Re:Genesis · 제로크라임 AI

이 사건, 어떤 형량을 권고하나

판사의 양형 판단을 돕습니다. 입력한 사건의 권고 형량과 그 근거를 먼저 제시하고, 양형기준·유사판례·재범 데이터로 뒷받침합니다.

← 양형 검색에서 입력한 사건의 근거실 프로필 변경 →
사기 · 40대 · 전과 1회 사건
이 근거실에 반영: 죄종·연령·전과·직업·중대도 (죄종별 재범·정책효과 시뮬)  | 미반영: 피해액·특별/일반 양형인자 → 인자별 양형범위는 양형 검색 탭에서
⚖️ 권고 결론 — 판사 판단 보조용 (최종 형량은 재판부 결정)
양형 프로필을 입력하면 권고 형량과 주문이 표시됩니다.

아래 수치는 공공데이터·메타분석 기반 모형 추정치이며, 각 소스는 모집단·측정정의가 달라 직접 합산·비교는 신중해야 합니다. 최종 처분·형량은 법관이 독립 판단합니다.

이 사건의 재범 위험 시점 — 재범 발생 중 —가 1년 내, —가 3년 내 (조기 개입 근거)

출처: 대검찰청 「2025 범죄분석」 (형법범 374,245명)

⚖️ 이 사건 추천 주문 비교 — 재범위험 저감 시뮬

위에서 입력한 양형 프로필 기준으로, 부수처분 조합이 다른 추천 주문 안(案) 1~3개를 만들어 36개월 재범률을 비교합니다. 형량 추천이 아니라 재범위험 저감 시나리오 비교입니다.

결과를 더 깊이 보려면 — 다음 분석으로 이어가세요

🎮 이 탭은 분석가 시점(조건 고정, 재현 가능). 인물이 자율로 움직이는 체험가 시점은 Minecraft 라이브 탭 → ⓘ
⚙️ 전문가 도구 ⌄
Hero 솔루션 근거 ① — Hero에서 입력한 양형자 프로필이 아래에 자동 입력됩니다(직접 수정·입력도 가능). 6 페르소나가 같은 사건을 다관점에서 토론합니다.
호출당 약 4.3원 ($0.0032)

데이터 인용 위주로 6개 시점이 분석합니다.

6 페르소나 토론 비용 — Gemini 2.5 Flash 6 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 5~15초.
🗣️
6개 시점으로 같은 사건 토론

👨‍⚖️ 검사 · 변호인 · 판사 · 🌍 글로벌 분석가 · 🧠 형사정책 연구자 · 👤 피해자 옹호자

예시 사건이 채워져 있습니다 — 토론 시작을 눌러보세요.

Hero 솔루션 근거 ② — 정책(Hero)이 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 — Gemini 2.5 Flash 4 순차 호출 (각 input ~4K + output ~1.5K tokens): Input 16K × $0.075/1M + Output 6K × $0.30/1M = $0.003 ≈ 4.1원. 응답 8~12초.
⚖️
4단계 양형 토론

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

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

Hero 솔루션 근거 ③ — Hero 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 가상 변경 시나리오로 비교합니다.

반사실 시뮬 비용 — Python closed-form 가중·감경 인자 직접 계산: LLM 호출 0건, Lambda 호출 1건 (~0.004원). 응답 < 1초.
🔮
반사실 시뮬레이션

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

위 입력란에 사건 개요를 입력하고 반사실 시뮬 버튼을 누르세요.

