间/审级/地域/案由)写清楚,检索式可复现。
  • 编码表在正式编码前已定稿,取值互斥穷举,"其他"类目占比不超过 10%。
  • 做过一致性检验(至少事后复核,多人编码时给出 kappa),结果写进方法论。
  • 描述性统计与推断性结论在措辞上明确区分,覆盖偏差(尤其 2021 年后文书 网公开数量下降)已在报告中说明。
  • 交付物包含方法论附录 + 编码数据表 + 发现三部分,而不是只给结论性文字。

示例提示词

帮我对这批买卖合同纠纷判决做抽样编码,统计裁判支持率和趋势。

所属插件

法学与知识产权面向法学研究与知识产权:中国法律检索、法学研究备忘录、引注查找与核验、案例准备,以及专利新颖性扫描与验证。

安装该插件会一并获得同领域的 13 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

裁判文书实证研究能做什么?

Guides empirical research on a sample of Chinese court judgments: sampling frame, coding scheme, inter-coder reliability, and descriptive statistics on rulings. Use for a quantitative case-law study。

如何安装裁判文书实证研究?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「裁判文书实证研究」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

裁判文书实证研究需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

裁判文书实证研究经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。