引言

法律检索平台、案例数据库与生成式人工智能使法条查找、案情归纳和法律意见起草更为便捷。但工具辅助下完成案例分析，是否意味着学生已具备独立判断能力？如果争点、依据和理由均由系统提供，答案质量反而可能掩盖专业训练的不足。

这一问题在《合同法学》智慧课程建设中尤为突出。知识图谱呈现制度联系，案例库提供裁判材料，教学平台记录学习行为，但资源丰富、操作频繁，并不能证明学生能够独立判断合同解除、格式条款效力或违约责任。课程建设不能以资源和平台指标替代法律适用能力培养。

合同纠纷的分析不是将案情输入系统后寻找相似法条。学生需要先辨明当事人的诉讼请求与争议事实，再依据《民法典》及有关司法解释寻找适当的请求权基础，逐项判断构成要件、抗辩事与法律后果。特别是在合同目的能否实现、提示说明义务是否履行、违约损失是否具有可预见性等问题上，法律判断离不开对具体事实和规范目的的解释。王利明、朱虎关于合同编通则司法解释的研究强调规则衔接与司法实践经验的重要性，刘贵祥、吴光荣也对合同编法律适用中的体系思维和程序思维进行了讨论。这些问题决定了法律判断能力必须通过具体法律争议的分析来培养。

因此，智慧课程研究不仅应关注技术能否提高作业效率，更应考察技术如何影响法律判断方法的形成。本文结合《合同法学》的规范检索、案例分析和评价实践，探讨数字技术的作用机制及介入限度。

一、法律判断能力的形成与数字技术介入

（一）既有研究及其拓展空间

现有研究主要沿两条路径展开。法学教育研究关注生成式人工智能在检索、案例教学与反馈中的应用，也指出其对基础训练和考核秩序的冲击，并警惕数字化带来的教育目标偏移。合同法研究则从《民法典》及司法解释出发，强调规范体系、请求权基础与裁判说理之间的联系，为法律判断提供方法论依据，但较少讨论数字工具介入后学生如何掌握这些方法。

两方面研究仍有进一步沟通的空间。若仅从技术应用出发，容易把平台资源增加和答题效率提高视为能力提升；若仅从传统法律适用方法出发，又难以说明不同数字工具如何改变学生接触案件事实、形成初步意见和修正论证的过程。本文由此把研究重点放在数字技术对法律判断各环节的实际影响上，讨论何种辅助有利于专业训练、何种替代会压缩必要的思考活动，并据此提出《合同法学》智慧课程的资源配置与评价原则。

（二）法律判断能力的基本要求

法律知识是法律判断的基础，却不等于判断能力。熟悉合同解除的法定情形，不意味着能在具体争议中确认解除权；了解违约责任，也未必能区分继续履行、赔偿与解除的适用条件。法律判断要求学生在事实和主张存在争议时，找到法律问题并依据有效规范说明理由。法律判断不能仅以结论是否与参考答案相同来衡量。同样得出“可以解除合同”的结论，有的学生能够说明当事人约定的履行期限、催告经过和合同目的受到的影响，有的学生则只是复制系统给出的意见。两种答案可能文字相近，却体现出完全不同的分析能力。独立法律判断要求学生不仅能够作出选择，还能够回答为什么选择这一规范、为什么排除其他解释，以及事实变化后结论为什么需要调整。

合同争议分析通常包括事实筛选、法律关系认定、请求权基础确定和法律论证。既要分清已证事实与待证主张，也要辨别合同约定、一般规则和特别规定，并说明事实如何符合规范要件。新证据可能改变法律定性，规范解释亦会影响事实调查的重点。例如，面对买卖合同中的迟延交付，不能一见违约就认定买受人有权解除合同。应先审查合同是否对交货时间作出特别安排，迟延履行是否属于主要债务，是否存在催告及合理期限，以及迟延是否导致合同目的不能实现。《民法典》第五百六十三条对不同解除情形分别设定条件，第五百六十五条还规定了解除权的行使方式。这些条文之间的关系不能仅靠关键词匹配获得，必须放在案件事实中逐项判断。

