跳转至

Vol.061 如何科学的离婚

过去三十年,感情崩塌的中国人越来越多,结婚数量从最高峰的 1347 万对下降到了 1059 万对,而离婚数量却从 58 万对上升到了 437 万对。

img

离婚有什么注意事项?如何科学地分房子分财产分小孩?

协议离婚是中国最常见的离婚方式,2017 年,370 万对夫妻就在民政局登记离婚,接近离婚总数量的 85%。

img

协议离婚的关键是这份交给民政局备案,需要双方明确子女抚养、财产和债务问题的离婚协议。

img

之后,带着身份证户口本去民政局交 9 块钱工本费就能当场领取离婚证,在北京甚至能免费离婚。

img

如果不能好聚好散,就只能打官司了。

但诉讼离婚的成功率并不高,2017年,一审审结的离婚案件有 140 多万件,但只有 48 万件的判决结果为双方离婚,成功率不到 35%。

img

这是因为大多数离婚诉讼的原因是感情破裂,这种情况下,法院的处理方式基本是调解。

img

根据婚姻法第三十二条, 法院审理离婚案件,应当进行调解,通过法官耐心的说服工作来化解矛盾,使双方和好。

img

如果实在调解不了,出现这五种情况才有可能准予离婚,但即使符合条件,也不一定能成功。

比如这份海南省第一中院的判决书中,即使原告的老公吸毒、偷钱、打架,两人分居 5 年,但一审二审法官都认为问题不大:

img

“由于生活态度存在差异,双方常因生活琐事及经济问题等产生矛盾,并不足以导致夫妻感情破裂”。

img

除了 77.5% 因为感情破裂的离婚 ,还有 14.86% 的离婚案件是因为家庭暴力。

img

但法院对家庭暴力的认定也相当苛刻。

在这几份判决书中,即使被打到脑震荡,耳膜穿孔,被老婆叫来 10 个人暴打,法院仍然认为是“共同生活中夫妻矛盾激化时偶发性的打斗“,不定性为家庭暴力,也没有赔偿。

img

在 2016 年北京第三中级人民法院公布的数据中,213 起主张家庭暴力的案件里,只有 10% 被法院认定,其中 73 起申请赔偿的家暴案,也只有 23% 获得了赔偿。

img

如果家庭暴力不被认定,又实在被打的太惨,可以试试主张虐待罪、故意伤害罪和暴力干涉婚姻自由罪。

img

在离婚诉讼中,子女抚养和财产分割是最关键的问题。这取决于双方提交的各种证据、有无过错、经济情况、财产协议,对于被子床单衣架也要分清楚的夫妻,这确实让人头大。

img

花一万块钱找个律师或许可以为你争取更多补偿,但更轻松的方案是让 AI 解决你的离婚问题。

img

我们找到了一家 AI 创业公司——实在智能,他们开发的小程序「包小黑」能根据你描述的离婚诉求输出一份包含胜诉概率,关键法条、同类判例在内的评估报告。

img

想要 AI 解决离婚纠纷,先得让 AI 理解法律,要理解法律,就要先看懂文字。所以,我们要解决的第一个问题是词嵌入(WordEmbedding),把词语变成数学向量。

img

一个常见的模型是 CBOW(Continuous Bag-of-Words),它的结构大概长这样。

img

CBOW 模型的训练方式,就是不断练习用上下文预测中间的词,进而得到更准确的模型参数和更准确的词向量。

以婚姻法第三十二条中的这句话(因感情不和分居满二年)为例,「感情」「不和」「分居」都可以表示为一个在三维空间中的 one-hot 向量, [1,0,0],[0,1,0,],[0,0,1,]。

img

假设算法要预测的词是「不和」。那么我们要输入模型的,就是「不和」的前后两个词「感情」和「分居」的 one-hot 向量。

img

但 one-hot 向量的问题分布过于稀疏,无法分析词语间的联系,所以可以通过一个 3×2 矩阵W,把他们投影到一个二维坐标系,「感情」和「分居」的位置就在这里。

img

把这两个向量取平均值,就是模型计算出的「不和」词向量。

把它与另一个2×3的矩阵相乘,再通过 softmax 函数转换成概率分布形式,就能判断此时模型的准确度。

img

这时的结果越接近「不和」的 one-hot 向量 [0,1,0,],模型就越成功,机器也因此需要不断调整矩阵参数,来确保结果的准确度。

img

当 CBOW 模型能相对准确的预测出每一个词时,我们就可以得到这些词投影到低维空间的向量,并通过距离公式判断出每个词之间的相似度。进而让机器理解语言。

img

需要注意,我们刚刚的举的例子是一个极度简化过的情况,真实的学习模型中, one-hot 向量通常有几十万维,通过矩阵投影后的维度也通常有几百维。

img

今天,更常见的是 BERT 模型(Bidirectional Encoder Representation from Transformers),直接对句子编码。但包小黑在用 bert 解决法律问题时,也只有 68%的准确率。

img

这时,就需要构建知识图谱,提升机器的逻辑和推理能力。

img

你可以把知识图谱理解为一个由实体和关系连接成的关系网。

在这张来自实在智能的法律知识图谱中,蓝色的节点是法条,红色是特征,绿色是陈述,黄色是推断,紫色是结果,节点之间的连接通过大量判决文书构建。

img

比如这个紫色节点是结果——「认定财产分割协议不生效」,引用的法条是这个绿色节点——《婚姻法解释(三)》的第十四条,推断的原因是这个黄色节点——「一方在起诉中反悔」。

img

之后,用词嵌入把节点变成向量,再用图嵌入方案,把这几千个节点向量变成一个向量,我们就可以得到一个判决书在空间中的向量坐标了。

img

最后,再输入 60 万份真实的离婚判决书,用深度学习算法完成训练,就能得到不同情况下不同判决结果的概率。此时的准确率已经能达到 79%。使用更适合的网络结构和真实的数据不断迭代还可以获得更高的准确率。

img

现在,你可以在「包小黑」说出你的离婚诉求,找到科学的离婚方案了。

img

该文件编辑日志

  • Mar 29, 2020. By parozhao
    创建文件 & Markdown 格式化