格格党

手机浏览器扫描二维码访问

第八章 适应纷繁复杂的信息社会的更新机制（第3页）

我们再来看一下多少存在一些证据的情况。假设陶罐的所有者是精通中国古董的人。由此，可以评估“明”的信任度为0.3。此外，陶罐看起来不太旧，可能不是古董。根据这一证据，可以评估“赝”的信任度为0.6。有一点希望大家特别注意，即使在这种情况下，Bel（明）与Bel（赝）之和也只有0.9，还是不足1。这就意味着缺乏足够的证据。

如果运用邓普斯特的上限概率和下限概率理论进行分析，结果就会变成下述情况。在遥控飞机坠毁的实例中，如果将区域1～30（陆地区域）作为事件“陆”的证据，则Bel（陆）等于0.3；如果将区域31～90（水面区域）作为事件“水”的证据，则Bel（水）等于0.6。此外，区域91～100（不能说一定是陆地，也不能说一定是水面），可以解释为证据不足的部分，也就是0.1。

主犯究竟是谁？

下面，我们结合一个稍微复杂一些的例子，对谢弗的理论进行更加深入的说明。

假设有嫌犯a、嫌犯b、嫌犯c三个涉嫌同一案件的犯罪嫌疑人，他们需要接受法庭的审判裁决。上述三人都接受有罪的指控，但都不承认自己是主犯。因此，必须通过审判决定到底谁是主犯。法官将根据三位嫌犯以及证人的证词，最终审议判决谁是主犯。

现在假设你是一名法官，请根据谢弗的方法，模拟自己是如何形成主观判断的。

首先，你要根据证人的证词，依次对嫌犯a、嫌犯b和嫌犯c为主犯的证据的信任度进行预测。

①嫌犯a为主犯的证据→0.2；

②嫌犯b为主犯的证据→0.1；

③嫌犯c为主犯的证据→0.1。

这些分别是关于每个“个人”的证据。但是，根据证人的证词不同，有些证据暗示“主犯是嫌犯a或嫌犯b”。这与单独证明嫌犯a为主犯或者嫌犯b为主犯的证据是完全不同的。你可以按照下述方式，预测这种证据的信任度。

④嫌犯a或嫌犯b中的一方为主犯的证据→0.2；

⑤嫌犯b或嫌犯c中的一方为主犯的证据→0.2；

⑥嫌犯a或嫌犯c中的一方为主犯的证据→0.1。

如果将①至⑥中的数据相加，所得之和为0.9，仍不到1。由于这是缺乏证据的部分，因此可以认为⑦嫌犯a或嫌犯b或嫌犯c为主犯的证据→0.1。

在这种情况下，对你而言，根据①进行推理，“嫌犯a为主犯”的信任度Bel（a）自然就是0.2。“嫌犯a或嫌犯b中的一方为主犯”的信任度Bel（a、b）就是①、②和④三个证据信任度数值相加之和，等于0.5。

由此可见，在嫌犯a单独为主犯的基础上，增加嫌犯b为主犯的可能性后，信任度由0.2增加至0.5。虽说如此，嫌犯b为主犯的信任度却不是两者之差的0.3。根据②，“嫌犯b为主犯”的信任度Bel（b）为0.1。

这与使用概率进行推理存在本质的区别。在依赖证据进行推理的谢弗理论中，存在许多不明确单独针对嫌犯a或嫌犯b，却又针对两者中某一方的证据。

如上所述，谢弗的信任度函数是在证据叠加的基础上计算出来的。因此，其判断标准与数学概率是不同的。

此外，在前文中曾经介绍过逻辑概率的概念，那是指根据证据赋予裁决概率或然性的思维方式。我们可以认为在这一点上，其与信任度函数之间是非常接近的。

D-S证据理论的更新

正如上文所述，无论是邓普斯特提出的一对多的上限概率和下限概率，还是谢弗提出的信任度函数，都不同于普通的概率理论。因此，其更新的机制自然也不相同。

上限概率、下限概率和信任度函数的更新，又被称为“D-S证据理论的更新”。下面，我们将结合上文中提到的法院裁决的实例进行分析说明。

现在，假设在审判过程中发现了新的证据，从客观上证明嫌犯c不可能是主犯。在这种情况下，应该如何更新“嫌犯a为主犯”这一判断的或然性呢？

在这种情况下，应该先删除③“嫌犯c为主犯”的证据。但是，应该将⑤“嫌犯b或嫌犯c中的一方为主犯”的证据纳入考虑范围。这是因为这一证据对证明无法完全排除嫌疑的“嫌犯b为主犯”具有强化支撑作用。因此，在目前将焦点对准嫌犯a和嫌犯b的情况下，应该试着按照“仅对嫌犯a一方不利的证据”“仅对嫌犯b一方不利的证据”以及“对两方都不利的证据”进行分类。

仅对嫌犯a一方不利的证据包括：

①嫌犯a为主犯的证据→0.2；

⑥嫌犯a或嫌犯c中的一方为主犯的证据→0.1。

①+⑥=0.3。

仅对嫌犯b一方不利的证据包括：

②嫌犯b为主犯的证据→0.1；

⑤嫌犯b或嫌犯c中的一方为主犯的证据→0.2。