AI调解时代,当事人要的到底是什么?

引言

  ODR的发展浩浩汤汤。迈入本世纪20年代，各个地区的实践已发展到运用AI技术参与调解的阶段。AI技术进场之后，一个看似朴素的问题也浮出了水面：在调解过程中，我们到底要什么？

这个问题的答案，将决定AI调解的正当性边界。而理解它的起点，不在法条里，在一局游戏里。

  那是一局普通的王者荣耀排位。

  开局时，我的目标很明确：我想赢。这是最朴素的诉求——投入时间，获得胜利，像任何一个走进调解室的当事人，想要一个对自己有利的结果。

  游戏进行到中期，队友开始种种干扰与不配合，我的体验感一点点流失。然后一件奇怪的事发生了：我不想赢了。我希望输掉这局比赛——因为输掉它，是对队友不负责任态度的惩戒。赢，这个十分钟前还占据我全部注意力的目标，被我亲手放弃了。

对局继续。对手接连失误，赢面突然变大。我又变了：我想赢了。第三阶段。

  事后回想，这三段心态暴露了一个心理学和法学共享的秘密：第二阶段里，我想要的其实不是"输"，而是一个交代——有人为浪费我的时间与投入付出点什么。当"被认真对待"这个需求落空，结果的好坏对我失去了意义；而当赢面重新出现、过程重新值得投入，胜负的欲望又回来了。

 所以，值得注意的是，当事人对过程的感受，先于且独立于其对结果的计算。

  法学通说把调解定义为"化解纠纷"，于是调解的目标顺理成章地被理解为结果：达成协议、案结事了。但这个定义是危险的简化——它解释不了为什么大量调解失败，不是败在利益谈不拢，而是败在当事人觉得"我没被尊重"。

  程序正义理论给出了更精确的答案。1978年，Thibaut和Walker在《程序理论》（A Theory of Procedure）中提出，当事人对程序公平的判断取决于两类控制的分配：过程控制（你能不能陈述你的主张）与结果控制（谁拥有最终决定权）。他们的结论直白而深刻："当事人控制其主张陈述的自由，是'无论裁决结果如何都相信正义已实现'的最佳保障。"

  Tyler及其合作者则将这个命题推得更远。他们发现，发言权（voice）的价值部分来自"被倾听"本身——一种表达价值、宣泄价值——而非仅仅因为它能影响结果；在对权威合法性的判断中，程序公平的影响甚至强于结果有利性与分配公平。Mashaw则从法哲学给出了规范根基：听审的意义独立于胜诉，程序的价值在于把人当作自主、平等的主体来对待。这就是著名的"尊严理论"。

  当然，也有人泼冷水。Leventhal在1980年就警告：对公平的关切只是众多动机之一，而且往往比自利动机更弱。这提醒我们：程序性需求不是永远在线的常量，它需要被"在意"激活——就像我在游戏里，是队友的敷衍激活了"我要一个交代"，而不是输赢本身。

进而，我们发现调解参与者要的不只是解决方案，还有"我的故事被听到了"。即程序性需求的核心不是"你要什么"，而是"你被当成人对待"。

  现在的AI调解系统能识别什么？情绪标签——愤怒、沮丧、焦虑；实体需求——赔偿金额、道歉方式、履行期限；对话意图分类——什么是诉求、什么又是抱怨。技术不可谓不发达。

但当我们回到那局游戏。AI能做什么？识别出"该玩家消极游戏"，能识别出"对局的优劣"。但它识别不了的是什么？是我的愤怒从来不是因为队友送人头这个事件本身，而是因为"我的时间与投入被白白浪费，并且没有人为此向我道歉"。前者是可计算的标签，后者是程序性需求的变质形态——它要求一个规范性的事件真实发生，而不是一段安抚性的文本被生成。

  这就是AI调解的根本困难：它把程序性需求压缩为可计算变量。你要求的不是"被道歉"这四个字，你要求的是"道歉了"这件事真实发生。AI能生成一句完美的"我很抱歉"，但它无法让道歉作为一个程序事件成立——因为道歉的规范性意义恰恰在于：做错事的主体，承认了过错。没有主体，就没有道歉，只有道歉的模拟物。