法律判断方法需要学生亲自识别争点、检索规范和组织理由，而不能靠记忆标准答案形成。关于主动解释与知识建构的研究也强调深入参与的重要性。合同法案例研讨应重视论证过程，而非要求学生复述既有裁判结论。这不排斥适度辅助。初学阶段提供法条索引和检索范围，有助于减少无效查找；但如果系统直接给出争点、依据和完整结论，学生便可能跳过核心训练。

（三）数字技术介入方式与法律判断的关系

数字工具作用各异。法规数据库便利规范检索，知识图谱和案例库展示制度联系，交互平台提供反馈，生成式人工智能还能形成初步法律意见。同一工具在资料收集时可能只是辅助，在独立识别争点时却可能替代训练内容，因而必须区分其功能。数据库和知识图谱虽能整合信息，规范体系仍须由学生理解。《合同法学》应展示合同成立、效力、履行、解除及违约责任之间的适用关系，并区分司法解释、指导性案例与一般裁判文书的不同地位，避免将检索页面中的材料一概视为同等依据。

生成式人工智能能快速提出争点和初步意见.学生可以先自行分析，再借工具核对遗漏；也可能直接接受机器结论，随后拼接支持材料。前者保留判断主动性，后者容易使法律论证沦为现成答案的修饰。除改变分析方式外，数字平台还能记录检索、答题和修改过程，却不能直接说明判断能力。反复查法条可能是审慎核对，也可能是知识不足；作答迅速可能是熟练，也可能是照搬答案。能力仍须通过具体论证加以评价。

检索提速与文书完善，不等于独立判断能力提高。认知卸载研究说明，外部工具可以分担信息处理，但效果取决于任务及使用方式。查找法条与决定适用何种法条，分别属于资料获取和专业判断，不能混同。法规检索、文书排版可以广泛使用技术；争点识别、请求权基础选择与理由形成，则须结合训练目标保留独立环节。评价重点应是学生是否掌握法律分析方法，而非工具使用次数。

二、数字技术促进法律判断能力的具体方式

（一）法律规范与案例资源的组织作用

《民法典》合同编各制度相互关联。面对违约争议，能否解除、请求继续履行或主张赔偿，须结合具体请求和事实分别判断。合同编通则司法解释进一步细化了有关规则。知识图谱应帮助学生把握规范之间的关系，而非孤立记忆条文。例如，合同法知识图谱可以围绕“争议事实—当事人请求—请求权基础—构成要件—抗辩事由—法律后果”组织内容。交付迟延这一事实，可能分别引出合同解除、继续履行或者损害赔偿等不同请求，具体路径还受到合同约定、催告情况与交易目的的影响。图谱应当揭示这些规范关系和分析节点，帮助学生理解适用顺序，而不是预先将某个事实标签固定对应于唯一结论。

案例库的价值在于比较影响规范适用的关键事实，而非累积裁判数量。围绕合同解除，可比较履行期限、催告与违约后果不同的案件，要求学生解释结论差异。案由相同不意味着构成要件相同，类案推送研究亦揭示标签化和概率判断的局限。较合理的做法是先提供未标明争点的案情，再用案例库帮助学生核对，并比较不同裁判的事实、依据和说理。不将个别判决视为固定答案，才能保留独立识别问题的训练。

把法条、司法解释、指导性案例与一般裁判文书放在同一检索页面，并不意味着它们在法律适用中具有相同地位。智慧课程建设应当区分规范依据、解释资料和案例参考，标明材料的时效性与具体适用范围。尤其是在《民法典》施行后处理不同时期形成的合同争议时，系统展示的旧法条或既往裁判观点不能未经辨别直接用于现行法律分析。知识组织的关键，不是节点连接得越多越好，而是让学生能够循着可靠的法源层次理解合同法律规范。

（二）案例变化与法律论证的训练

合同纠纷中的重要事实往往不是一次性完整呈现的。教师可以先提供交货迟延的基本材料，再依次增加交易期限约定、催告记录、替代交易费用等事实，要求学生不断调整原有判断。根据《民法典》第五百六十三条，迟延履行主要债务经催告后在合理期限内仍未履行，与其他违约行为导致合同目的不能实现，属于需要分别分析的解除情形。事实稍有改变，适用路径就可能不同。这种变式训练能够帮助学生认识法律结论的条件性。

