大数据侦查算法的规制：以检察监督为思路

漆晨航，陈 刚

（中国人民公安大学，北京 100038）

侦查活动是通过犯罪信息的收集、比对、分析、综合，还原勾勒出案件事实，确认缉拿犯罪嫌疑人的过程，本质上蕴含着以足量信息消弭事物不确定性的信息论原理［1］。无疑，侦查行为与基于信息科学诞生的大数据科技，存在逻辑范式上的相似性。归因于国家层面的促进鼓励与数据科技社会应用的畅通性，大数据侦查应运而生。我国大数据侦查在效率驱动型的行政模式下诞生养育，科技应用实效成为侦查创新的主要评价标准，实践活动呈现出行政逻辑优于立法与司法逻辑的样态，这也导致我们难以对大数据技术的侦查应用展开有效控制［2］。

算法、算力和数据源是大数据技术的构成要素，算法运行的智能化和目标指向的精准化，是大数据技术得以大规模社会应用的关键因素［3］。数据源为算力提供训练和分析样本，算力作为基础设施为算法提供运行动力，而算法则是将“生数据”转化为可理解信息的核心技术［4］。视野聚焦于侦查活动，适当的算法模型可以提升侦查活动的信息抓取效率和问题分析能力，但算法偏见会导致侦查决策发生偏误，亟需针对大数据算法的侦查应用设计控制体系，避免算法过度“赋权”侦查。检察机关是我国《宪法》明确的法律监督机关，承担确保法律正确实施的重要职责，而在我国司法实践中，检察机关主要扮演“诉讼监督者”角色［5］。在大数据算法侦查应用模式自觉自研自用，并对其他诉讼活动产生辐射性影响等因素下，探讨检察监督如何介入侦查算法规制，是值得深入研究的法治课题，也是本文研究的主要目的。

一、检察视野下大数据侦查算法的问题

（一）大数据侦查算法的偏见风险

哥德尔不完全性定理（Godel’s incompleteness theorem），是指任何形式系统，只要有最基本的数论描述且逻辑自洽，其内必然存在系统方法不能证明或证伪的命题［6］。具体到大数据应用中，基于智能化算法框架形成的运行系统，虽然逻辑自洽，但必然存在算法框架无法纠正的谬误，系统之外的人类可以修正谬误，弱智能的算法却难以自主修复由人“制造”的算法偏差［7］。因为算法是大数据分析系统的全部方法，方法无法解决源于其本身的谬误，这也是弱人工智能与人类心智的本质区别［8］。而人类开发的算法框架，属于由数字建构的形式系统，必然存在无法证明或证伪的命题，有局限性。海量的数据导入与长时间的自主学习，无法解决算法框架的局限性，反而会放大加深算法框架的偏见，因为在逻辑自洽的形式系统内，偏见即是正确。正如部分学者所述：“人类在设计算法的过程中，将其认知偏见‘灌输’给人工智能产品，以致人工智能产品以‘中立’‘客观’‘自动化’的姿态将这一偏见延续甚至放大。”［9］

对算法偏见的忧虑绝非危言耸听。譬如，所谓基于大数据分析的犯罪高风险人群标记技术，其实是通过海量犯罪人群相关数据搜集，基于特定算法，对某些犯罪概率较高的主体及其行为贴上标签并划分风险等级，而划分的标记特征通常是人种、社会阶层、年龄阶段或性别，极易滋生针对部分群体的算法偏见［10］。有学者分析美国犯罪风险预警系统产生算法偏见的原因主要有三：首先，定义性偏见（Definitional Bias），在算法构建时开发人员对某一概念存在理解偏差，导致算法将错误理念正当化；其次，训练偏见（Training Bias），侦查算法的数据训练集和分析集有偏见，譬如过多选用少数族裔或青少年的犯罪数据作为分析样本，自主学习后加深对上述群体的偏见；再次，特征选择偏见（Feature Selection Bias），即算法特征错误导入，譬如机器开发人员将某种无关现象视作犯罪发生风险性提高的标志，导致算法的相关性判断出现错误［11］。

毋庸置疑，侦查算法偏见对刑事司法诉讼的危害是显著的。根据诉讼法要求，侦查机关必须全面收集案件证据，不偏不倚地认定案件事实。而算法偏见的存在就意味着大数据侦查方法天然具有倾向性，原本无犯罪风险或事实的公民，可能因为算法偏见而被列为侦查对象，导致刑事追诉程序的滥用。此外，随着大数据司法应用进程的深入，未来必然有更多的基于算法分析结果所做出的侦查结论。如果算法存在偏见，承担有侦查监督和公诉职能的检察机关则需要介入算法研发、使用和维护等系列工作，以避免算法偏见影响司法决策的公正性。

