請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/684完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 黃詩淳(Sieh-Chuen Huang) | |
| dc.contributor.author | Ching-Wen Chiang | en |
| dc.contributor.author | 姜晴文 | zh_TW |
| dc.date.accessioned | 2021-05-11T04:57:56Z | - |
| dc.date.available | 2019-12-02 | |
| dc.date.available | 2021-05-11T04:57:56Z | - |
| dc.date.copyright | 2019-12-02 | |
| dc.date.issued | 2019 | |
| dc.date.submitted | 2019-11-21 | |
| dc.identifier.citation | 壹、中文文獻（依姓氏／首字筆劃排序）
一、專書 1. Andrew Hodges（著），林鶯（2017），《艾倫．圖靈傳（下）：特立獨行的電腦之父》，臺北市：時報文化。 2. Richard P. Feynman, Robert B. Leighton, Matthew Sands（著），田靜如、高涌泉、師明睿（譯）（2011），《費曼物理學講義（Ⅰ）力學輻射與熱（4）光學與輻射》，臺北：天下遠見。 3. 王泰升（2017），《台灣法律史概論》，五版，臺北：元照。 4. 王進德、蕭大全（2003），《類神經網路與模糊控制理論入門》，二版，臺北：全華。 5. 王濟川、郭志剛（2004），《Logistic 迴歸模型：方法與應用》，二版，臺北：五南。 6. 吳從周、許茹嬡、林佳妙、鄭珮玟、蔣政寬（2017），《違約金酌減之裁判分析》，增訂三版，臺北：元照。 7. 李仁鐘、李秋緣（1991），《R語言資料分析：從機器學習、資料探勘、文字探勘到巨量資料分析》，二版，新北市：博碩。 8. 林秀雄（2013），《親屬法講義》，三版，臺北：元照。 9. 高鳳仙（2018），《親屬法理論與實務》，十八版，臺北：五南。 10. 陳省身、陳維桓（2001），《微分幾何講義》，二版，北京：北京大學。 11. 陳棋炎、黃宗樂、郭振恭（2018），《民法親屬新論》，修訂十四版，臺北：三民。 12. 焦李成（1991），《神經網路系統理論》，臺北：儒林。 13. 楊志良（1996），《生物統計學新論》，二版，臺北：巨流。 14. 葉怡成（1995），《類神經網路模式應用與實作》，四版，臺北：儒林。 15. 戴炎輝、戴東雄、戴瑀如（2014），《親屬法》，臺北：自刊。 二、期刊論文與書之篇章 1. 王泰升（2018），〈再訪臺灣的調解制度：對傳統的現代化轉譯〉，《臺灣史研究》，25卷1期，頁101-136。 2. 吳秀敏（2003），〈離婚家庭的親職教育〉，《諮商與輔導》，211期，頁14-18 3. 吳明軒（2016），〈關於夫妻兩願離婚後未成年子女之監護〉，收於：徐慧怡（等著），《離婚專題研究》，頁273-280，臺北：元照。 4. 吳從周、徐慧怡（2010），〈親屬法與人事訴訟程序結合教學專題研究：第四講．親權之行使、假處分與子女交付〉，《月旦法學教室》，87期，頁43-56。 5. 李立如（2010），〈論離婚後父母對未成年子女權利義務之行使負擔：美國法上子女最佳利益原則的發展與努力方向〉，《歐美研究》，40卷3期，頁779-828。 8. 李立如（2012），〈親屬法變革與法院功能之轉型〉，《台大法學論叢》，41卷4期，頁1639-1684。 7. 邱文聰（2018），〈初探人工智慧中的個資保護發展趨勢與潛在的反歧視難題〉，收於：劉靜怡（編），《人工智慧相關法律議題芻議》，頁149-175，臺北：元照。 8. 施慧玲、紀冠伶（2018），〈離婚訴訟「先搶先贏」的實務經驗敘事分析－－兼論幼年子女最佳利益的司法裁量基準〉，《法令月刊》，69卷8期，頁75-102。 9. 馬憶南（2009），〈父母與未成年子女的法律關係一從父母權利本位到子女權利本位〉，《月旦民商法雜誌》，25期，頁51-64。 10. 郭書琴（2007），〈逃家的妻子，缺席的被告？－－外籍配偶與身分法之法律文化初探〉，《中正大學法學集刊》，20期，頁1-40。 11. 黃詩淳、邵軒磊（2017），〈運用機器學習預測法院裁判：法資訊學之實踐〉，《月旦法學雜誌》，270期，頁86-96。 12. 黃詩淳、邵軒磊（2018），〈酌定子女親權之重要因素：以決策樹方法分析相關裁判〉，《國立臺灣大學法學論叢》，47卷1期，頁299-344。 13. 黃詩淳、邵軒磊（2019），〈人工智慧與法律資料分析之方法與應用：以單獨親權酌定裁判的預測模型為例〉，《國立臺灣大學法學論叢》，48卷4期，頁1-54（即將出版：2019年12月）。 14. 雷文玫（1999），〈以「子女最佳利益」之名:離婚後父母對未成年子女權利義務行使與負擔之研究〉，《台大法學論叢》，28卷3期，頁246-305。 15. 劉宏恩（1997），〈夫妻離婚後「子女最佳利益」之酌定〉，《軍法專刊》，43卷12期，頁24-55。 16. 劉宏恩（2011），〈「子女最佳利益原則」在台灣法院離婚後子女監護案件中之實踐－－法律與社會研究（Law and Society Research）之觀點〉，《軍法專刊》，57卷1期，頁84-106。 17. 劉宏恩（2014），〈離婚後子女監護案件「子女最佳利益原則」的再檢視－－試評析2013年12月修正之民法1055條之1規定〉，《月旦法學雜誌》，234期，頁193-207。 18. 劉靜怡（2018），〈人工智慧潛在倫理與法律議題鳥瞰與初步分析〉，收於：劉靜怡（編），《人工智慧相關法律議題芻議》，頁1-45，臺北：元照。 19. 蔡炎龍（2018），〈函數、神經網路與深度學習〉，《科學月刊》，49卷4期，頁260-263 20. 鄧學仁（2016），〈離婚後子女親權酌定之問題與對策〉，徐慧怡（等著），《離婚專題研究》，頁227-244，臺北：元照。 21. 鄭麗燕（2009），〈離婚案件監護權（親權）調查相關法律案例解析〉，《社區發展季刊》，128期，頁99-105。 21. 顏厥安（2018），〈人之苦難，機器恩典必看顧安慰〉，收於：劉靜怡（編），《人工智慧相關法律議題芻議》，頁47-85，臺北：元照。 三、網頁文章或影片 1. Facebook business（無日期）。取得 Facebook 廣告的相關說明。2019年10月28日，取自：https://zh-tw.facebook.com/business/help。 2. Google Ads（無日期）。讓目標客群在搜尋的關鍵時刻看見您。2019年10月28日，取自：https://ads.google.com/intl/zh-TW_tw/start/how-it-works/ search-ads/?subid=tw-zh-ha-g-aw-c-bkmv_1!o2~EAIaIQobChMIx5autd6t4QIVyaqWCh1qqAQjEAAYASAAEgK1x_D_BwE~56389459373~kwd-330875398695~1457855681~281871475910。 