Re:Genesis · 제로크라임 AI
양형 검색 시작
RE:GENESIS·양형 근거·정책 분석

이 사건의 권고 형량

형량으로 끝이 아닙니다 — 재범 위험과 이를 줄일 처분까지, 같은 근거로.
사기 · 40대 · 전과 1회 사건
권고 형량은 죄종·피해액·양형인자를, 처분안·재범 시뮬레이션은 죄종·전과·직업을 반영합니다. (양형 검색 탭에서 입력)
간이 체험 마을(미리보기) — 위 권고 수치와 별개의 화면 시뮬

③이 사건의 재범 위험 시점

출처: 대검찰청 「2025 범죄분석」 (형법범 374,245명)

④근거 확인 도구 (검증용 · 양형 결정은 법관)

같은 사건을 세 가지 방식으로 더 따져봅니다.

쟁점 비교
가정 변경
근거 대조
▸ 심사위원용 — 방법론·연구 데모

ⓘ 이 탭은 조건을 고정해 같은 결과를 재현하는 방식입니다. 다음 장 — 이 판단이 그 사람의 36개월을 어떻게 바꾸는지 보기 →

양형 검색 근거 ① — 양형 검색에서 입력한 프로필이 아래에 자동 입력됩니다(직접 수정·입력도 가능).
호출당 약 4.3원 ($0.0032)

데이터 인용 위주로 6개 시점이 분석합니다.

6 페르소나 토론 비용 — AI 6회 병렬 호출 (각 input ~3K + output ~1K tokens): Input 18K × $0.075/1M = $0.00135 / Output 6K × $0.30/1M = $0.0018 → 합계 $0.00315 ≈ 4.3원 (1 USD ≈ 1,370 KRW). 응답 약 20~50초(LLM 6회 병렬, 입력 길이에 따라 변동).
6개 관점이 같은 사건을 각자 독립 분석

통계·법리·정책·피해자 등 서로 다른 6개 시각에서 같은 사건을 분석해 한 화면에 보여줍니다.

예시 사건이 채워져 있습니다.

약 4.3원 · 약 20~50초 (AI 6회 호출, 입력 길이에 따라 변동)

양형 검색 근거 ② — 정책이 아닌 양형 자체에 대한 4단계 토론. 같은 양형자에 대해 검사·변호인·판사가 어떻게 보는지 직접 확인.
호출당 약 4.1원 ($0.003)

검사 → 변호인 → 판사 → 종합 4단계로 같은 사건을 양형 관점에서 토론합니다.

4단계 양형 토론 비용 — AI 4회 순차 호출 (각 input ~4K + output ~1.5K tokens): Input 16K × $0.075/1M + Output 6K × $0.30/1M = $0.003 ≈ 4.1원. 첫 분석(검사·변호인) 약 15~20초에 먼저 표시(라이브 실측 16~18초), 전체 4단계 완료 약 30~50초(입력 길이에 따라 변동).
⚖️
4단계 양형 토론

👨‍⚖️ 검사 시점 (가중요소) → 🛡️ 변호인 시점 (감경요소) → 🧑‍⚖️ 판사 시점 (종합) → 최종 판단

위 입력란에 사건 개요를 입력하고 4단계 토론 시작 버튼을 누르세요.

양형 검색 근거 ③ — 이 양형자의 1~2개 조건(초범↔재범, 단순적발↔사고)을 바꿨을 때 양형이 어떻게 달라지는지 가상 비교.
호출당 비용 0원 (무료)

"만약 이 사건이 ___이었다면 양형이 어떻게 달라졌을까?"를 조건을 바꿔 비교합니다.

비용 — 가중·감경 인자를 직접 계산: AI 호출 0건, Lambda 호출 1건 (~0.004원). 응답 1초 미만.
🔮
조건 바꿔 비교

같은 사건의 1~2개 조건(예: 초범→재범, 단순 적발→사고 발생)을 바꿔 → 양형 차이 비교

위 입력란에 사건 개요를 입력하고 조건 바꿔 비교를 누르세요.