（二）大数据侦查算法的实践偏误

如上所述，大数据算法的研发及其侦查应用是行政驱动型的发展模式，算法的实践效能优位于法律制度的有效控制，导致司法实践中出现系列问题，算法应用和制度实践产生偏误。

一方面，算法的侦查应用导致部分侦查活动违背现行制度。譬如智能化的侦查算法模糊了刑事立案程序的边界，侦查启动陷入法治的灰色地带，亟需引入检察监督以阐明其合理性。我国采用立案程序前置的侦查模式，即所谓“二步式侦查”，法律规定强制性侦查措施必须在履行立案程序后才可以适用。基于大数据技术的实时性和智能性特征，适当的算法框架有能力实现犯罪预警甚至是预测，譬如公安实践中所谓的大数据警务预测模式［12］。而侦查活动外，智能算法与犯罪活动密切融合，犯罪智能化、迅捷化、精准化趋势凸显，侦查主体也需要算法的预测功能以实现犯罪治理［13］。针对此现象有学者指出：“为回应人民的安全期待，侦查权范式及功能由‘回溯调查’跳向‘犯罪治理’。”［14］但由于法律文本的滞后，实时数据分析、数据提取等影响公民人身财产权利的侦查行为，被迫落入程序的灰色地带，用行政活动的外衣伪装其司法性，先于立案程序获取的案件线索，甚至是定案证据，都深陷于法律定位的困境。有学者指出，为顺应智能算法应用的趋势，有必要适当提升立案程序的宽松度。而获得一致认可的是，尝试弱化立案程序控制的前提是更严格的侦查控制，关键是发挥检察机关的法律监督职能［15］。

另一方面，大数据侦查算法及其配套设施的研发和应用主要依靠侦查机关的自觉自律，缺乏有效的外部引导和控制机制。地方财政划拨是我国公安机关经费的重要来源，有助于激励公安机关“保一方平安”，也是央地事权划分的必然结果［16］。所以，在地方考核标准和权力扩张需求的驱使下［17］，各地公安机关与不同警种间倾向于自主研发应用侦查算法及其配套措施。地方自主招标研发大数据侦查工具，有利于各地区各警种根据侦查实际需要，设计相应的算法框架并建设专门的数据资源库。但散乱的开发与管理，导致各地采用不同的算法标准，依照算法结论所展开的跨地区的侦查协作难以协调，不同算法下所收集的证据也难以协同认定。并且算法分析和收集的数据被存储于地方数据库内，必然作为重要资源受到地方保护，极易形成数据壁垒（Data Barrier）。同时海量数据被单一主体占有，导致数据价值难以被充分挖掘，形成信息茧房（Information Cocoons）。在此情况下，我们既需要高层级的公安机关推动全国性的数据资源共享和算法标准协同，也应当引入检察机关作为外部推动力，以检察监督的强制性措施打破地方和警种间的数据壁垒，促进司法数据的高效利用。并以检察职能需求为导向，深层次挖掘侦查机关持有数据的价值。

综上所述，一方面基于哥德尔不完全性定理，算法系统（框架）必然存在产生偏见的理论风险，为避免偏见对刑事司法活动的危害，引导智能化算法侦查应用的有序发展，有必要研究检察监督如何设计以保障侦查算法的公正性。另一方面，算法的侦查应用导致部分侦查活动陷入法治灰色地带，特别是预测性的犯罪治理行为亟需引入检察监督以说明其合理性。而算法及其配套设施的开发应用缺乏必要的外部引导，导致数据壁垒和信息茧房的出现，可以引入检察监督力量促进侦查算法的合理应用。

二、检察监督介入侦查算法规制的难点

大数据侦查算法相较于其他科技对侦查活动造成了差异化的影响，导致检察监督介入算法规制存在诸多难点。一方面，算法不同于其他刑事技术，算法的分析方法呈现出智能化特点，而算法分析的依据则是海量的数据，其独特的技术样态需要设计针对性的检察监督方法。另一方面，算法的侦查应用深刻改变了侦查行为的诸方面，使得数据获取和分析流程成为重要的侦查模式，而侦查模式的变革则需要司法体制的系统性回应，保证司法活动的整体性和体系化［18］。为适应侦查活动的系统变动，有必要从诸方面创新检察监督的思维和模式。