当事人的叙事转化为结构化数据的过程可称为"voice的编码化"，那么，"被倾听"变成了"被解析"；表达的信息功能（事实与主张的传递）可以编码化，而表达的关系功能（被承认、被倾听、主体性确认）在编码后将会产生扭曲。Binns等人2018年的实验发现，向当事人提供"与相似个案比较"式的算法解释，反而激起强烈反感——论文标题本身就是当事人的呐喊："这正在把一个人还原成一个百分比。"当事人要的是个体化的"被看见"，不是数据化的"被归类"。Lee和Baykal的实验则发现，算法中介在提升效率与一致性的同时，降低了参与感与公平感。

  如果说这些还只是技术系统自带的"编码"冲动，那么中国的制度实践提供了一个更冷峻的注脚。《人民法院在线调解规则》第8条规定：当事人同意在线调解的，应当填写"身份信息、纠纷简要情况、有效联系电话以及接收诉讼文书电子送达地址等"。注意"简要"这两个字——谁来判断什么算"简要"？当事人觉得三天三夜说不完的委屈，制度要求他压缩成一个字段。这个压缩的动作本身，就是叙事权力的转移：在进入程序之前，你的故事已经被要求按别人的格式组织。而这里没有标准，没有校验规则，没有救济途径。"简要"到什么程度算合规？平台说了算。这才是真正的裁量空白，比"编码"这个抽象指控锋利得多。

  AI对于真实环境的内容压缩必然伴随取舍。Kleinberg等人2016年的公平不可能定理证明：校准、正类平衡、负类平衡三个公平条件无法同时满足，任何系统都必须做优先级取舍。Chouldechova用儿童保护热线的真实数据验证了这一点，而COMPAS案引发的轩然大波，正是这个定理在现实中的投影。类似的取舍在需求识别层面同样存在：系统为了效率和可操作性，天然偏向可量化的需求，边缘化不可量化的程序性需求。正如Binns所指出的，形式化的公平定义选择本身就是一种规范性选择——只不过这个选择，通常是系统替我们悄悄做的。

  现在设想一个场景。AI识别出你的程序性需求受挫，于是调整回应策略：对你，它"情绪安抚"；对另一方，它"强调理性方案"。调解成功了，你感到被理解了。

但请停一秒：这份"被理解"，是真实的尊重，还是算法基于对你的需求分析而执行的"情绪管理"？

Sela的实验埋着一条关键线索：voice之所以有效，前提条件是当事人相信自己的表达"被决策者充分考量"。如果AI只是逼真地模拟了"考量"的样子——共情的措辞、及时的回应、恰到好处的停顿——那么它满足的是这个前提，还是仅仅满足了这个前提的外观？这类风险可以概括为三个词，即谄媚操纵、情感计算、同意空洞化。

  更深的困境在中立性。假如AI系统深度响应了你的程序性需求——它走向你、倾听你、安顿你——那么它在走向你的同时，是否已经远离了另一方？调解者的中立性，在算法可以"千人千面"地定制回应的条件下，还有传统意义上的中立可言吗？

还有那个最锋利的问题。程序正义理论的传统功能，是制衡公权力对私权利的侵蚀——程序是弱者面对强者时的铠甲。但如果AI成了程序的设计者、执行者、评判者，它制衡谁？谁又来制衡它？Citron在2008年就观察到一个令人不安的细节：福利听证官面对自动化系统时，存在"假定计算机系统无误"的倾向。当程序变成代码，监督程序的人开始相信代码不会错——制衡的链条，就在这一环悄悄断掉了。