정책 비교 근거 ④ — AI 전문가 합의로 자동 산출한 정책 조합을 여기서 직접 최적화 실행 → 다른 후보 정책 탐색.
빠른 탐색 ~0.5원/회 정밀 통합 ~7~12원/회
🤖 페르소나 AI
Auto 모드
📊 가상 모형 기준선
내장 평균
🤖 AI 엔진
AI 엔진 A

320 = 세대 × 인구 만큼의 정책 효과 평가 횟수. 직접 계산식이라 유료 AI 비용 0원, 값이 클수록 그래프 선이 길어집니다.

두 방식 비교 (호출 1회당):
  • 빠른 탐색: 정책 효과를 직접 계산식 기준재범률 × (1 − Σ aᵢ × √gᵢ)으로 평가 — 한 번에 ~0.5원, 유료 AI 호출 0 (개략 비교 단계)
  • 정밀 시뮬 통합: 각 후보를 가상사회 시뮬(가상 인구 100명·8년·다중 seed 10회)로 평가하고 세대마다 AI 전문가 조언을 덧붙임 — 한 번에 ~12~15원 (실측 2026-05-10: 8세대 ×5.0초 처리 + AI 전문가 8회)
정밀 시뮬 모드: 8세대 × 20 후보 × 다중 seed 10회 = 1,600회 가상사회 시뮬(가상 인구 100명 × 8년 추적) + AI 전문가 8회 조언. 재현 가능한 저비용 통합 시뮬입니다.
※ 이 도구는 가상 인구 시뮬레이션(심각도 1~10 균등) 기반이며 — Park et al. 2024(arXiv 2411.10109)의 1,052명 인터뷰 기반 인물 시뮬과는 다른 접근법입니다.
이 차트는? 세대를 거듭할수록 정책이 얼마나 좋아지는지를 보여줍니다.
  • 초록 (best) — 각 세대에서 가장 좋은 정책의 재범률 (낮을수록 좋음)
  • 주황 (avg) — 각 세대 평균 재범률
  • 빨강 점선 (worst) — 각 세대에서 가장 나쁜 정책
초록선이 점점 내려가면 유전자 알고리즘이 정책을 진화시키고 있다는 뜻입니다.
이 차트는? 최적 정책 후보의 6가지 재범 방지 프로그램 투입 비율입니다 (합계 = 100%).
  • 막대가 높은 프로그램 = 재범 방지에 더 많이 투입 권장 (가상사회 ABM 시뮬 결과 기준)
  • 예: 직업훈련 36% + CBT 25% → "출소자 100명 중 36명에게 직업훈련, 25명에게 CBT(인지행동치료) 우선 배정"
가상 사회 시뮬레이션(100명 × 96개월) + 정책 조합 최적화 결과입니다. 실제 한국 정책에 직접 적용하는 것이 아니라 — 정책 비교를 위한 사고 실험용 후보입니다.
정책 비교 근거 ⑤ — 자동 최적화로 도출한 정책을 여기서 직접 비교·검증. 한국 현행·노르웨이 Bastøy·최적 정책을 N명 가상 시뮬로 상세 비교.
1
🧬 최적 정책 탐색
정책 조합 자동 최적화
→
2
가상 사회 시뮬
100명 × 8년 추적
→
3
AI 전문가 조언
매 단계 정책 의견
→
4
정책 비교
재범률·신뢰구간 비교
비교 정책 (다중 선택, 모바일 친화)
호출당 ~0.5원

가상 인구 N명(같은 조건 고정)에 각 정책을 적용해 재범률을 비교합니다(95% 신뢰구간 표시). 실존 인물에는 적용하지 않습니다.

본 시뮬 비용 분석 — 직접 계산식(상태전이 모형)으로 96개월 × N명 계산: 유료 AI 호출 0건, 서버 호출 1건 (~$0.000003 = 0.004원). 거의 무료라 수만 회 반복도 부담 없습니다. (참고: 6명 AI 토론은 1회당 약 4.3원, 추후 학술 논문 투고·운영 정착 시에도 운영비 ~$30/월).
👥
AI 가상 사회 정책 비교

위에서 N명의 가상 인구 + 비교 정책을 선택하고 시뮬 실행 버튼을 누르세요.