（一）技术难点：知识壁垒和“黑匣子”

法国哲学家米歇尔·福柯（Michel Foucault）在其著作《规训与惩罚》中提出知识可以创造权力的观点。具体而论，特定领域内的知识形成学术范式，学术范式使该领域内的知识受体演化为权威，并产生拒绝他人进入领域的权力。而出于维系权力的需要，权力持有者通常倾向于搭建起知识壁垒，以防止他人进入稀释其权威［19］。而福柯的知识领域权力观也适用于本文议题。算法类属信息科学的专业范畴，对于大部分检察人员而言，如果没有专业技术人员的解释或可视化展示，算法框架及其分析结论都不过是无意义的数字排列。在检公互动议题下，侦查算法天然建构起排除检察介入的专业壁垒，甚至有能力凭由技术能力形成侦查算法的权威（权力）。

基于专业的知识鸿沟，算法所作出的任何侦查决策，都可以归因于数据间难以理解的相关关系，以此规避检察机关的监督审查，使得大数据侦查算法的解释权被侦查人员和技术专家所掌握。为破除算法知识壁垒，避免“侦查中心主义”，有必要通过针对性的制度设计，使检察机关可以进入算法的知识权力领域展开有效纠偏和监督，并用诉讼主体可理解的可视化表达呈现侦查算法运行图景。

但更为棘手的是，算法的分析过程是“黑匣子”（Black Box），也即从数据导入到结果导出的过程是不可视的，即使是算法研发和使用者也难以获知分析结论的依据。某种程度上，“黑匣子”是算法技术本身建构的知识壁垒，而机器学习为算法演化带来的不确定性则加剧了这一困境［20］。如果我们期望将侦查算法分析结论作为刑事司法决策的依据，譬如检察机关审查批捕的参照，甚至将其直接转化为控方持有的案件证据，理应设计相应规则保证或验证算法的公正性、可靠性，破除分析过程不确定和不可观测的技术难点。

（二）制度难点：理论质疑和模式困境

而在技术难点之外，检察监督介入大数据侦查算法的规制，与现行法律制度存在一定冲突，并且传统的检察监督模式似乎也难以适应大数据侦查算法的运作模式，亟须解决。

一方面，检察监督介入侦查算法规制缺乏制度授权，受到“泛法律监督”的理论质疑。由于我国并未对法律监督权的内容作出详尽阐述，为提升检察权威，我国司法实践和理论研究中历来存在“泛法律监督”的现象，也即将所有检察活动泛化解释为法律监督行为［21］。譬如，在旧的理论框架内，侦查权被解释为法律监督权的执行和保障手段，理论的错位导致检察职能陷入“自缚”的困境，监督效果和权力发展受到限制［22］。国家监察体制改革后，大部分侦查职能被转隶出检察机关，而过往检察机关将大量司法资源配置于侦查职能，致使转隶后的检察职能陷入失衡状态，亟需重述法律监督的内容，以重塑检察权威。正如部分学者所述，侦查权的转隶破除了侦查权和法律监督权性质归类的争论，使得检察职能配置可以专注于诉讼活动的法律监督，检察职能的纯粹化“尤其可能有助于提升诉讼场域内的检察话语权”［23］。侦查算法的检察监督也不应脱离法律监督职能的应有之义。

但算法规制规则滞后于技术应用的现状，导致即使是在大数据侦查“遍地开花”的今天，检察机关仍然缺乏介入大数据侦查算法规制的法律依据。为避免“泛法律监督”的错误重现，侦查算法的检察监督规制建设应当以问题为导向，以保障刑事司法活动公正运行为原则，佐以提升数据利用效率、降低败诉风险等次要目的。此外，检察监督措施应当限定在现行制度框架内，不可打破流水线式的公检关系构造。譬如，检察监督应当重点关注如何纠正侦查算法内蕴的偏见，不应主导算法的研发和侦查应用，使检察机关成为大数据侦查活动的领导者；此外，也需要避免公检间的过度协作，建构控方主导的算法知识壁垒，打破控辩双方的平等对抗平衡。具体的制度设计规范将在下文细述。

另一方面，大数据侦查算法实时性和类型化的特点，导致个案监督和诉讼节点监督的传统模式陷入困顿。束于司法资源的有限性和公检流水线式的构造，检察机关无法也不可能对侦查活动展开全流程监督，所以传统的侦查监督主要以单个案件的程序节点为行权对象，即检察机关通常在个案的刑事立案、审查批捕与审查起诉等诉讼程序节点内履行监督职责。而智能算法的侦查应用却深入改变了传统的侦查模式，也使得传统的检察监督模式陷入困顿。

