网传带货主播薇娅将在3月复出 淘宝相关人士：不太可能

国民议会和参议院在投票权重中处于平等的地位。

(19) 费什自己也承认，任何解释，即便是当前看似被普遍接受的解释，从说服和修辞的强大影响力方面看，都只能算是暂时胜出，因为任何东西，即便是被普遍认为对某一陈述的含义明确提出的观点，都有可能成为有力做出的相反论证的对象。尽管费什坚持认为我们不可能将知识、真理和事实建立在那种无法获得的基础之上，但是他的意思并不是说，我们因此不可能获得知识，获知真理和事实。

在这样一种人类境况抑或困境中，我们找不到一个阿基米德点或恒定标准去批判或反思我们的信念，更不用说去改变我们对自身信念的态度了。(28) 基础主义承诺，人类能够获得客观知识，只要是建立在人类对其外部世界的准确感知和理解的基础上的即可，无论那一世界是物理世界还是形而上的世界。从这一意义上看，它所假定的区分、理解类型、对相关性或不相关性的规定，都是共同体成员的意识内容，他们因此不再是独立的个人，而是被镶嵌在该共同体的共同事业和共同属性之中。(13) 这一定义意味着，每一个体都被嵌入在特定的实践领域中，这是他包括解释在内的所有精神活动之源。一如他所言，当我使用像‘机构或‘共同体一词的时候，我指的不是某个由在审慎思考的那一刻选择运用某些慎思策略的独立个体组成的集合体，而是一套界定一项事业并成为该事业参与者意识填充物的实际做法。

二、斯坦利·费什解释理论的哲学基础分析 费什的(法律)解释理论，特别是他对解释共同体、解释中读者和文本之间关系以及解释中说服的修辞作用的具体看法，是从他的哲学观中生发出来并跟它是一致的。(3)理论在促进我们的日常实践方面具有特殊作用。此种对法律制度立法效果的大数据评估，已经在学术界得到一定的认可，例如在一项对精神损害赔偿发生机制的研究中，其研究者就意识到实证研究可以大幅度提高立法预测个体行动的精确性。

在大数据法学研究的成熟阶段，各研究者可能反复使用同一批大数据，并有一系列量化的模型衡量指标。语言表达方式虽然具有多样性，但也并非无穷无尽，常见的文字表达类型是可以由正则表达式囊括的。本文的见解与其相近，同时认为这套大数据的方法不只适用于计算法学，而是全面覆盖法学的各个二级学科。那么，今日法秩序的理想图景又从何获知？学术研究者、法律适用者面临探寻这一出处的难题。

此类对文本、图片的信息采集和分类工作，如果能够分拆为不需要大量专业训练且答案较明确的任务，那么通过互联网的方式，就可以实现低成本的大数据采集和处理。本文认为，大数据技术的接力作用，主要体现为：（1）降低了数据获取的难度，作为本文第一节中介绍过的那五种测量工具之外单独的一种数据获取途径，以网络爬虫、文本挖掘为代表的大数据技术，在获取数据上具有时间成本和经济成本更为低廉的优势。

例如，在一项针对累犯成因机制的研究中，通过给刑满释放的研究对象发放智能手机，大数据采集平台每天向研究对象发送问卷收集数据，并与定位数据、短信数据等数据源相结合，分析再犯罪的成因机制。首先，大数据技术有助于更好地收集来自社会各界的反馈。其次，进一步拓宽数据获取的思路，还可以把互联网视为形成数据的实验室和协作平台。以上诸点不足有望通过大数据技术得到改观。

我们可从以下几个渠道收集与自己研究有关的语料：一是国家及地方各公立机构的官方网站，比如图书馆、档案馆、财政局等行政事业单位。三是一些人气活跃的社区论坛，比如在司法公信力、媒体和司法之关系等研究议题中，我们关心的案件舆情就在论坛社区中有丰富的表达。本文主张狭义地将大数据技术定位为是对定量研究产生的变革，这并不妨碍与定性研究的彼此互鉴。司法大数据的引入，有望改变上述局面。

（五）前述流程的局限 大数据技术并非没有局限性，它是一把双刃剑。（四）留待提升的不足 在研究方法上，相关性分析方法之后难有新的突破。

大数据技术对于法律规范研究则是一次助力，其运用能使解释论更加从司法实践的真问题出发，立法论研究中的立法效果也能得到更准确地测量。当回答为什么出现数据间存在显著相关性这一问题时，特别离不开对一些典型个案作具体的剖析。