法律论证不仅要支持本方主张，也须回应对方抗辩。合同解除、格式条款或损害赔偿争议中，交互工具可以提供正反观点，但学生仍须核实各自依据的规范、构成要件和证据，不能用观点罗列代替法律适用。以平台服务合同的格式条款为例，需要分别判断格式条款的认定、提示说明义务的履行与法定无效情形。《民法典》第四百九十六条、第四百九十七条对此作了不同规定。不能仅因条款“对消费者不利”便认定全部无效，而应结合条款内容和履行事实说明后果。

生成式人工智能可就同一争议提出不同论证方案，供课堂比较。相关法律考试研究表明，工具输出须结合任务与评价标准认识。课程不应鼓励复制机器答案，而应利用候选意见训练学生辨别事实和法律依据。如在合同解除争议中，系统可提出支持或反对解除的理由，学生则需核对主要债务、催告及合同目的等法定条件，并比较双方证据。技术拓宽讨论范围，但规范选择和理由形成仍由学生完成。

（三）过程反馈与法律分析方法的掌握

案例作业反馈不宜只告知结论正误。平台保留的修改记录可以定位错误环节。如学生仅凭迟延交付认定解除权成立，反馈应追问催告、合同目的及证据，而非笼统要求完善答案。对于明确规则，应指出适用错误；对于合理解释分歧，应检查规范依据、论证步骤及对反对意见的回应，不能将某一种表述规定为唯一答案。

错误可能源于知识缺漏，也可能源于事实理解失当。教师可利用修改记录，对混淆诉讼请求与请求权基础、遗漏抗辩或误用司法解释等情况，要求学生说明修正依据，而非简单替换标准答案。个案纠错应服务于分析方法的归纳。若学生遗漏催告而误判解除条件，反馈须揭示催告与具体法定情形的联系。知识适用条件的把握有助于形成稳定方法。课程反馈应集中于事实识别、规范选择和说理偏差。

三、数字技术介入法律判断训练的现实限度

（一）技术代劳与独立分析机会的减少

如果总由系统先列争点、推荐法条，学生就缺少从复杂事实中主动发现问题、独立寻找请求权基础的机会。技术节省检索时间是优势，但不能省略专业训练必需的判断活动。机器意见常同时提供争点、法条和结论。学生若先接受这一框架，再倒找支持材料，就可能跳过自主筛选规范和检验反对意见的过程。成稿即使流畅，也不能据此推断已形成独立推理能力；关键是答案介入的时点。

争点首次识别与请求权基础选择本是基础训练任务。系统若总是提前标注，学生就难以形成从事实寻找规范的习惯。工具更适合在初步判断后用于核验和比较。法律工作本就需要法规检索和案例核对，使用数据库并非能力退化。风险在于不核查机器概括的事实、依据与结论。判断技术使用是否适当，应看学生是否亲自完成关键分析，而非简单区分是否使用人工智能。

（二）技术生成答案的规范性缺陷

法律规范的适用以构成要件为依据，而不能止于案件在日常描述中的相似程度。例如，两起买卖合同纠纷都表现为迟延交货，一案可能涉及经催告后仍未履行主要债务，另一案则需要判断迟延是否使合同目的不能实现。即使系统将二者归入同一案由，决定适用何种解除事由的仍是催告经过、履行目的和交易安排等事实。这里的风险首先是事实与规范之间的匹配失准，即将表面的案情相似误作法定要件相同。

即使某种处理方式在案例库中较为常见，也不能由裁判数量或模型预测概率直接推出其法律上的正当性。既有裁判受案情、审理时间、法律变化及个案证据影响，具有参考意义，但不能因此取得法律规范的效力。尤其在合同编通则司法解释对相关规则作出细化之后，分析者仍应回到法律规定、司法解释及其体系关系作出判断。这一层面的风险，不是没有检索到足够多的案例，而是将经验性统计误认成了规范依据。法律人工智能还可能虚构案例、误引法条，已有研究揭示此类可靠性风险。使用其提供的材料时，应核实现行法条、文书来源及裁判理由与当前案情是否相符，避免将错误引用带入法律论证。