정책 비교 근거 ④ — AI 전문가 합의로 자동 산출한 정책 조합을 여기서 직접 최적화 실행 → 다른 후보 정책 탐색.
closed-form ~0.5원/회 전체 통합 ~7~12원/회
🤖 페르소나 AI
Auto 모드
📊 ABM 베이스라인
내장 평균
🤖 LLM 백엔드
Gemini 2.5 Flash

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

두 모드 정직 비교 (호출 1회당):
  • closed-form GA: fitness = baseline × (1 − Σ a_i × √g_i) Python 직접 산식. Lambda 1초 = ~0.5원 (학술 fidelity 단계 X)
  • 전체 통합 시뮬: 각 fitness 평가 = mini_society ABM(n=100, 96개월, robust×10 다중 seed) 호출 + 매 세대 Claude Haiku 페르소나 1회 inject. Lambda 38~40초 + Claude 8 호출 = ~12~15원 (실측 2026-05-10 기준: 8 gen×5.0s×4GB + Claude Haiku)
전체 통합 모드: 8세대 × 20 fitness 평가 × robust×10 = 1,600 ABM 호출 × 100 agent × 96개월 = 15,360,000 agent-months 진짜 ABM 시뮬 + 8 Claude Haiku 페르소나 inject. 재현 가능한 저비용 통합 시뮬.
※ 본 작은 가상 인구 ABM(severity 1~10 균등) 기반이며 — Park et al. 2024(arXiv 2411.10109) 1,052명 인터뷰 실측 인물 시뮬과는 다른 접근법. ABM × GA × LLM 통합 시뮬 일반 흐름.
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"
본 작 가상사회 ABM(100명 × 96개월) 시뮬 + 유전자 알고리즘 최적화 결과. 실제 한국 정책에 직접 적용 X — 정책 비교 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 (Lambda)

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(Python closed-form Markov 5-state)으로 96개월 × N명 계산: 유료 AI 호출 0건, AWS Lambda 호출 1건 (~$0.000003 = 0.004원). 실질적으로 무료라 수만 회 반복도 부담 없음. (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.
🎮 가상 인물 행동 시뮬레이션 — 실제 사건 X · 게임 같은 사고 실험
본 화면의 모든 사람·관계·사건은 컴퓨터가 만든 가상 데이터입니다. 실존 인물이나 실제 사건이 아닙니다. SimCity·The Sims처럼 100명을 가상으로 두고 8년간(96개월) 정책 효과를 시험합니다.
  • 🟢 사회복귀 성공 (가상 인물이 재범 없이 정착)
  • 🔴 다시 범죄 (재범 발생)
  • 🟣 주변 영향 받음 (친구가 범죄하면 따라가는 가상 효과 — Sampson-Laub 2006 학술 모형)
  • 🟠 수감 중 (가상 시설 입소)
  • ⚪ 자유 (관찰 중) (가상 사회에 있음, 아직 사건 X)
→
→
읽는 순서: 단계는 한 명 → 친구 효과 → 사회 전체 순. 추상화 사다리(Bret Victor "Ladder of Abstraction") + NetLogo turtle-first 학습 모형.
👤
철수
28세 · 절도 1심 후 출소 · 무직 · 부양가족 1인

📅 96개월 (8년) 라이프 타임라인 — 철수

0개월 (출소)24개월48개월72개월96개월
철수의 8년 이야기: 출소 후 12개월간 직업 훈련 → 12개월차 정규직 취업 → 36개월차 동료와 관계 안정 → 60개월차 결혼 → 96개월 무재범. Sampson-Laub turning point: 직업 + 결혼이 desistance(범죄에서 벗어남)의 두 핵심 변수.
정책 운영 방식(Regime) i

선택한 가상 인구 + small-world 친구 네트워크 + 96개월. 재범이 발생하면 주변 인물의 hazard 상승(peer effect), 결혼/취업하면 hazard 하락(Sampson-Laub turning point). 정책 운영 방식을 켜면 특정 집단에만 차등 적용됩니다. 인구가 작을수록(100명) 단일 실행 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 413개 매트릭스 + 가중감경 인자 2,106개 + NER 형사 9,900건 판례와 매칭 3,284건 (비형사 행정·민사·특허 제외 2026-05-12). "양형기준엔 있는데 실제 판결엔 적용 빈도 낮은 인자" 자동 갭 분석 (graphrag dual-level merge 차용).
양형위 원본 페이지
📜
대법원 양형위원회 공식 자료

위 드롭다운에서 죄종을 선택하면 권고형량 매트릭스 + 가중감경 인자 4분류 + 실제 적용 판례 + 갭 분석이 즉시 표시됩니다.