在分析工具上，研究者虽试图推陈出新，但总体变化不大。而在具体法律适用者（例如面临个案裁判需要的法官）那里，还可能有其他社会、经济甚至政治的因素要加以考量。统计学中最基本的线性回归、对数回归等模型，仍是当前最为成熟、较适合社会科学研究使用的方法。以构建回归模型做研究为例，中国法学界目前用过的回归算法种类屈指可数。对裁判文书的利用，比如文姬关于信用卡诈骗罪的研究当中有很多维度的信息挖掘，包括审级、行为人出生年等16个变量。上述主要讨论立法部门引入大数据技术展开立法评估，此外，大数据技术还应赋能学者的立法论研究，为研究提供检验成效、提示风险的能力。

不过其具有的缺陷是，如果编写者未能预见同一意思下全部的汉语表达方式，那么该正则表达式也将无法识别出全部包含该意思的文书。综上，笔者对待大数据技术的整体态度是，获取更大规模、更多类型的数据，对外部资源的依赖程度降低，是其最主要的贡献点，同时也要警惕研究过程中脱离个案细节、技术门槛提高、复杂模型的可解释性弱等风险。

目的解释在某些学者眼里是指探求法律在今日法秩序的标准意义。正则表达式可将我们关心的、希望提取的某一要素，通过计算机能理解的方式表达出来。

笔者将既有的相关研究分为如下四大类：第一类称作学科论，此类研究看待技术的视角最广，其目标是希望厘清法学+数字技术的最大学科边界。例如，他关于审判委员会的研究，统计了某地区的三级法院审判委员会委员的审判经验与学历背景，并将讨论的议题细化到宏观指导议题和个案议题，分别进行统计和分析。

最后，应清醒地认识到，某些大数据分析技术之所以难以引入到实证研究中，是因为大数据技术的发展动力来自商业市场的需求，其初衷不是为学术研究而开发的。一些简单且明显的错误，比如审判员人数提取为2人，能够及时返查并纠正，但人工清洗全部的脏数据是不可能的。当前的立法评估方式包括征集公众意见、问卷调查、实地走访等。大数据时代很注重对信息的标签化收集和处理，产业界将此称为打标签。

如何克服抽样的难题？换个角度试想一下，研究的样本如果就是公开的全体，那么抽样的重要性将被极大淡化，而基于公开的全体案例作分析，在大数据技术的赋能下是能够实现的。形成一个范式，是任何一个学科在发展中达到成熟的标志。

笔者认为法治评估的相关研究，主要不在于实现地区间法治状况的可比性（这的确是提出法治评估的原因之一），而是旨在强调各国治理结构的差别，总结不同国家间某问题的不同法治方案。倘若只是单纯采取个案式的访谈记录，则在方法论上一般将之归入定性研究的范畴。

这并非法律实证研究特定阶段的现象，例如对美国在政治学、社会学领域最权威的6本期刊于2001—2010年间发表的实证研究论文所采用的方法进行统计后发现，最小二乘法（OLS）和logit回归的方法之和占比最高，达到六成。（三）万级以下的样本量 实证研究的论文中约定俗成要报告样本量，而之所以特别指出研究所用的样本量大小，是由于样本量直接关系到根据小样本得出的结论能否推及至更大的范围，因此抽样是统计学中很重要的概念。

例如李学尧等人关于案卷材料阅读流畅度与裁判尺度之关系的研究，通过问卷字体大小、是否斜体、是否加重、行间距以及案件数量的变化来操纵阅读流畅度的变化。数据的获取任务至此完成，这也是大数据技术相较于传统实证研究在技术上的巨大变革之处，即数据的获取不再高度依赖于外部资源的多寡，只要研究者掌握了一定的编程能力，那么就可以从最大的数据资源库即互联网中获取自己想要的各类数据。其次应区别学科和学术，作为法学研究方法的大数据技术，只是学科论中的内容之一。下文对此类法律实证研究的回顾和梳理，主要是从研究的方法、测量的工具、样本量的大小等三个维度展开。

如果以阅读裁判文书并摘取的形式处理样本，那么一天工作8小时也只能阅读20—40份裁判文书，如此来算，处理千量级的裁判文书样本就得花费数月时间。模拟实验是一种对司法裁判过程的模拟再现，借此可发现一些影响裁判结果的变量。

就立法进行事前和事后的评估，这不只是立法机关的工作职责，同时也是借此反思立法论研究的良好契机。当我们确定研究的问题后，从理论上讲全体的范围就固定了。

具体可勾连几个看似不相关但实则联系密切的议题。除这些外，大数据分析技术还有其他可供选择的方法，比如通过词频的计算提炼文本的关键词、通过情感分析的技术反映某些文本的正负情感及强度、通过文本摘要的技术浓缩海量文本的内容，分析的结果可以用词云、动图等多样的可视化方法来呈现。