合同自由、诚实信用与交易安全，是理解合同法律制度的重要价值取向，却不能脱离具体法律规则而独立决定个案结论。例如，评价格式条款时，应当结合《民法典》第四百九十六条、第四百九十七条所规定的提示说明义务和无效情形，说明相关利益考量如何通过法定要件转化为法律判断。若仅以“保护弱者”“兼顾公平效率”等概括性表述作出结论，就会跳过必要的规范解释。这一层面的缺陷在于价值论证缺乏法条与事实的支撑，与前两项事实匹配和法源审查问题分别处于不同的分析阶段。

（三）平台数据与判断能力评价的差距

平台记录观看时长、答题次数与互动频率，但行为数据并不直接对应判断能力。观看多未必理解深，答题快也可能源于照搬系统答案。若将平台活跃度作为主要指标，容易偏离事实分析与法律论证的培养目标。除平台数据外，一份合同审查意见既可能来自学生独立分析，也可能大量采用工具建议。不区分辅助程度，便无法判断学生掌握了哪些方法。有关法学考核研究已关注这一问题。工具辅助作业可以评价资料整合能力，独立分析仍需单独考察。

最终答案难以反映事实筛选、规范查找及论证修改的过程；平台日志虽然补充行为信息，也不能证明某项理由由学生独立提出。结果记录与行为数据均有局限，首先应明确需要评价的法律能力，而非一味增加数据指标。

四、以法律判断能力培养为导向改进技术使用方式

（一）根据具体法律任务确定技术辅助边界

技术介入应服从训练任务。查找现行法条可充分使用数据库；要求独立确定请求权基础时，系统若预先给出分析路径，就会替代训练。资料检索、事实概括与法律论证所需的辅助程度不能相同。同一工具在不同阶段作用亦有差别。讲授合同解除时，规范关系图有助于理解；考察独立判断时，预先标明争点则不合适。机器提供的反对意见适合用于核验已有分析，不宜在阅读案情前直接替代思考。

培养独立判断能力，应保留由学生完成的三个环节，即识别争议、选择规范并分析其要件、提出能够回应反对意见的理由。工具可提供材料，但不能在所有训练中提前完成这些任务。法律执业中合理使用智能工具，有利于检索、审查及文书处理。但学生尚在形成法律思维，如果过早省略争点识别和规范论证，工具操作就会缺少专业基础。因此，技术边界应随培养任务调整，既不一概禁用，也不无限开放。初学阶段可提供法条目录和制度提示，减少无效检索；掌握基础知识后，应逐步减少提示；在综合案例分析中，工具主要承担核对遗漏、提出反对意见的功能。辅助程度应随着独立判断能力提高而调整。

（二）从独立分析到技术辅助核验

以下方法主要用于涉及多项请求、抗辩的综合合同案例。法条识记、规范检索及基础制度训练可直接使用数字工具，无须机械套用全部步骤。综合案例分析宜先要求学生独立阅读案情，写明争议焦点、可能的请求权基础、待查事实和初步结论，再开放知识图谱、案例库与生成式工具。先形成自己的判断，才能有根据地识别机器建议中的遗漏或错误。

形成初步意见后，可借工具核查法律时效性、特别规定、类案可比性与反对意见。规范依据须能追溯正式文本，案例类比须说明关键事实的异同。是否采纳工具意见，应由学生依法说明。涉及合同编通则司法解释时，应核对原文及其与《民法典》的关系，而非复制机器摘要。学生还须说明适用前提、合同约定的意义与证据缺口，使工具核验服务于解释和事实分析。

完成法律依据核验后，应当要求学生从另一方当事人的立场提出具有实质性的反对意见。例如，在合同解除争议中，对方可能围绕迟延是否属于主要债务、催告是否适当或者交易目的是否仍可实现提出抗辩。学生既要检视本方论证中容易被忽视的前提，也要说明反对意见为什么成立或者为什么不足以改变结论。通过对立主张的交叉质询，能够进一步发现法律论证中尚未得到回应的事实与规范问题。

上述步骤旨在使技术提供的材料接受核查和质疑，并非增加形式性操作。各阶段都应明确学生必须完成的法律分析任务。在《合同法学》智慧课程中，知识图谱用于梳理规范关系，案例库支持事实比较，课堂讨论围绕请求与抗辩展开。资源围绕分析任务配置，方能避免平台功能建设取代法律能力培养。