챗규(graphrag) generate_article_id + adaptive_k + dual_level_merge 패턴 차용.

Hero 솔루션 근거 ⑥ — Hero 페르소나 토론·정책 가중치의 raw 데이터 기반. 17,374건 NER 판례 통계 (지도·지역·죄종·연령).
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.
본 출품작은 법제처 판례 17,374건을 Gemini AI로 자동 NER 처리해서 표·차트·시뮬레이션 raw 데이터로 가공했습니다.

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

본 시뮬레이션 도구 호출당 비용: 0원~4.3원 (Python closed-form Markov·GA = 0원 / Gemini 페르소나 토론 = ~4.3원). 통계 시각화 자체는 raw 데이터 fetch만 — 완전 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
sim2real
한·노·일·미 정합성
📊 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.

본 출품작 차별 핵심 6 시각화

아래 6 차트는 단순 raw 통계가 아니라 본 출품작 framework의 학술적 근거를 보여줍니다.

[A] 죄종별 재범률 매트릭스 — 본 출품 차별 핵심 KOSIS DT_13501N 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] sim2real 정합성 (n=4) 본 시뮬이 실측 재범률을 얼마나 정확히 재현하는지 — 가로축 = 실측 재범률, 세로축 = 본 시뮬 재범률. 점이 대각선(perfect fit)에 가까울수록 본 framework의 정합성이 높음.
한국 KOSIS / 노르웨이 Bastøy / 일본 PFI / 미국 RNR 4국가 모두 gap ≤ 2%p (PASS) — 학술적 신뢰 확보.
⚖️ [F] Pareto Front 4목적 평행좌표 4 목적의 trade-off가 보이는 화면 — 재범↓·비용↓·인권↑·형평성↑를 동시에 만족하는 정책은 없습니다. 지배되지 않는 (Pareto-optimal) 5~10개 정책만 라인으로 표시.
정부가 "어떤 trade-off를 받아들일지" 판단할 때 본 차트가 의사결정 보조 도구가 됩니다 (NSGA-II 기반).
🏛 [B] 5부처 통합 데이터 매트릭스 본 출품작이 결합한 중앙부처 6 데이터셋의 row 수 비율 (log scale). 법제처·대법원·통계청·양형위·행안부·경찰청.
단일 부처 RAG 솔루션 6개 (GitHub 공개)와 차별 — 본 작은 5부처 결합으로 깊이가 다릅니다.
[D] 신규 양형 인자 43건 (양형위 회의록 OCR) 대법원 양형위원회 회의록 144회 PDF에서 Gemini OCR로 추출한 신규 가중·감경 인자 43건의 분류 분포.
양형위원회 의결 회의록은 일반인이 접근하기 어려운 영역 — 본 출품작이 자동 OCR로 정형화한 차별점.
⏳ [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 — 본 작과 AgentSociety(Tsinghua)·Generative Agents(Stanford Smallville) 등 LLM 사회 시뮬 연구를 기능별로 대조한 표. 정책 비교·페르소나 토론·GA 최적화·한국 데이터·윤리 가드레일 유무 기준.
🎭 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.

정책을 바꾸면, 가상 사회의 재범 위험이 눈앞에서 바뀝니다

출소자 8명에게 내가 직접 재범 방지 정책을 선고하면, 그 사람의 재범 위험(%·색)이 눈앞에서 바로 바뀝니다 — 판사도, 누구나. 마인크래프트 가상 사회는 그 변화를 입체로 목격하는 라이브 배경입니다.

아래에서 ① 직접 정책 판사가 되어 보고(바로 시작) → ② 색이 뜻하는 위험을 읽고 → ③ 가상 사회를 3D로 둘러보세요(선택). 24개월 재범 위험 수치는 정책 시뮬·근거실에서.