기본값: 1,000명 + 한국 현행 / 인지행동치료(CBT) / 직업훈련 / 노르웨이 Bastøy 4개 정책. 같은 조건 고정으로 항상 같은 결과(재현 가능).

🏘️ 이 차트는? 9개 정책을 똑같은 N명 가상 인구에 적용했을 때 재범률이 어떻게 달라지는지를 비교합니다 (낮을수록 좋음).
  • 초록 (15% 미만) — 매우 효과적인 정책 (예: Bastøy 노르웨이 모델)
  • 주황 (15~22%) — 보통 효과 (예: 한국 현행)
  • 빨강 (22% 이상) — 효과 부족 정책
같은 사람·같은 조건(seed=42 고정)에서 정책만 바꿔서 결과를 비교하므로, 정책 자체의 효과를 깔끔하게 분리할 수 있습니다.
같은 사람도 어떤 정책을 받느냐에 따라 8년 뒤 재범률이 달라집니다 — 그 격차를 가상 사회로 확인합니다.
바로 결론을 보려면 STEP 3(정책별 재범률 비교)로, 원리가 궁금하면 STEP 1·2(한 명 → 친구)부터 보세요.
⚙ 연구용 가상 시뮬레이션 — 실존 인물·실제 사건 아님 · 색·기호 안내 펼치기 ▾
본 화면의 모든 사람·관계·사건은 컴퓨터가 만든 가상 데이터입니다. 가상 인구 수백 명(기본 500명)을 두고 8년간(96개월) 정책 효과를 시험합니다.
  • 🟢 사회복귀 성공 (재범 없이 정착)
  • 🔴 다시 범죄 (재범 발생)
  • 주변 영향 받음 (친구가 범죄하면 따라가는 가상 효과)
  • 🟠 수감 중 · ⚪ 자유 (관찰 중)
→
→
👤
사례자 A
28세 · 절도 1심 후 출소 · 무직 · 부양가족 1인

📅 96개월 (8년) 라이프 타임라인 — 사례자 A

사례 A — 안정 고용·가족 형성 경로
직업 훈련(12개월) → 취업(18개월) → 관계 안정(36개월) → 결혼(60개월) → 8년간 재범 없음. 안정적 고용과 가족 형성이 재범을 낮추는 방향으로 작용한 경로(시뮬레이션 추정, 실제 인물 아님).

켜면 LLM이 선택한 죄종의 24개 인구 군집별 심리 성향(의지·규범·스트레스·또래)을 생성해 시뮬 보정에 반영합니다. 끄면 기존 통계 보정(g_llm 캐시)만 사용. 첫 실행은 LLM 군집 생성으로 최대 18초.

정책 운영 방식 i

선택한 가상 인구 + 친구 네트워크 + 96개월. 재범이 발생하면 주변 인물의 재범 위험이 오르고, 결혼·취업하면 재범 위험이 내려갑니다. 정책 운영 방식을 켜면 특정 집단에만 차등 적용됩니다. 인구가 작을수록(100명) 한 번 실행할 때 변동이 큽니다 — 기본 500명 권장.

가상 사회 다중 에이전트 시뮬

위에서 인원·죄종·관계망을 선택하고 시뮬 실행을 누르세요.

취업·사회유대는 재범을 낮추고 고위험 또래접촉은 높이는 범죄학 연구 결과를 반영합니다.

📜 대법원 양형위원회 공식 자료 통합 — sc.scourt.go.kr 45개 죄종 자동 수집 (2026-05-11). 권고형량 표 413개 + 가중·감경 인자 2,106개 + 형사 판례 9,900건과 매칭 3,284건 (비형사 행정·민사·특허 제외 2026-05-12). "양형기준엔 있는데 실제 판결엔 적용 빈도 낮은 인자" 자동 갭 분석.
양형위 원본 페이지
📜
권고결론을 공식 원문으로 즉시 검증

검색탭에서 입력한 죄종이 자동 매핑됩니다. 권고결론(#regenesis)의 양형범위·가중감경 인자·실제 적용 판례·양형기준 갭을 한 화면에서 공식 원문과 대조해 신뢰성을 검증하세요.