（三）兼顾法律论证质量和独立判断能力的评价

评价合同纠纷分析，应分别考察决定性事实识别、请求权基础选择、构成要件与抗辩审查、理由论证及事实变化后的修正。对于合理解释分歧，不强求唯一结论，但须有现行法律依据并回应反对意见。允许使用智能工具时，可要求学生简要说明工具提供了何种帮助及采纳理由，但不应将评价变成操作记录审查。重点仍是核实依据、识别错误并独立解释结论的能力。

可安排允许使用数据库和智能工具的综合作业，考察资料整合与专业表达；同时保留限制工具的案例分析、课堂追问和独立书面意见，考察个人法律判断能力。两类评价不能相互替代。在独立分析的考察中，还应通过事实结构不同的合同争议，检验学生是否真正掌握法律判断方法。例如，已经讨论过迟延履行与合同解除后，可以另选涉及继续履行、损害赔偿或者格式条款效力的案件，要求学生独立识别请求权基础、审查构成要件并形成法律意见。这里的新案件不应只是替换当事人名称，而应在具体事实和规范适用条件上具有实质差异，同时注意难度与基础知识要求的合理衔接。与平台中的点击、观看和答题次数相比，独立处理此类争议的表现，更能体现法律分析方法的掌握程度。

《合同法学》智慧课程评价应从资源数量转向法律分析表现。平台数据可用于识别共性问题，但核心是学生能否查明关键事实、选择请求权基础并作出有依据的论证。能力要求应贯通资源组织、课堂讨论与考核。

数字技术拓展了法律资料获取和案例比较途径，但任务完成效率与独立判断能力仍有距离。合同纠纷中的事实评价、请求权基础确定和结论论证，不能压缩为相似答案的检索。

智慧课程建设不应以技术应用广度代替能力培养深度。知识图谱与案例库应服务于规范理解，生成式工具应提供核查与比较视角，评价则须回到学生独立分析合同争议的能力。数字技术是专业训练的助力，而非判断主体的替身。

参考文献：

1. [1] 王利明,朱虎.《民法典》合同编通则司法解释的亮点与创新[J].法学家,2024(01):41-56.
2. [2] 刘贵祥,吴光荣.《民法典》合同编法律适用中的思维方法——以合同编通则解释为中心[J].法学家,2024(01):57-73.
3. [3] 刘谢慈,杨海波.生成式人工智能对法学教育的价值、风险与应对——以ChatGPT系统为例[J].法学教育研究,2024,47(04):80-100.
4. [4] 王文玉,徐子淳.生成式人工智能嵌入法学案例教学：正向价值、现实困境与回应方案[J].法学教育研究,2025,50(03):104-121.
5. [5] 陈浩.生成式人工智能与法学教育的规范化融合：现实挑战及纾解路径[J].法学教育研究,2025,50(03):87-103.
6. [6] 张竹成,陈旭辉.对数字法学研究与教育的“冷思考”[J].法学教育研究,2025,50(03):166-183.
7. [7] Chi M T H, Wylie R. The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes[J]. Educational Psychologist, 2014, 49(04): 219-243.
8. [8] Risko E F, Gilbert S J. Cognitive Offloading[J]. Trends in Cognitive Sciences, 2016, 20(09): 676-688.
9. [9] 资琳, 周旋. 类案推送系统在法学案例教学中的运用及其限度[J]. 法学教育研究, 2025, 50(03): 187-206.
10. [10] Alimardani A. Generative Artificial Intelligence vs. Law Students: An Empirical Study on Criminal Law Exam Performance[J]. Law, Innovation and Technology, 2024, 16(02): 777-819.
11. [11] Barnett S M, Ceci S J. When and Where Do We Apply What We Learn? A Taxonomy for Far Transfer[J]. Psychological Bulletin, 2002, 128(04): 612-637.
12. [12] Dahl M, Magesh V, Suzgun M, et al. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models[J]. Journal of Legal Analysis, 2024, 16: 64-93.
13. [13] Magesh V, Surani F, Dahl M, et al. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools[J]. Journal of Empirical Legal Studies, 2025, 22(02): 216-242.
14. [14] Head A, Willis S. Assessing Law Students in a GenAI World to Create Knowledgeable Future Lawyers[J]. International Journal of the Legal Profession, 2024, 31(03): 293-310.