STEP 1 · 직접 해보기 (즉시 시작)

재범 제로 챌린지 — 당신이 정책 판사입니다

한정된 정책 예산으로 출소자 8명의 36개월 재범위험을 최대한 낮추세요. 아래 카드에서 정책을 고르면 그 사람의 재범위험(%·색)이 바로 바뀝니다 — 게임 화면은 같은 변화를 입체로 보여주는 라이브 배경입니다(부팅 없이 카드만으로 충분).

교육용 시뮬레이션
정책 예산 (포인트)
10 / 10
라운드
1 / 3
① 출소자별 정책 선고 (카드를 눌러 펼치고 정책 선택)

채점은 근거실 시뮬과 동일한 36개월 hazard + 정책효과 β=ln(OR) 구조(게임은 결정론 기대값)이며, baseline은 죄종별 KOSIS 실측 재범률입니다. 점수는 증거 기반 효과크기로만 계산됩니다(주거지원=근거 불충분 0점). β 출처: 직업훈련 Davis 2013 RAND · 정신건강치료 Landenberger-Lipsey 2005 · 피해변제 Strang 2013 Campbell RJ · 멘토링 Jolliffe-Farrington 2008 · 주거지원 Jacobs-Western 2017(null). 게임 채팅(T키)에 !직업훈련 철수 직접 입력도 가능.

선택 체험 · 가상 사회 3D 둘러보기 (데스크톱 권장)

출소자 8명이 사는 가상 사회

한국 출소자 데이터 814건으로 보정했습니다. 8개 범죄 유형 주인공이 직업·치료·만남을 자율 수행하며, 머리색으로 재범 위험을 실시간 표시합니다. 기술 ⓘ

정식 Minecraft Java Edition 1.20.6 접속: items-plasma.gl.joinmc.link

STEP 2 · 색을 읽는 법

가상 인물 머리색 = 재범위험 신호

8개 범죄 유형을 대표하는 가상 인물의 머리·다리 색이 죄종별 실측 재범률 기반 위험도에 따라 실시간으로 바뀝니다. 위험이 높아지면 색이 붉어지고, 재범 방지 정책을 적용하면 위험이 내려가 다시 안정(초록)으로 돌아옵니다.

안정 · 재범위험 낮음
주의 · 위험 상승 중
위험 · 개입 필요 신호

※ 색은 죄종 집단의 재범위험 신호이며 특정 개인의 재범을 예측·단정하지 않습니다. 위험도는 36개월 재범 시뮬레이션(KOSIS·대검·도로교통공단 실측 재범률) 기반.

STEP 2 · 심화 — 왜 색이 움직이나

생활 패턴이 재범을 움직인다 ⓘ

되먹임 ON

출소자의 생활 패턴(일·관계·고위험 접촉)이 재범 위험을 얼마나 바꾸는지 보여줍니다. 정책만 적용하면 재범 33%, 생활 패턴까지 반영하면 31%로 낮아집니다.

⚠ 이론 제약 하이브리드 ABM-LLM(LLM은 위험군집별 보정만, 재범 샘플링은 결정론 유지)으로 정책 가정의 방향성·민감도를 재현가능하게 탐색합니다. 계수는 KOSIS·이론 부호로 고정했으나 외부 코호트로 검증된 인과 효과크기는 아닙니다.

① 출소자 생활 패턴 ⓘ
관전 시작 시 집계…
② 생활 패턴이 바꾼 재범 위험
—
정책 외에 생활 패턴이 추가로 움직인 폭
③ 재범 위험 비교 ⓘ
정책만 — · 행동반영 —
공식 통계 범위: —
④ 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.

STEP 3 · 살아있는 사회

가상 인물들의 실시간 활동

게임 화면에 입장하면 가상 인물들의 자율 행동과 정책 반응이 시간 순으로 쌓입니다.
AI 가상 인물(Snowflake Cortex)의 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

정책 시뮬·근거실 탭으로

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

STEP 4

근거 데이터 검수

관리자(/admin) Evidence Console에서 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 실측) 확인
  3. "정책 시뮬·근거실" 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) 28종 처분 목록 + AI 14인 합의 권고 참고