3. Google搜尋（無日期）。搜尋演算法的運作方式。2019年10月28日，取自：https://www.google.com/intl/zh-TW/search/howsearchworks/algorithms/。 4. 台灣證券交易所（無日期）。盤中全面逐筆交易專區。2019年10月28日，取自：https://www.twse.com.tw/zh/page/trading/information13.html#01。 5. 石明豐（2013，10月17日）。台大探索講座第九期：沒人懂的量子力學－－玻色子－－「看不出來不一樣」真的不一樣。臺大科學教育發展中心CASE。2019年10月28日，取自：https://www.youtube.com/watch?v=MfgizxbxQec&index=6 &list=PLvWQohjH8rwgWa1QF0Duq99sKCecQ2s0Q&t=0s。 6. 何通（2015，6月28日）。COS访谈第18期：陈天奇。統計之都。2019年10月28日，取自：https://cosx.org/2015/06/interview-of-tianqi/。 7. 寫點科普，請給指教（2017，10月27日）。早在三十年前，深度學習早就紅過了－－淺談類神經網路曾經的瓶頸與衰頹。2019年10月28日，取自：https://kopu.chat/2017/10/27/nn-bottleneck/。 8. 寫點科普，請給指教（2017，11月3日）。耗時三十年，深度學習之父Hinton是怎麼讓一度衰頹的類神經網路重迎曙光的呢？。2019年10月28日，取自：https://kopu.chat/2017/11/03/dl-hinton/。 9. 蘇玲媛（2006，11月15日）。父母離婚對孩子的影響之探討。網路社會學通訊期刊，58。2019年10月28日，取自：http://www.nhu.edu.tw/~society/e-j/58/58-28.htm。 四、碩士論文 1. 李立如（1994），《兒童保護行政之研究一實現兒童最佳利益》，台灣大學法律學研究所碩士論文。 2. 胡珮琪（2017），《我國成年監護制度之實證研究》，國立臺灣大學法律學院法律學科技整合法律學研究所碩士論文。 3. 劉宏恩（1996），《心理學取向之法律研究：以住宅搜索、子女監護及婚姻暴力問題為例》，國立臺灣大學法律學研究所碩士論文。 4. 鄭諺霓（2015），《離婚後未成年子女親權酌定之實證研究》，國立臺灣大學法律學院法律學研究所碩士論文。 五、其他 （一）網站 1. 新住民培力發展資訊網。https://ifi.immigration.gov.tw/mp.asp?mp=ifi_zh（最後瀏覽日：2019年10月28日）。 2. 司法院法學資料檢索系統。https://law.judicial.gov.tw/FJUD/Default_AD.aspx（最後瀏覽日：2019年10月28日） （二）政府出版品 1. 司法院（無日期）。社工訪視（調查）報告之統一參考指標及格式。台北市：司法院。2019年10月28日，取自：https://www.judicial.gov.tw/work/work08-1.asp。 貳、英文文獻（由A至Z排列） 一、專書 1. Ashley, K. D. (2017). Artificial intelligence and legal analytics: New tools for law practice in the digital age. Cambridge, United Kindom: Cambridge University Press. 2. Efron B., & Tibshirani R. J. (1993). An introduction to the bootstrap. Washington, D.C.: Chapman & Hall/CRC. 3. McCorduck, P. (2004). Machines who thinks: A personal inquiry into the history and prospects of artificial intelligence. Natick, MA: A K Peters, Ltd. 4. Mitchell, T. M. (1997). Machine learning . Boston, MA: McGraw-Hill. 5. Ross, M., & Pawlina, W. (2011). Histology: A text and atalas. Philadelphia, PA: Lippincott Williams & Wilkins. 6. Shannon, C. E., & Weaver, W. (1964). The mathematical theory of communication. Urbana, Illinois: The University of Illinois Press. 7. Siddiqi, N. (2006). Credit risk score cards: Developing and implementing intelligent credit scoring. Hoboken, New Jersey: John Wiley & Sons, Inc. 二、期刊論文（含研討會論文）與書之篇章 1. Abdi, H., & Williams, L. J. (2010). Principal component analysi, WIREs Comp Stat., 2(4), 433-459. 2. Aleven,V. (2003). Using background knowledge in case-based legal reasoning: a computational model and an intelligent learning environment. Artif. Intell. Law., 150(1-2), 184-237. 3. Ashley, K. D. (1991). Reasoning with cases and hypotheticals in HYPO, Int. J Man-Mach. Stud., 34(6), 753-796. 4. Ashley, K. D., & Brüninghaus, S. (2009). Automatically classifying case texts and predicting outcomes, Artif. Intell. Law, 17(2), 125-165. 5. Bench-Capon, T., & Sartor, G. (2003). A model of legal reasoning with cases incorporating theories and values. Artif. Intell, 150(1), 97-143. 