  把镜头拉远，算法正义的学术史已经走过三个阶段。

  第一阶段，COMPAS案引发的公平定义之争：Barocas和Selbst证明，表面中立的算法可以复制并放大历史歧视。这一阶段的问题意识是"算法歧视"。

  第二阶段，Citron提出技术性正当程序：自动化系统把规则制定和裁决合并为一段代码，绕过了通知、听证与司法审查。问题意识升级为"算法决策需要程序保障"。

  第三阶段，社会建构批判：毛俊响等学者指出，算法歧视不是技术偶然，而是社会结构性不平等被"建构"进系统的结果。问题意识再度升级为"算法是结构的镜像"。

  前三个阶段，我们都在问同一个问题：算法怎么判、判得公不公正。但AI调解的场景里，问题变了：AI不再是裁判者，而是调解者。它不再只是给出决定，它还要管理人的情绪、回应人的需求、协调人对过程的感受。那么，当AI从"决策者"变成"过程管理者"，我们还需要什么样的正当性理论？

  回到那局王者荣耀。我后来的愤怒，从来不是关于输赢，而是关于"被认真对待"——队友欠我一个承认，系统欠我一个交代。

调解室里的当事人，要的也从来不只是"解决纠纷"。他要的是：我的版本的故事，被听见、被理解、被回应。AI能听懂你的诉求，      但未必听得见你的浮沉。技术可以参数化你的目标，但无法参数化你的尊严。

  所以这篇文章没有答案，只有一个问题，留给每一个正在把调解交给算法的我们：

 当调解的过程本身也被算法接管——还有谁，看得见？

参考文献

[1] Thibaut, J., & Walker, L. (1978). A Theory of Procedure. California Law Review, 66, 541–566.

[2] Lind, E. A., & Tyler, T. R. (1988). The Social Psychology of Procedural Justice. Plenum Press; Tyler, T. R. (1990). Why People Obey the Law. Yale University Press; Tyler, T. R., & Lind, E. A. (1992). A Relational Model of Authority in Groups. Advances in Experimental Social Psychology, 25.

[3] Mashaw, J. L. (1981). Administrative Due Process: The Quest for a Dignitary Theory. Boston University Law Review, 61, 885–932.

[4] Leventhal, G. S. (1980). What Should Be Done with Equity Theory. In Social Exchange Theory (pp. 27–55).

[5] Binns, R., et al. (2018). 'It's Reducing a Human Being to a Percentage': Perceptions of Justice in Algorithmic Decisions. Proceedings of CHI 2018.

[6] Lee, M. K., & Baykal, A. (2017). Algorithmic Mediation in Group Decisions: Fairness Perceptions of Algorithmically Mediated vs. Discussion-Based Social Division. Proceedings of CSCW 2017.

[7] 《人民法院在线调解规则》（法释〔2021〕23号），第8条。

[8] Kleinberg, J., Mullainathan, S., & Raghavan, M. (2016). Inherent Trade-Offs in the Fair Determination of Risk Scores. arXiv:1609.05807（会议版：Innovations in Theoretical Computer Science, 2017）.

[9] Chouldechova, A. (2017). Fair Prediction with Disparate Impact: A Study of Bias in Recidivism Prediction Instruments. Big Data, 5(2)；及其儿童保护热线筛查决策案例研究（Proceedings of FAT* 2018）.

[10] Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine Bias. ProPublica, May 23, 2016.

[11] Binns, R. (2018). Fairness in Machine Learning: Lessons from Political Philosophy. Proceedings of FAT* 2018.

[12] Sela, A. (2018). Can Computers Be Fair? How Automated and Human-Powered Online Dispute Resolution Affect Procedural Justice in Mediation and Arbitration. Ohio State Journal on Dispute Resolution, 33(1), 91–148.

[13] Citron, D. K. (2008). Technological Due Process. Washington University Law Review, 85, 1249–1313.

[14] Barocas, S., & Selbst, A. D. (2016). Big Data's Disparate Impact. California Law Review, 104, 671.

[15] 毛俊响、郭敏：《迈向算法正义：算法歧视的社会建构及其治理策略》，《中南大学学报（社会科学版）》2026年第32卷第1期。

文字：潘科臻

审核：徐大闯

编辑：潘科臻