↑ 검색탭에서 죄종을 선택하면 즉시 자동 표시 · 위 드롭다운에서 다른 죄종으로 전환도 가능.

양형 검색 근거 ⑥ — 페르소나 토론·정책 가중치의 raw 데이터 기반. 17,374건 NER 판례 통계 (지도·지역·죄종·연령).
어느 죄종에 재활 정책 자원을 먼저 배정해야 하는지 한눈에 — 같은 죄로 다시 잡힐 확률(동종재범률)이 높은 죄종일수록 처벌보다 재활에 무게.
NER이란? Named Entity Recognition (개체명 인식)의 줄임말입니다. 형사 판례 본문(긴 줄글)을 AI가 읽고 "피고인 나이·죄종·전과·형량·지역" 같은 핵심 정보를 자동으로 뽑아내는 기술입니다.
이 도구는 법제처 판례 17,374건을 AI로 자동 NER 처리해 표·차트·시뮬레이션의 원천 데이터로 가공했습니다.

17,374건 판례(AI 추출) 데이터를 10개 차원으로 시각화합니다 — 지도·지역·죄종·연령 + 죄종별 재범률·정합성·목표 균형·5부처 매트릭스·양형인자·시간감쇠.

본 시뮬레이션 도구 호출당 비용: 0원~4.3원 (직접 계산식 시뮬 = 0원 / AI 전문가 토론 = ~4.3원). 통계 시각화 자체는 데이터 조회만 — 거의 무료. 정부 도입 시 운영비 추정 ~$30/월.
📊
0
NER 사건
법제처 AI 추출
🏛
0
중앙부처
5+1 데이터 결합
0
메타분석
Wilson·Lipsey 등 인용
🌐
0
해외 대조
한·노·일·미 방향 비교
📊 지도 색상 기준:
🗺️ 이 지도는? 한국 17개 시·도별 형사 판례 AI 추출 건수(NER, 위 박스 참조)를 색상 농도로 보여줍니다 (진할수록 많음).
  • 절대 NER 건수 — 각 시·도에서 추출된 총 사건 수 (인구 많은 곳이 자연히 많음)
  • 인구 10만명당 — 인구 보정 (서울 vs 시골 비교 가능)
  • 5대범죄 대비 NER% — 통계청 5대범죄 대비 본 데이터의 커버율
위 3 모드 버튼을 눌러 각각 보면 지역별 형사 사법 패턴의 차이가 드러납니다.
🗺️ 지역 도넛? 상위 10개 시·도가 전체 NER에서 차지하는 비중을 한눈에 보여줍니다. 도넛 조각이 클수록 그 지역 사건이 많습니다.
⚖️ 죄종 vs 재범률? 파란 막대 = NER 사건 수 (얼마나 자주 일어나나) / 빨간 선 = 동종 재범률 % (다시 같은 죄로 잡힐 확률).
막대는 작아도 빨간 선이 높으면 재범 우려가 큰 죄종입니다.
👥 연령 분포? 피고인 연령대별 NER 사건 수입니다 (10대~60대+). 막대가 길수록 그 연령대 사건이 많습니다.
어느 연령대에 정책 자원을 우선 배정해야 할지 raw 통계 근거로 활용할 수 있습니다.

핵심 분석 6 시각화

아래 6개 차트는 단순 통계가 아니라 이 도구가 사용하는 분석 방법의 근거를 보여줍니다.