6. Breiman, L. (2001). Random forests, Mach Learn, 45(1), 5-32. 7. Cireşan, D. C., Meier, U., Masci, J., Gambardella, L. M., & Schmidhuber, J. (2011, July). Flexible, high performance convolutional neural networks for image classification. In Proceedings of the 22nd international joint conference on Artificial intelligence -- Volume 2(IJCAI'11), Barcelona, Catalonia, Spain (1237-1242). San Francisco, CA, USA: AAAI press. 8. Chen, C. J. (2016). The chorus of formal equality: feminist custody law reform and fathers' rights advocacy in Taiwan, Can. J. Women & L, 28(1),116-151. 9. Chorley, A., & Bench-Capon, T. (2005). AGATHA: using heuristic search to automate the construction of case law theories, Artif. Intell. Law, 13(1), 9-51. 10. Efron, B. (1979). Bootstrap Methods: Another look at the Jackknife, Ann. Statist, 7(1), 1-26. 11. Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting, J. Comput. Syst. Sci. 55, 119-139. 12. Friedman, J. H. (2001). Greedy function approximatnion: a gradient boosting machine, Ann. Stat., 29(5), 1189-1232. 13. Goldberg, A. V., Kaplan, H., & Werneck, R. F. (2006). Reach for A*: Efficient point-to-point shortest path algorithms, ALENEX'06, 129-143. 14. Goldberg, Y. (2016). A primer on neural network models for natural language processing, J. Artif. Intell. Res, 57, 345-420. 15. Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks, Science, 313, 504-507. 16. Hinton, G. E. & Sejnowski, T. J. (1986). Learning and relearning in Boltzmann machines. In D. E. Rumelhart & J. L. McClelland (Eds.), Parallel distributed processing: Explorations in the microstructure of cognition. Vol. 1. Foundations (pp. 282-317) Cambridge, MA: The MIT PRESS. 17. Jacob, C. (1960). A coefficient of agreement for nominal scales, Educ. Psychol. Meas, 20(1), 37-46. 18. Kass, G. V. (1980). An exploratory technique for investigating large quantities of categorical data, Appl. Statist., 29(2), 119-127. 19. Kohavi, R. (1995, August). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Proceedings of the 14th international joint conference on Artificial intelligence -- Volume 2(IJCAI'95), Montreal, Quebec, Canada(1137-1143). San Francisco, CA, USA: Morgan Kaufmann Publishers Inc. 20. Lusted, L. B. (1971). Signal detectability and medical decision making, Science, 171(3977),1217-1219. 21. Mason, L., Baxter, J.; Bartlett, P. L., & Frean, M. (1999). Boosting algorithms as gradient descent. In Jordan, M. I., LeCun, Y., & Solla S. A. (Eds.), Advances in Neural Information Processing Systems: Proceedings of the First 12 Conferences (pp. 512-518) Cambridge, MA: The MIT PRESS. 22. Miranda, A. A., Le Borgne, Y. A., & Bontempi, G. (2008). New routes from minimal approximation error to principal components. Neural process lett, 27(3), 197-211. 23. Moore, D. H. (1987). Classification and regression trees, by Leo Breiman, Jerome H. Friedman, Richard A. Olshen, & Charles J. Stone. Cole Publishing, Monterey, 1984., Cytometry 8, 534-535. 24. Nunn, A. J., & Gregg, I. (1989). New regression equations for predicting peak expiratory flow in adults, BMJ. 298, 1068-1070. 