英文法学著作中将再犯罪危险分为“danger”和“dangerousness”，前者译为“危险”，强调“行为的危险”；而后者译为“危险性”，强调的是“行为人的危险”，即人身危险性，特指实施犯罪的可能。根据法律规定和法律词典解释，可从两个不同层面对“危险”的定义进行描述：法律规定层面是基于行为属性，被定义为将对他人身体造成伤害的可能。一种行为之所以认为是危险的，主要在于行为本身有可能会导致人身伤害。法律词典解释是基于危险的客观事实层面，它被认为是一种导致危害、损失、痛苦或其他否定结果的外在表现或威胁。从理论上区分：危险主要是指行为的可能性，危险性主要是指行为人的心理倾向性。但是不论是对危险还是危险性的概念解释中的伤害对象都指的是人的身体或精神，而其他伤害却未包括其中，故其范围过于狭窄。我们因此又不能完全按照上述关于对危险或危险性的解释来界定我国的再犯罪危险概念，因为上述概念中危险或危险性属性之考量未吸纳风险社会中风险概念之新特征，故其难以应对一种不可预测和不可理性计算的新风险。而在刑事司法实践中，危险性的测量需要根据危险行为指标进行评估，危险行为的测量也包括对行为人的心理倾向性进行评估。英国内政部与健康安全局曾将危险性定义为：一种引起严重的身体伤害（Injury）或持续的精神伤害（Harm）的倾向[12]。美国司法精神病学家亨利·科舟（Herry L.Kozol）将危险性定义为：对他人强加的一种严重身体伤害的潜在可能性[13]。危险性也因此被理解为一种攻击性。《中华人民共和国刑法修正案（八）》中关于缓刑和假释要求中的“没有再犯罪的危险”和《中华人民共和国刑法修正案（九）》中职务犯罪限制从事相关职业要求中的“预防再犯罪”既包括行为人的危险也包括行为人的危险性。这是因为：对于行为人再犯罪危险的审查判断，我们既需要从客观方面来评估行为的危险，也需要从主观方面来评估行为人的危险性。我国学者一般将行为人的危险表述为行为人的危险性，然而危险性是一个相对比较抽象的概念，很难对其进行预测，但是刑事司法领域中的许多定论又需要认定行为人的危险性。曾赟[14]以攻击性与破坏性相结合、危险与风险相结合两个原则为基础，将再犯罪危险定义为：因犯罪被处以监禁刑或社区矫正，再犯被处以监禁刑或社区矫正的犯罪的风险。这是广义上的再犯罪危险的定义，因为运用攻击性和破坏性相结合的原则，可以将其他损害纳入再犯罪危险性评估，不仅包括因违反社会规范而被责罚的行为，还包括对人的身体或精神造成的可能伤害或对财产造成的可能损害的行为；运用危险和风险相结合的原则，可在再犯罪危险性评估中对可能的风险因素进行重点评估，实现基于风险视角下的危险性概率计算。本书对再犯罪危险的定义依此为参照，主要是指曾经因犯罪判刑入狱后再犯被判刑入狱或进入社区矫正的犯罪的风险。
为提高服刑人员的教育改造质量，提升监管安全水平，减少狱内安全事件的发生率和降低再犯罪率，许多学者和监狱从业人员开始研究个体，特别是特定服刑人员是否具有人身危险性、危险性的类别以及危险性程度量化等问题，通过随机抽样选择样本，然后利用统计学方法提取特征，制定量表进行再犯罪预测或危险性评估，并基于量表开发了许多服刑人员危险性评估系统，在一定程度上可实现对服刑人员的危险性进行量化。然而，量表测评本身具有其局限性，一方面，如果量表没有进行信度和效度的检验，其准确性很难保证。即使进行了效度和信度检验，一套量表一旦制定出来就相对固定了，变成通用的了，然而和犯罪行为相关的因素会随着社会环境、地理区域、犯罪类型等的变化而变化，因此量表的信、效度会随着时空的转换而变得越来越低。另一方面，抽样调查本身具有登记性误差和代表性误差，所谓登记性误差是指由犯人人为主观因素造成的误差，而代表性误差是指不论随机抽样多么科学，总是不能代替所有目标对象，因此从样本空间提取出来的特征总是和实际有一定的误差。然而在大数据时代，我们可以通过收集全部服刑人员的结构化、半结构化、非结构化数据，包括静态属性和动态行为数据；然后利用统计方法、数据挖掘、数据可视化等大数据相关技术提取服刑人员危险性特征，建立服刑人员危险性识别与动态预测模型；再然后利用机器学习等技术根据后期测试结果不断修订、优化模型，提高精度，使其成为一个循环反馈环路，从而建立一套服刑人员危险性识别与动态预测体系。该体系一方面针对的是所有服刑人员，避免了抽样调查随机性带来的误差；另一方面该体系收集的是每个服刑人员的静态属性和动态行为数据，可提供个性化、精准化的危险性识别和预测，避免了模型随时空的转换而信、效度降低的可能[15]。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