其一，基于智能算法，侦查机关研发了动态化、实时化的数据检测和分析系统，并实现了广泛应用。但算法实时化特征不仅使立案程序陷入制度的灰色地带，也使检察机关对于算法及基于此展开的侦查行为，缺乏监督的着力点。算法的研发和应用活动并非诉讼程序，检察监督介入缺乏法律依据。如果仍然坚持诉讼节点监督的传统模式，检察机关无法对数据真实性、算法公正性展开核验，也无法保证大数据侦查行为合乎诉讼制度。其二，出于成本和实际效果的考量，侦查算法的研发和应用通常以类案预警或侦破为目的，在算法规制的视域下，检察机关对个案展开法律监督的传统模式效率低、成本高，难以适用。难点在于如何转变检察监督思维和模式，真正实现对类型化算法的整体监督，而从个案监督转向类案监督也是当前检察理论研究的热点和难点［24］。

三、检察监督介入侦查算法规制的思路

如上文所述，以检察监督规制大数据侦查算法有技术和制度层次的诸多难点。就技术而言，作为“诉讼专家”的检察机关难以进入侦查算法搭建的知识壁垒，而算法分析过程仍然是“黑匣子”，检察机关亟需有关的机制安排以核验算法分析过程和结论的公正性；在制度层面，检察监督介入侦查算法规制需要以维护司法公正为原则，以算法纠偏和实践偏误为抓手，在制度体系内创新监督方式，避免“泛法律监督”的质疑。此外，检察机关也需要针对算法的技术特征改变过往以诉讼节点和个案为抓手的监督模式，方可实现对算法活动的有效监督。

而纵观大数据侦查算法所面临的问题和规制的难点，可以发现，大数据及其算法的科技样态是问题和难点出现的主要原因，探讨算法规制的前提必然回归到算法技术本位，以技术的特点、运行模式和运行基础等要素为着力点，破除知识壁垒和“黑匣子”，保证算法活动的公正性。此外，即使算法应用对侦查活动产生系统性影响，大数据侦查活动也没有脱离刑事司法诉讼体系，算法的规制需要回归到诉讼体系内，以诉讼监督制度为方法实现侦查算法的有效控制。具体思路如下：

一方面，以大数据算法的技术样态为规制思路。大数据系统由算力、算法与数据等下位要素构成，算力指数据分析处理的能力和效率，对数据分析结果的公正性影响较小，是大数据技术的“基础设施”，不需要也难以作为检察监督的切入点。而算法与数据则有所不同。如上文所述，智能化的算法框架由研发人员构建，必然对算法倾向产生一定的主观影响，而即使是尽量剔除算法的主观要素，基于哥德尔不完全性定理，现有的算法框架也必然存在无法自我修补的偏误，而上述因素都必然导致算法偏见的出现。此外，数据是算法分析的依据和模型训练、修补的资源。检察机关应当有能力核验查实侦查算法作出决策的数据源，保证数据的真实性、可靠性，与此同时，也需要避免选择性和错误性的数据导入造成算法偏见，坚持数据导入的全面性。综上所述，检察监督介入侦查算法规制应当以算法与数据为切入点，监督目的则导向确保算法分析结论的准确性与公正性。

另一方面，以诉讼程序控制为规制思路。不论算法应用发展如何超前，大数据侦查行为归根结底是刑事司法诉讼的一环，理应接受检察机关的监督。但目前而言，归因于算法的预测能力，在社会治安综合治理的总体目标下，各地公安机关着重提升大数据侦查的犯罪风险评估与犯罪预测能力。这也在客观上导致侦查行为前置于立案程序。而在大数据技术应用对犯罪治理打击确有实效的基础上，不必拘泥于立案程序前置主义。譬如有学者指出，许多国家并未采用立案前置的侦查启动模式，侦查的大门更易开启，但也相应地设计有严格的侦查控制措施，比如采取强制性侦查措施的令状前置主义［25］。在大数据及其算法已全面提升侦查效能的情况下，应当通过诉讼程序的创新以强化检察机关对算法活动的控制。首先，改变传统的检察监督思维，尝试将算法行为纳入刑事司法评价体系。其次，将算法分析结论的可视化展示义务赋予侦查主体，攻破侦查算法的知识壁垒。最后，建立案件中截面数据留存制度，对个案中用于算法的数据永久保存，以作查验。