25. Pascanu, R., Mikolov, T., & Bengio, Y. (2013, June). On the difficulty of training recurrent neural networks. In Proceedings of the 30th International Conference on Machine Learning – Volume 28(ICML 2013), Atlanta, Georgia, USA(1310-1318). Brookline, MA, USA: Microtome Publishing. 26. Pearson, K. (1901). On lines and planes of closest fit to systems of points in space, Philos. Mag., 2(11), 559-572. 27. Quinlan, J. R. (1986). Induction of decision trees, Mach Learn, 1(1), 81-106. 28. Rojas, R. (1997). Konrad Zuse's legacy: the architecture of the Z1 and Z3, IEEE Ann. Hist. Comput. 19(2), 5-16. 29. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986)., Learning representations by back-propagating errors, NATURE 323, 533-536. 30. Salzberg, S. L. (1994). Book Review: C4.5: Programs for machine learning by J. Ross Quinlan. Morgan Kaufmann Publishers, Inc., 1993. Mach Learn, 16(3), 235-240. 31. Searle, J. R. (1980). Minds, brains, and programs, Behav. Brain Sci. 3(3),417-457. 32. Shannon, C. E. (1948). A mathematical theory of communication, Bell Syst. Tech. J, 27(3), 379-423. 33. Silver, D. S., Huang, A., Maddison, C., Guez, A., Sifre, L., van den Driessche, G.,…Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree Search, Nature, 529, 484-489. 34. Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A.,… Hassabis, D. (2017). Mastering the game of Go without human knowledge, Nature, 550, 354-359. 35. Turing, A. M. (1936). On computable numbers, with an application to the entschiedungsproblem, Proc. Lond. Math. Soc., 42(1), 230-265. 36. Turing, A. M. (1950). Computing machinery and intelligence, MIND, LIX(236), 433-460. 37. Zou, K.H., O'Malley, A.J., & Mauri, L. (2007). Receiver-operating characteristic analysis for evaluating diagnostic tests and predictive models. Circulation, 115(5), 654-7. 三、博士論文 1. Aleven, V. (1997). Teaching case-based argumentation through a model and examples (Ph.D. dissertion, University of Pittsburgh). Retrieved from https://pdfs.semanticscholar.org/8995/bf5e9d0a686e635d0099976c18cb47f05172.pdf 2. Ashley, K. D. (1990). Modeling legal arguments: Reasoning with cases and hypotheticals. (Ph.D. dissertion, University of Massachussets). Cambridge, MA: The MIT Press. 四、網頁文章或影片 1. Chen, T. (2014, October 22). Introduction to Boosted Trees, Retrieved October 28, 2019, from University of Washington Web site: https://homes.cs.washington.edu/ ~tqchen/pdf/BoostedTree.pdf. 2. Chen, T., & Guestrin, C. (2016, June 10). XGBoost: A scalable tree boosting system. Retrieved October 28, 2019, from arXiv Web site: https://arxiv.org/abs/1603.02754. 3. Eckel, R. (2015, February 10). Microsoft researchers' algorithm sets ImageNet Challenge milestone. Retrieved October 28, 2019, from Microsoft Research Blog Web site: https://www.microsoft.com/en-us/research/blog/microsoft-researchers- algorithm-sets-imagenet-challenge-milestone/. 4. He, T. (n.d.). xgb.importance: Show importance of features in a model. Retrieved October 28, 2019, from RDocumentation Web site: https://www.rdocumentation.org /packages/xgboost/versions/0.6.4.1/topics/xgb.importance. 