基于大语言模型的对抗性证词模拟：司法人因专家宣誓证词训练的概念验证

《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：Oppositional Simulation as a Method for Expert Witness Skill Acquisition

　　

摘要

为早期职业的司法人因专家准备宣誓证词通常需要资源密集的模拟审判和模拟取证。作为补充，作者提出了一种结构化模拟方法，使用商用大语言模型（LLM），帮助专家完善其在对抗性证词中的沟通技能。此模拟并非旨在磨练人因专业专长；相反，它可能有助于磨砺成功宣誓证词所依托的语言和情感机制。作者提出了一个虚构案例研究（基于真实事件），其中聘请了一名人因专家就产品误用与产品设计缺陷发表意见。作者针对此产品责任案件进行了一场现场取证模拟，LLM 扮演对方律师的角色。来自执业法医专家对生态效度的评级将被呈现，以判断该工具的保真度。此概念验证提供了一种低成本、低风险的工具，用于准备科学家应对诉讼。

引言

宣誓专家证词的高风险和对抗性性质，通常要求早期职业的司法人因科学家在参加首次取证或审判之前，经过数年的指导。在此期间，初级人因专家熟悉相关文献和标准，获得专业认证，并磨练其在法庭上发表科学意见的能力。他们还通过与同伴和指导者扮演模拟场景来练习未来的宣誓证词。在这些模拟审判和模拟取证中，扮演对方律师角色的人可能会质疑这位崭露头角的专家的资质、分析和意见。司法咨询公司经常进行这种类型的培训，以便为他们的初级专家准备宣誓证词。这些培训课程需要大量高级技术资源的投入，而且它们可能无法准确模拟对方律师使用的策略，如策略性模糊、复合提问、混淆、诱导性提问以及对资质的攻击。基于大语言模型（LLM）的模拟有可能解决这一差距，通过提供与情境学习、刻意练习、压力接种和基于模拟的精通学习等科学培训中既定实践一致的环境。

背景

类似聊天机器人的计算机系统长期以来一直用于培训，以加速需求专业人员的经验积累和技能获取。例如，自 20 世纪 70 年代以来，法律学生一直使用称为计算机辅助教学（CAI）的基础专家系统进行法律培训（Henn & Platt, 1977; Park et al., 1978）。通过利用 LLM，可以创建更为现实的基于模拟的培训工具，重现取证或交叉盘问的整体过程，而不是孤立的组件。这种模拟并非用于向个人传授特定领域的专业知识；相反，该方法使个人能够发展在宣誓取证过程中成功表现所依托的语言和情感机制。这种方法建立在 LLM 成功整合到医生和教师培训模拟中的基础上（Cook et al., 2025; Lee et al., 2023），并将这些工具应用于司法人因工程和人体工学的具体细微差别。

方法

对于本次演示，作者将描述一种结构化方法，用于提示基于 LLM 的对抗性模拟，以促进证词专家的技能获取。他们将介绍一个涉及消费品的虚构案例，法院必须在此案中区分产品设计缺陷与产品误用。该虚构案例将作为基于 LLM 的宣誓专家证词模拟的基础。作者将展示，通过使用商用 LLM，人因和人体工程专家可以通过将案例研究、书面报告、引用材料和简历上传到 LLM 并提供简单指令，来参与高保真的取证和审判证词模拟。这种方法将允许初级专家练习基础的证词技能。高级专家可以使用类似的模拟，托管在企业零数据保留平台上，在实际证词前对其科学意见进行压力测试。

演示将是现场和互动的。基于 LLM 的聊天机器人将配置为支持语音输入和输出，并将显示会话的文字记录。模拟的问答时间将不超过 15 分钟。模拟结束后，作者将分享执业法医专家对模拟生态效度的评级，这些专家在开发过程中查看了模拟生成的提问线索。

成果

作者已在多种已发表的司法人因案例研究中评估了此模拟方法，包括机动车事故、车辆与行人碰撞以及绊倒和跌倒。他们将模拟提出的问题与过去 15 年诉讼经验中的真实世界取证文字记录中的问题进行了比较。最初，对 LLM 的提示产生的提问线索比实际的取证问题更加客气和顺从，反映了 LLM 聊天机器人的阿谀奉承特性。LLM 也倾向于同时提出几个问题，而不是像律师在取证时所期望的那样一次问一个问题。人因和人体工程专家的反馈被纳入 LLM 提示架构中，以进一步提炼对抗性语气和模拟的保真度。执业法医专家使用修改后的模拟验证量表提供了主观评级，以指示此模拟方法能否准确复制专家证人的取证并产生与真实诉讼中使用的提问线索大体相似的内容。此方法可能提供一个低成本、低风险的环境，帮助司法专业人士准备高风险的证词。

结论

作者将当前版本的工具视为概念验证，并承认其存在几个局限性。首先，该工具目前是非自主智能体（意味着它需要提示，且不表现出长期规划或自主目标形成能力）。其次，此概念验证运行在公开可用的 LLM 上，这些模型不保证通过零数据保留来保护隐私。这应使专家对在准备即将到来的取证或审判时上传真实案件文件感到犹豫。第三，此方法尚未模拟律师节奏的复杂性，如策略性暂停、异议编排和心理压力。该工具的下一迭代将专注于自主智能体能力和本地部署，以确保零数据保留和完全隐私。

利益冲突声明

作者声明，关于本文章的研究、作者身份和/或出版，不存在潜在的利益冲突。

资金

作者未获得用于本文章的研究、作者身份和/或出版的财务支持。

ORCID iD

Caleb Cohen https://orcid.org/0009-0005-4236-7016