四、检察监督体系的建构方法

（一）以算法技术样态为基础的监督对策

如上所述，以算法技术样态为思路的规制方法，应当以算法和数据为抓手，具体对策内容如下：

1.准许检察机关接入侦查数据库，对算法分析所依据的数据展开真实性核查。侦查机关自建的数据库是大数据算法分析的重要数据来源，出于核实数据真实性的需要，确有必要增设数据端口，使检察机关接入其中。但目前而言，我国尚无全国性的法律规范，强制要求公检之间实现信息和数据共享，并且各地公安机关自主建设管理侦查数据库，属于地方性资源，检察机关接入侦查数据库通常需要获得同级公安机关的批准。①比如江苏省无锡市率先实现了市级公检法单位的数据共享，市检察院可以接入无锡各级公安机关的视频数据库，成为检察监督现代化的典型案例。参见俞波涛. 以信息化建设为引擎，推动检察监督现代化［N］.检察日报，2018-01-28(003).一方面，为实现检察机关核实查验数据真实性的监督需求，另一方面，也为打破数据孤岛和信息茧房，充分发挥数据价值。建议由中央政法委牵头，公检机关协商共建全国性的侦查数据共享规则：首先，要求各地公安机关为检察机关提供数据端口，经由检察机关主要领导批准后，检察官出具核验文书，明确数据查询的范围和时间，即可通过端口接入审查案件相关的侦查数据。其次，构建侦查数据真实性核查规则，要求检察官对侦查算法分析所依据的数据与数据库数据开展同一认定，可以邀请有关专家参与核验，核验后出具文书，证实数据的真实性。最后，促进公检间数据共享，明确开放不敏感、不涉密、已结案的案件数据，深入挖掘数据价值，促进大数据技术的司法应用有序发展。

2.确立检察机关参与大数据侦查算法研发和运维的机制。由于知识壁垒的存在，检察人员难以直接监督侦查算法的运行过程，如果由检察机关邀请专业技术人员参与到算法公正性监督中，一方面，高昂的成本难以实现对大数据分析算法的长效监督，检察机关难以长期雇用第三方机构参与监督；另一方面，专业技术人员所作结论能否成为法律监督的依据也是值得商榷的。在此视域下，与其要求检察监督直接介入完备的算法系统，不妨通过制度设计，确立检察机关参与大数据侦查算法研发的机制，避免“以犯罪侦查”为导向的单一目的算法设计，将实现监督和服务公诉等检察职能导入其中，以证据标准和法律制度确定算法的外延框架，从算法建构伊始便减弱其偏见风险。此外，也应当建立对大数据算法的定期纠偏机制，建议由检察机关牵头，公安机关和算法研发机构参与，要求第三方独立技术监督机构介入，对算法展开定期纠偏，及时修复维护算法系统中的偏误，确保算法的公正性。而在全国范围而言，有必要通过政策引导，鼓励全国公检机关共同协商确定相对统一的算法标准，完善类案中的算法框架，并使跨区域智能侦查行为得以协调共认；此外，也应当明确全国侦查数据库建设规范，解决地方数据保护主义问题。

3.建立必要的侦查算法公示验证机制。除上述实现监督的对策外，从另一角度出发，检察机关在侦查监督职能之外同样承担公诉职能，特别是在“捕诉一体”办案模式改革后，检察监督职能与公诉职能一体于检察官个人。如果仅规定检察与侦查机关共同研发、维护大数据侦查算法，那么同时承担有控诉职责的检察官，为避免败诉风险，或许会与侦查机关达成“攻守同盟”，高筑侦查算法的知识壁垒，致使辩护方无法与之同等竞技。比较域外经验，欧盟法律要求数据服务企业将算法框架上交至数据保护委员会审查其公正性，审查通过后，委员会将其中涉及商业秘密部分剔除，向数据服务市场公开算法，并且鼓励其他主体核验监督算法的公正性［26］。虽然欧盟的规则主要适用于商事领域，但出于保障刑事司法活动公正运行的需要，在刑事庭审中可以参照欧盟方法，要求侦查系统的算法当庭公示，并接受辩方挑战，辩方可以雇用技术专家对算法框架提出质疑，也可通过数据导入比对结果，以此破除“黑匣子”困境，核验算法的有效性和公正性。如果辩护方挑战成功，控方依据该算法分析结论所做出的司法决策，都可被判定为无效。