5. He, T. (n.d.). xgb.plot.tree: Plot a boosted tree model. Retrieved October 28, 2019, from RDocumentation Web site: https://www.rdocumentation.org/packages/xgboost/ versions/0.82.1/topics/xgb.plot.tree. 6. Johnson, G. (1997, July 29). To test a powerful computer, play an ancient game. Retrieved October 28, 2019, from The New York Times Web site: https://www.nytimes.com/1997/07/29/science/to-test-a-powerful-computer-play-an-ancient-game.html. 7. Lardinois, F. (2017, June 1). Google says its machine learning tech now blocks 99.9% of Gmail spam and phishing messages. Retrieved October 28, 2019, from Techcrunch Web site: https://techcrunch.com/2017/05/31/google-says-its-machine- learning-tech-now-blocks-99-9-of-gmail-spam-and-phishing-messages/. 8. Lee, H. Y. (2016, May 21). Deep learning tutorial. Retrieved October 28, 2019, from SlideShare Web site: https://www.slideshare.net/tw_dsconf/ss-62245351. 9. Linn, A. (2015, December 10). Microsoft researchers win ImageNet computer vision challenge. Retrieved October 28, 2019, from Microsoft Web site: https://blogs.microsoft.com/ai/microsoft-researchers-win-imagenet-computer-vision-challenge/. 10. Linnan, A. S. (2013, March 27). 'Crazy Stone' computer go program defeats Ishida at Japanese UEC Cup. Retrieved October 28, 2019, from American Go Association Web site: https://www.usgo.org/news/2013/03/crazy-stone-computer-go-program- defeats-ishida-at-japanese-uec-cup/. 11. Moran, L. (2011, October 26). 'He was always inventing, inventing, inventing': Father of artificial intelligence dies. Retrived October 28, 2019, from MailOnline Web site: https://www.dailymail.co.uk/news/article-2053617/Professor-John- McCarthy-Father-artificial-intelligence-dies-aged-84.html. 12. Morse, R. (2008, May 16). The birth of the college rankings: how 'Best Colleges' became the top source for information on higher education. Retrived October 28, 2019, U.S. News Web site: from https://www.usnews.com/news/national/articles /2008/05/16/the-birth-of-college-rankings. 五、網站 1. Chessgames. (n.d.). Alan Turing vs Alick Glennie, Retrieved October 28, 2019, from http://www.chessgames.com/perl/chessgame?gid=1356927. 2. GraphPad. (n.d.). QuickCalcs. Retrieved October 28, 2019, from https://www. graphpad.com/quickcalcs/ttest1.cfm. 3. ImageNet (2015). ImageNet large scale visual recognition challenge 2015 (ILSVRC2015). Retrived October 28, 2019, from http://image-net.org/challenges/LSVRC/2015/results. 4. The R Project for Statistical Computing. (n.d.). Retrieved October 28, 2019, from https://www.r-project.org/. 5. VassarStats. (n.d.). Clinical Research Calculators. Retrieved October 28, 2019, from http://vassarstats.net/odds2x2.html. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/handle/123456789/684 | - |
| dc.description.abstract | 夫妻離婚後，法院如何將具有高度不確定性之「子女最佳利益原則」，貫徹於實際親權酌定個案中，往往是當事人激烈爭議的焦點。儘管有民法第1055條之1提供各項判斷方針，依然難以解決「子女最佳利益原則」判斷標準模糊不明之困難。本研究統計民國98年1月1日起至106年12月31日止全台地方法院有關親權酌定第一審的2,775件裁判，計未成年子女4,340人，計劃透過實證裁判的統計與量化分析，以歸納法試圖尋繹出親權酌定在實務案件的實踐原則。