[A] 죄종별 재범률 매트릭스 — 본 출품 차별 핵심 KOSIS 범죄분석통계(TX_13501_A082) 2024 기준, 같은 죄로 다시 잡힐 확률(동종)과 다른 죄로 잡힐 확률(이종)을 죄종 16종에 대해 보여줍니다.
본 출품 핵심 메시지: "절도 동종재범률 43.5%인데 단순히 처벌만 강화? 재활 정책 자원 우선 배정해야 함" — 정책 자원 배분 우선순위가 즉시 보입니다.
🌐 [C] 방향성 비교 (사고실험 · n=4, 예측 검증 아님) 본 시뮬이 해외 공개 통계와 같은 방향인지 비교 — 가로축 = 공개 통계 재범률, 세로축 = 본 시뮬 재범률. 점이 대각선(sim=real)에 가까울수록 경향 일치. ⚠️ 통계적 검증·예측 정확도 아님(사고실험).
한국 KOSIS / 노르웨이(국가 2년 재범) / 일본 PFI / 미국 RNR 4사례 — 평균 gap 1.1%p (미국 RNR은 gap 2.2%p로 경향 차이). 약출처(단일시설·위키)는 국가 공식치로 교체.
⚖️ 4가지 목표를 함께 보는 화면 4가지 목표가 서로 맞물리는 모습 — 재범↓·비용↓·인권↑·형평성↑를 한꺼번에 다 만족하는 정책은 없습니다. 어느 하나도 손해 없이 더 좋아질 수 없는(균형이 잘 잡힌) 5~10개 정책만 라인으로 표시.
정부가 "어떤 절충점을 받아들일지" 판단할 때 이 차트가 의사결정 보조 도구가 됩니다 (다목적 최적화 기반).
🏛 [B] 5부처 통합 데이터 매트릭스 5개 중앙부처 6개 데이터셋을 결합한 근거 규모 (log scale). 법제처·대법원·통계청·양형위·행안부·경찰청.
[D] 신규 양형 인자 43건 (양형위 회의록 OCR) 대법원 양형위원회 회의록 144회 PDF에서 AI OCR로 추출한 신규 가중·감경 인자 43건의 분류 분포.
양형위원회 의결 회의록은 일반인이 접근하기 어려운 영역 — 이 도구가 자동 OCR로 정형화했습니다.
⏳ [E] 재범 위험 시간변화 곡선 (8년 추적) 출소 후 96개월(8년) 추적 + 메타분석 시간감쇠 (Loughran-Nagin 2017). 정책 효과는 시간이 지날수록 감쇠:
  • 가족면접 (τ=60) — 가장 오래 지속 (5년)
  • 직업훈련 (τ=36) — 3년 지속
  • CBT (τ=24) — 2년 지속, 빠른 감쇠
이 곡선이 GA fitness 함수의 핵심 입력 — "단기 효과 vs 장기 지속" trade-off 정책 설계에 직접 반영됩니다.
글로벌 시스템 비교 — 이 도구와 AgentSociety(칭화대)·Generative Agents(스탠퍼드) 등 사회 시뮬레이션 연구를 기능별로 대조한 표입니다. 정책 비교·다관점 토론·정책 최적화·한국 데이터·윤리 가드레일 유무 기준.
이 도구가 칭화대·스탠퍼드 등 해외 사회 시뮬레이션과 같은 방법을 쓰는지 한눈에 — 심사위원이 신뢰성을 확인하는 대조표입니다.
🎭 LIVE AI 사회 상호작용 — 6명의 AI 에이전트가 실제로 서로의 발언을 메모리에 저장하고, 반박·지지하며, 합의를 도출하는 3라운드 법정 토론. Stanford Smallville 패턴 기반.

⚠ 정책 비교 시뮬레이션용 — 개인 위험도를 산출하지 않습니다.

오늘의 사건 — 당신이 판사입니다
가상 정책 실험 · 실제 인물 아님 · 죄종별 통계 기준 추정

당신의 판단이
이 사람들의 1년을 바꿉니다

약 30초면 선고를 마치고, 그 뒤 36개월(1년 단위)로 재범이 어떻게 달라지는지 지켜봅니다.

어떻게 하나요? (자세히)

카드 모드(위 버튼·30초): 사람을 고르고 정책을 고르면 재범 위험이 바뀝니다. 3D 모드(아래 「가상 마을 입장」·즉시 열림): 자체 제작 3D 마을을 직접 걸어 다니며(W·A·S·D) 사람을 클릭하거나 채팅창(T)에 !직업훈련 출소자-01 처럼 선고하면 그 사람이 장소로 걸어가고 위험 색이 바뀝니다. !도움으로 명령 목록.

정책 5종 — 직업훈련·정신건강치료·피해변제·멘토링·주거지원. 연구로 알려진 효과크기에 따라 재범 위험이 다시 계산됩니다(추정값·실측 아님).