（二）大数据侦查算法的诉讼程序规制

最高人民检察院和公安部于2021 年10 月发布的《关于健全完善侦查监督与协作配合机制的意见》，对公检关系提出宏观性的发展指引。但值得注意的是，该份文件着眼于对诉讼法已有规定的法律监督措施加以完善，并未对监督公安机关利用大数据技术开展侦查活动的行为作出规划，而是强调利用大数据技术促进公检信息共享和传统监督。就目前而言，司法制度层面仍然没有相关文本对检察监督介入算法规制作出指引。但必须指出的是，利用算法开展的侦查行为，从属于刑事司法活动，理应受到检察监督，算法科技对侦查活动产生系统性影响的同时，诉讼程序也应当对算法及其相关技术创新有针对性的控制手段。

1.突破个案监督和诉讼节点监督的传统思维，建立算法备案制度。上文所述检察机关参与侦查算法研发，主要关注从技术样态层面解决算法偏见问题，与之不同的是，本处所指的算法备案制度主要目的在于将侦查算法纳入刑事司法的评价体系之下，是程序性的规制方法。具体而言，算法的实时性和智能化，决定了算法的启动程序不可能局限于传统的立案程序，算法必须时刻运作方可体现其犯罪治理价值。所以，案发后介入的传统监督思维不适用于算法规制。基于算法的实践特征，可以建立算法备案制度，公安机关欲使用侦查算法，则需向同级检察机关备案，将算法研发和使用主体、应用对象和类案、所需数据范围等要素向检察机关列举。检察机关定期或不定期监督算法实践情况，核验是否符合备案，如出现诸如算法使用主体不当或应用于未备案的案件类型等情况，则向公安机关发出检察建议，责令其说明情况并及时修正。

2.赋予侦查人员对检察官的算法说服义务。美国令状主义主导的侦查控制体系下，警方必须向治安法官说明采取侦查措施的理由，例如逮捕措施中必须解释警方怀疑的“合理根据”（Probable Cause）。如果未能说服法官则承担无法获得逮捕许可的“败诉”后果，体现出侦查人员对法官的说服义务。我国刑事诉讼程序采用流水线式的构造，公检法三机关在不同诉讼阶段承担不同任务，为顺利进入下一诉讼阶段，前置诉讼机关必须对目标诉讼机关开展必要的说服工作，譬如侦查机关必须向检察机关说明案件证据已经达到移送审查起诉的标准，也即中国版的“说服义务”［27］。当然必须承认的是，我国目前仍然是案卷审查主导的诉讼模式，所谓诉讼机关的说服义务主要是通过案卷卷宗的书面表达实现，规范层面的说服义务集中体现在庭审阶段［28］。但由于侦查算法分析过程的不可视性，检察机关可以查阅并理解的案卷材料通常仅有相关性分析结论，在此情况下，有必要要求侦查人员向检察官说明大数据分析结论得出的依据与过程，这也符合算法解释的义务分配原则，也即“算法推荐服务提供者需要履行优化算法可解释性及透明度的义务”［29］。侦查人员的说服工作可以以口头或书面卷宗等形式完成，也可以聘请算法专家代替其解释算法分析过程，还可以参照上文方法通过数据导入以比对验证分析结果。不论方法如何，其直接目的是以可视化语言说服检察官认可算法分析过程和结果的真实性、可靠性，本质目的则是使基于算法作出的侦查行为合法化。如果侦查人员未能履行说服义务，必须承担不予立案、不予批捕等“败诉”后果。

3.完善截面数据留存制度，落实数据终身查验制。大数据侦查算法发展迅速，有必要建立侦查算法的司法追责机制，但又不宜过分控制干预侦查算法的正常应用。可以尝试建立个案中截面数据留存制度，也即将个案中所有时间点截面使用算法的数据和分析依据的数据进行留存，以电子数据形式封存在案件电子卷宗中。当案件判决出现争议，审判监督程序启动后，司法主体可以聘请专业人员查阅截面数据，核验算法分析过程中是否出现算法错误使用、数据恶意篡改或删除以及曲解算法分析结论等主观影响因素存在，如确因主观因素导致冤假错案发生，根据截面数据分析结论对有关人员展开追责。截面数据留存制度并不会对侦查算法应用产生阻碍性影响，但可以通过数据留存规范算法使用行为，并为冤假错案原由查明和责任划分提供依据，是合适的程序规制对策。