本研究之取樣係以司法院法學資料檢索系統為範圍，而法院設定裁判不公開之作為並非隨機，此將影響研究取樣的隨機性，而成為本論文所有統計量化分析與立論的最大限制。再者，本研究事實的認定以裁判書為準，採法官的觀點，不作事實認定的工作，故而本論文預測模型的預設使用對象為法官、而非律師或當事人，並無取代律師、法官的可能。第三，本研究僅以研究者一人間隔一段時間重新編碼的方式改正失誤，防錯、偵錯、除錯的機制均不夠嚴謹。最後，目前裁判書的編碼工作尚未找到可以避免觀察者錯誤效應的標準流程，可能會因此導致預測模型準確率的高估。 本研究羅列了對數機率迴歸、決策樹、隨機森林、梯度型推進決策樹、類神經網路等5種預測工具。發現它們預測裁判結果的準確率差別有限，皆可達95.5%以上，整體而言本研究的資料型態較適合使用梯度型推進決策樹。若使用本研究建議的客製化流程，準確率可再提高，且預測的信度上升。為解決預測模型「解釋性受限」的問題，本研究提出在預測模型之外另行建構論理模型的主張，根據本研究的樣本完成樣式化論理模型－－以親子意願交叉比對、輔以親職能力、現住所等因素所建構的高維複合邏輯路徑模型。不管是整體樣本、或其他分眾樣本，其解釋覆蓋率介於96.93%-99.27%，已能成功擔當實證裁判研究的論理任務。 我們以前述5種客製化預測模型逐年滾動分析近五年的裁判資料，發現準確率維持在97.25%-99.86%之間，可見這5種預測模型都具有預測全新未知樣本的能力。雖然進一步科曼哈卡方檢定發現103年的資料因為無書狀母親的事件較多而與其他年份的資料在分布上有顯著的不同，唯不影響本研究預測模型與論理模型的表現。 本研究進一步分析與親權酌定相關的28種因素，發現當訴訟一方為外籍配偶、或有一造未到庭且無書狀聲明陳述意見時，其對造都有較高的比率取得未成年子女的親權。在地域的分布上，一造未到庭且無書狀聲明陳述意見的事件比較偏向非六都地區。 子女年齡與親權歸屬有關聯性，分別在0-2歲、及14-19歲的兩極出現親權歸母的高峰。本研究在論理模型的導引下，發現這是因為「幼兒從母」、「中兒唯父有意」及「大兒擇母」三股不同力量共同作用的結果，而後兩者都與外籍母親有關。至於其他因素，除子女的排行、父母教育程度與親權歸屬無關之外，主要照顧者等另18個因素的組間比較都達顯著差異。我們利用對數機率迴歸，檢定出權值較大的9個因素依序為：父母意願、子女意願、親職能力、父母品行、支持系統、主要照顧者、現住所、經濟能力、對子女有不當行為。 本研究發現，社工的利用率高（95.36%）且98.74%的親權建議與裁判結果相同。而程序監理人、家事調查官則利用率低，分別為1.32%、及1.48%。程序監理人97.62%的建議與裁判結果相同，家事調查官則是100%一致。 有關外籍配偶，本研究發現有著城鄉分布的差距：以台籍父母為基準，陸籍配偶的分布偏向六都地區，而越印等其他籍則偏向非六都。個別因素分析結果，不論陸籍或越印其他籍母親組，法官裁判標準其實是一致的－－都是以父母及子女的意願最具影響力。細部檢定發現，台籍、陸籍、越印等其他籍母親出庭有書狀的比率出現由高而低的變化，她們取得親權的比率也是如此趨勢。即便有書狀的外籍母親，其獲得親權的比率還是不如台籍。本研究藉由七維表格分析、樣式化論理模型的樣本流檢定等數據，進一步分析發現外籍母親在親子意願、及主要照顧者、現住所、支持系統都是有利父多於有利母，且達顯著差異，試圖說明為何外籍母親取得親權的比率會低於台籍母親。 | zh_TW |
| dc.description.abstract | Applying Artificial Intelligence on litigation prediction has developed for more than 40 years. A litigation predicting model can play a role of communicator, opening a window for us to look outside. The more accurate it is; the more people will embrace it.
Several models have been applied in the field of litigation prediction. Hu and Huang predicted the guardianship for the ward by regression; Huang and Shao operated models of decision tree and artificial neural network to analyze child custody in divorcing cases. The results of their studies show surprising accuracy. In addition, some ensemble learning machines, such as random forests and gradient boost, also lead to widespread attentions. However, the database in Huang and Shao's study was restricted to the parents with equal intention to fight for the custody only, just about one fourth of the whole child custody cases, whereas we need a comprehensive case bank, allowing us to rearrange data to find a better set for the the training of the predicting models. On the basis of the aforesaid database, we can also compare these predicting models to find a better one, and optimize their performance. Furthermore, there might be possibility to evolve a reasoning model from them, which can avoid the potential conflicts arising from the explaining limitation of the predicting models. We collected all the child custody cases from 2009 to 2017 and applied the predicting models as well as the statistical tests for analysis. We find when one of the parents is not a native, or when he or she did not appear in court, the counterpart would have a good chance to be awarded the