근거는 ② 근거·정책 분석, 사건 입력은 ① 양형 검색. 가상 인물은 익명 아바타이며 실존 인물·개인 낙인이 아닙니다.

지금 이대로면 이 마을 16명 중 약 4명이 1년 안에 다시 범죄로 돌아갑니다 — 당신의 정책으로 이 숫자를 줄일 수 있습니다. (죄종별 재범률 평균 24% 기준 추정)
대표 명부 · 8대 죄종

8대 죄종의 출소자들, 당신의 선고를 기다립니다

8대 죄종 × 2 사례 — 재범 위험은 법무부·KOSIS 죄종별 통계, 인물 속성은 NVIDIA Nemotron 합성 인구(죄종과 무관하게 결합). 정책을 선고하면 재범 위험이 즉시 바뀝니다.

재범 위험 높은 순 · 먼저 살펴보세요
출소자 03절도 — 생계형 절도. 머물 곳도 일자리도 없다.44%
출소자 01사기 — 사업 실패 후 빚에 몰려 투자 사기. 부양 자녀 2명.37%
출소자 05폭행·상해 — 음주 시비 끝 폭행. 분노 조절이 안 된다.27%
출소자 04강도 — 우발적 강도. 출소 후 사회와 단절됐다.20%
출소자 02횡령·배임 — 회사 자금에 손댔다 적발. 재취업 길이 막막하다.18%
출소자 07뇌물 — 공직 비리. 신뢰를 잃고 가족도 등을 돌렸다.18%
출소자 06성폭력 — 성범죄 출소. 사회 복귀 감시·치료가 필요하다.15%
출소자 08디지털성범죄 — 온라인 성범죄. 왜곡된 인식 교정이 시급하다.15%
같은 위험도 44%, 다른 사정 (절도 죄종 통계 기준값 · 선고 전)
사례 03절도 · 30세● 44%
생계형 · 머물 곳·일자리 없음
사례 11절도 · 24세● 44%
초범 · 일자리만 있으면 달라질 수 있음
위험%가 같은 건 절도 죄종의 통계 기준값이기 때문입니다 — 같은 숫자라도 사람의 사정은 다릅니다. 카드를 눌러 사정에 맞는 정책을 선고하세요.
입장 후 사람을 클릭하거나 채팅(T)에 !직업훈련 출소자-01 처럼 선고 · 즉시 열림
정책은 개인이 아니라 그 사람이 처한 사회 조건을 바꿉니다.
PC 마인크래프트(자바판)로도 접속할 수 있어요

접속 주소: items-plasma.gl.joinmc.link

마을 전체 정책 효과 ⓘ

정책 적용 0 / 16명
이 마을 16명 중 다시 범죄로 돌아갈 것으로 추정 —
마을 재범위험 선고 전 (— → —) 죄종별 재범률 평균 기준 추정 · 개인 예측 아님
이 마을에 선고된 정책: 아직 없음
📊 정책별 배정 상세 — 어떤 지원에 쏠렸나 (펼쳐 보기)
③ 정책 효과의 근거

효과가 연구로 확인된 정책에만 점수를 줬습니다

✓ 4점수 반영 ✕ 1효과 미확인 → 0점
✓직업훈련재범을 줄이는 효과 — 일자리로 이어질 때 특히 큼메타분석
✓정신건강치료재범을 줄이는 효과 — 인지행동치료(생각·행동 교정)체계적 문헌고찰
✓피해변제재범을 줄이는 효과 — 피해 회복·관계형 범죄에서메타분석
✓멘토링재범을 줄이는 효과 — 크기는 작은 편메타분석
✕주거지원재범을 줄인다는 일관된 근거가 아직 없음 → 0점근거 부족
📚 출처 5건 보기 · 해외 연구에서 빌려온 추정값(한국 직접 측정 아님)
  • 직업훈련 — Davis et al. 2013, RAND Corporation 메타분석
  • 정신건강치료 — Landenberger·Lipsey 2005 체계적 문헌고찰
  • 피해변제 — Strang et al. 2013, Campbell Collaboration 회복적 사법 리뷰
  • 멘토링 — Jolliffe·Farrington 2008 멘토링 메타분석
  • 주거지원 — Jacobs·Western 2017 주거-재범 연구(일관된 효과 미확인)

참고용 추정치 · 검증된 인과효과 아님. 기준 재범률은 죄종별 KOSIS 통계 기반(일부 죄종은 통계가 없어 인접 죄종 값 대용). 근거·정책 분석 탭과 동일한 출처 체계.