custody. The families resided in the rural area tended to not appear in court. The ages of the children are correlated with the custody. If they are younger than 2, or older than 14, their mothers would have a tendency to be entitled the custody. By the aid of a templated reasoning model, called 'i-like', we find three phenomena responsible: 'the tender years doctrine', 'the predominance of the father's intention of fighting for the custody when the child is a tween', and 'the teenager's preference for mother'. The latter two have something to do with the characteristic foreign spouses in Taiwan. When it comes to the other related facors, all but the rankings of the child and the education of the parents are related to custody decision with statistical evidence. The rankings of the factors determined by logistic regression are: the parent's intention, the child's preference, the parent's proficiency, the parent's conduct, the supporting system, the major caregiver, the child's present residence, the parent's economic status, and the happening of undue behavior to the child. As for the foreign spouses, while comparing with the Taiwanese ones, the families having foreign spouses from mainland China were prone to reside in the urban area, whereas the families with ones from those other than mainland China tended to reside in the rural area. The possibility of being rewarded the custody for them both fell far behind the Taiwanese spouses. Possible reasons may be they had a tendency to not appear in court, and they had less competence in the factors of the major caregiver, the child's present residence, and the supporting system from the analysis of a 7-way table. Applying 'i-like' model on them, we could also deduce similar reasons closely relative to their nativity by its major factors. | en |
| dc.description.provenance | Made available in DSpace on 2021-05-11T04:57:56Z (GMT). No. of bitstreams: 1 ntu-108-R07a21035-1.pdf: 14290630 bytes, checksum: 0a529f3be334ec973991ea73ff7fb641 (MD5) Previous issue date: 2019 | en |
| dc.description.tableofcontents | 口試委員會審定書 i
誌謝 ii 中文摘要 iii 英文摘要 vi 表目錄 xvi 圖目錄 xviii 第一章 緒論 1 第一節 研究動機 1 第二節 國內相關文獻的回顧 3 第三節 研究目的 7 第四節 研究架構 8 第二章 裁判結果的預測模型與論理模型 11 第一節 總論 11 第一項 預測模型與論理模型 12 第二項 電腦學得會裁判案件嗎？ 13 第三項 不懂法律的機器如何論理？ 17 第一款 一致性 17 第二款 擬人化 18 第三款 平衡性 19 第二節 第一個自動化法律預測程式：誰離你最近？ 20 第三節 對數機率迴歸 21 第一項 對數機率迴歸的演算法 22 第二項 用機率來呈現對數機率迴歸的結果 26 第三項 利用對數機率迴歸為因素的重要性排序 30 第一款 用決策樹決定因素的重要性 31 第二款 用對數機率迴歸模型決定因素的重要性 31 第四項 對數機率迴歸係數的求值 31 第五項 對數機率迴歸的操作建議 32 第六項 對數機率迴歸的係數失真與決策樹的維度收闔 33 第一款 實例演練說明 34 第二款 原因的探討 38 第三款 因素的多元共線性（Multicolinearity） 40 第七項 利用主成份分析處理係數失真與維度收闔 42 第一款 操作流程 42 第二款 主成份分析的解釋性 46 第三款 利用主成份分析處理高度多元共線的樣本 47 第四節 決策樹、隨機森林與梯度型推進決策樹 48 第一項 監督式機器學習簡介 48 第二項 決策樹 49 第一款 決策樹的演算法 49 第二款 決策樹的解釋性與維度收闔 51 第三項 隨機森林 52 第一款 隨機森林的演算法 52 第二款 隨機森林的商榷 56 第四項 梯度型推進決策樹 56 第一款 梯度型推進模型的原理 56 第二款 梯度型推進決策樹的表現與解釋性 58 第五節 類神經網路 59 第一項 人類大腦的運作模式 61 第二項 模擬大腦運作的人造模型 63 第三項 反向傳播類神經網路 68 第四項 深度學習網路 72 第五項 解讀反向傳播類神經網路的黑盒子 74 第六項 反向傳播類神經網路的商榷 77 第一款 電腦硬體的需求高 77 第二款 對訓練樣本極度敏感 77 第六節 以案件論述為基礎的預測模型 79 第一項 以爭點為基礎的預測模型 79 第一款 IBP的演算法 80 第二款 IBP的實例演練 82 第三款 