④ 심화 — 왜 색이 움직이나

생활 패턴이 재범을 움직인다

생활 패턴 반영 중

가상 인물의 생활 패턴(일·관계·고위험 접촉)이 재범 위험을 얼마나 바꾸는지 보여줍니다. 가상 사회에 입장하면 인물들의 행동이 집계되어 아래 지표가 실시간으로 채워집니다.

⚠ 정책 가정의 방향성·민감도 도구 · 참고용 추정 ⓘ

가상 인물 생활 패턴 ⓘ
관전 시작 시 집계…
생활 패턴이 바꾼 재범 위험
—
정책 외에 생활 패턴이 추가로 움직인 폭
재범 위험 비교 ⓘ
집계 대기…
입장 후 집계됩니다
무엇이 위험을 바꿨나 — 요인별 비중 ⓘ
집계 대기…

안정된 직업과 건전한 관계는 재범을 낮추고, 고위험 인물과의 접촉은 재범을 높이는 경향이 다수 범죄학 연구에서 일관되게 보고됩니다ⓘ. 본 시뮬은 이 효과를 과대평가하지 않도록 보수적으로 적용하며, 같은 조건이면 항상 같은 결과가 나오도록 설계해 검증할 수 있습니다.

⑤ 살아있는 사회

가상 인물들의 실시간 활동

선고가 내려지면, 이곳에 도시의 1년이 기록됩니다
가상 사회에 입장해 정책을 선고하면 인물들의 자율 행동과 정책 반응이 시간 순으로 쌓입니다.
AI 가상 인물의 자율 행동 + 재범 방지 정책 적용 시 반응이 기록됩니다.

⚠️ 가상 시뮬레이션 · 학술·비영리 목적 · 실존 인물에 적용하지 않습니다

동작 방식

이 도구를 30초 안에 사용하는 4단계입니다. 판사·정책 기획관·일반 공무원 누구나 사용 가능.

STEP 1

양형자 정보 입력

메인 화면 폼에서 죄종·연령·전과·직업·특이사항 5개를 선택. 또는 샘플 사건 6개 중 클릭.

STEP 2

결과 4 카드 확인

권고 형량·양형 인자·유사 판례·추천 처분. 각 라벨 옆 ?에 마우스 올리면 의미 설명.

STEP 3

② 판단과 근거 — 이 36개월의 근거 확인

상단 "② 근거·정책 분석" 탭에서 양형 토론·정책 시뮬·대법원 양형기준 중 보고서에 필요한 근거를 선택.

STEP 4

근거 데이터 검수

심사·검증 자료 Evidence Console(/admin)에서 모든 데이터 출처·검증 로그 확인 후 보고서에 인용.

사용 사례 · 정책 기획관

보호관찰 확대 정책 보고서 작성

  1. 샘플 사건 "음주운전" 클릭 → 결과 4 카드 확인
  2. "정책 연구자 보기" 토글 → 재범률 변화·사회적 비용·동종 재범률(KOSIS 기반, 일부 프록시) 확인
  3. "근거·정책 분석" 탭 → 정책 적용 전후 재범 시뮬 차트 캡처
  4. 관리자 페이지에서 데이터 출처·검증 로그 확인 후 보고서 인용
사용 사례 · 판사 보좌관

강도 사건 양형 검토 참고

  1. 양형자 폼에 죄종 "강도"·전과·연령 입력
  2. "판사 보기" 토글(기본) → 양형 추론 흐름 4단계(권고형량 → 양형인자 → 법률상 조정 → 예상양형) + 양형인자 매칭 + 유사 판례 3건 확인
  3. "양형위 원문 highlight" 클릭 → 대법원 양형위 공식 표 위치까지 자동 강조
  4. 추천 처분(사회봉사·CBT 등) 부수처분 근거 + 6 페르소나 4단계 토론 권고 참고