IBP的準確率評估 83 第二項 採用基本價值的預測模型 84 第七節 評價預測模型的方法 85 第一項 驗證模型的方法 85 第二項 驗證的指標 87 第三項 兩模型間的比較 88 第一款 κ一致性係數 88 第二款 ROC曲線與AUC面積 89 第三章 研究方法 91 第一節 取樣 91 第一項 取樣的方法 91 第二項 取樣關鍵字的商榷 91 第三項 只取第一審裁判的商榷 92 第四項 取樣的限制 94 第五項 取樣之後的人工手動調整 94 第二節 編碼 96 第三節 依法官認定的事實編碼 98 第一項 缺失值的處理 99 第二項 資料的除錯 99 第一款 人為的查核 99 第二款 利用電腦的模板查核 100 第四節 親權歸屬的定義 101 第五節 外籍配偶的定義 101 第六節 統計的方法 102 第一項 組間平均值的定量分析 102 第二項 定性分析 102 第三項 統計軟體 103 第七節 預測模型的優化 103 第一項 客製樹（Customized tree, Cus-tree） 104 第一款 優化的程序 104 第二款 客製樹模型的應用 107 第二項 客製對數機率迴歸及客製XGBoost 111 第一款 訓練組樣本數的調校 112 第二款 客製對數機率迴歸、客製XGB的操作程序與舉例 112 第三項 類神經網路預測模型的優化 113 第一款 獨熱類神經網路模型（one-hot ANN, oh-ANN） 113 第二款 類神經網路模型的隨機（附隨機森林） 116 第八節 樣式化論理模型（i-like） 118 第一項 i-like的演算法 118 第一款 四個基本價值的架構 118 第二款 四個基本價值的複合邏輯架構 119 第三款 i-like的解釋覆蓋率 121 第二項 以i-like來預測 123 第三項 關於i-like的商榷 125 第九節 演練以爭點為基礎的預測模型 125 第四章 研究結果 129 第一節 樣本資料的檢驗和預測 129 第一項 逐年滾動式的客製樹模型 129 第一款 106年資料分析 129 第二款 102-105年資料的滾動分析 130 第二項 其他預測模型的逐年滾動分析 132 第一款 客製對數機率迴歸與客製XGBoost 132 第二款 客製類神經網路與客製隨機森林 132 第三項 近五年的資料有無變化？ 132 第一款 三維表格的介紹 132 第二款 無書狀的母親 134 第三款 求助於i-like 134 第二節 因素各論 135 第一項 城鄉差距：無書狀聲明陳述意見者 136 第二項 年齡 139 第一款 從親權歸屬看年齡：無母數分析 139 第二款 年齡看親權歸屬：卡方檢定 140 第三款 利用i-like協助分析 142 第四款 父母子女意願交叉分析的立體九宮格 147 第五款 利用i-like的樣本流分析 149 第六款 外籍母親造成「中兒唯父有意」 150 第七款 不同的離婚原因造成「大兒擇母」 152 第三項 排行、子女數與子女性別 158 第一款 子女的排行 158 第二款 子女的人數 159 第三款 子女的性別 160 第四項 其他因素 160 第五項 眾因素重要性的排行 167 第六項 社工、程序監理人與家事調查官 169 第三節 外籍母親專論 170 第一項 城鄉差距與無書狀聲明陳述的比率 170 第二項 與親權歸屬相關的因素 173 第三項 親權歸屬 178 第四項 子女年齡 181 第五項 探討外籍母親的弱勢本質 186 第一款 從各因素的分布來探討 187 第二款 從多維表格來分析 188 第三款 從i-like來分析 192 第五章 研究結論與討論 194 第一節 研究結論 194 第一項 關於預測 194 第二項 關於因素 196 第三項 外籍母親 197 第二節 延伸討論 199 第一項 法律在家庭價值變遷中扮演的角色 199 第二項 實證裁判量化研究的主體 201 第三項 人工智慧的限制 202 參考文獻 208 附錄一：對數機率迴歸係數的概似估計 220 附錄二：主成份分析的本徵向量推導 223 附錄三：XGBoost的演算法 225 附錄四：賦予上標的反向傳播類神經網路的偏微分推導 230 | |
| dc.language.iso | zh-TW | |
| dc.subject | 論理模型 | zh_TW |
| dc.subject | 預測模型 | zh_TW |
| dc.subject | 外籍配偶 | zh_TW |
| dc.subject | 法律資料分析 | zh_TW |
| dc.subject | 親權酌定 | zh_TW |
| dc.subject | 幼兒從母原則 | zh_TW |
| dc.subject | Legal Analytics | en |
| dc.subject | Child Custody | en |
| dc.subject | Predicting Model | en |
| dc.subject | Reasoning Model | en |
| dc.subject | Tender Years Doctrine | en |
| dc.subject | Foreign Spouse | en |
| dc.title | 法律資料分析的優化與應用：以離婚後未成年子女親權酌定的裁判為素材 | zh_TW |
| dc.title | The Optimization and Application of Legal Analytics: A Study on Child Custody Cases | en |
| dc.date.schoolyear | 108-1 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 劉宏恩(Hung-En Liu),吳從周(Chung-Jau Wu) | |
| dc.subject.keyword | 法律資料分析,親權酌定,預測模型,論理模型,幼兒從母原則,外籍配偶, | zh_TW |
| dc.subject.keyword | Legal Analytics,Child Custody,Predicting Model,Reasoning Model,Tender Years Doctrine,Foreign Spouse, | en |
| dc.relation.page | 236 | |
| dc.identifier.doi | 10.6342/NTU201904293 | |
| dc.rights.note | 同意授權(全球公開) | |
| dc.date.accepted | 2019-11-21 | |
| dc.contributor.author-college | 法律學院 | zh_TW |
| dc.contributor.author-dept | 法律學研究所 | zh_TW |
| 顯示於系所單位： | 法律學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-108-1.pdf | 13.96 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。