Explainable Machine Learning for Predicting Judicial Decisions: A Case Study Across Civil and Criminal Courts

لطالما كانت قاعة المحكمة مكاناً يزن فيه الحكم البشري الحقائق مقابل القواعد، وهي عملية تتعلق بتفسير الماضي بقدر ما تتعلق بتقرير المستقبل. لعقود من الزمن، تساءل علماء القانون وعلماء الحاسوب عما إذا كان بإمكان الآلات أن تتعلم قراءة هذه التواريخ المعقدة والتنبؤ بكيفية حكم القاضي. هذا المجال، المعروف باسم التحليلات القضائية، يقع عند تقاطع القانون والذكاء الاصطناعي. وهو يعتمد على فكرة أن القرارات القانونية، رغم كونها بشرية للغاية، غالباً ما تتبع أنماطاً يمكن تحديدها في أرشيفات ضخمة من السجلات القضائية. تحتوي هذه السجلات على نوعين متميزين من المعلومات: البيانات المهيكلة والصارمة للقضية، مثل القوانين المحددة المستشهد بها والجدول الزمني للأحداث، والنصوص غير المهيكلة والمرنة لتعليلات القضاة والحجج التي يقدمها المحامون. لقد كان التحدي يتمثل في بناء نظام يمكنه فهم قواعد اللعبة الصارمة والقصة المليئة بالتفاصيل في آن واحد، مع الحفاظ على الشفافية الكافية لكي يثق البشر في استنتاجاته.

في دراسة حديثة، سعى الباحثون لبناء مثل هذا النظام، حيث أنشأوا نموذجاً هجيناً مصمماً للتنبؤ بنتائج كل من القضايا المدنية والجنائية. لقد جمعوا مجموعة ضخمة من الوثائق القانونية، بما في ذلك خمسين ألف قضية مدنية وخمسة وسبعين ألف قضية جنائية، لتدريب نماذجهم الحاسوبية. لم يعتمد الفريق على نوع واحد من الذكاء الاصطناعي، بل اختبروا مجموعة متنوعة من الأساليب، بدءاً من الأدوات الإحصائية التقليدية التي تبحث عن أنماط بسيطة وصولاً إلى أنظمة التعلم العميق المتقدمة القادرة على فهم سياق اللغة. لم يكن هدفهم مجرد معرفة أي حاسوب يمكنه تخمين النتيجة في أغلب الأحيان، بل تحديد أي منها يمكنه القيام بذلك مع شرح منطقه بطريقة منطقية للمتخصصين القانونيين. أرادوا معرفة ما إذا كان بإمكان الآلة التقاط الفروق الدقيقة بين نزاع مدني حول عقد وبين محاكمة جنائية تنطوي على عقوبة سجن محتملة.

وجد الباحثون أن النهج الأكثر نجاحاً كان مزيجاً من تقنيات مختلفة، لكن النتائج لم تكن موحدة عبر جميع أنواع القانون. فعندما اختبر الفريق نماذجهم على القضايا المدنية، والتي غالباً ما تنطوي على نزاعات حول المال أو الملكية أو العقود، أدت النماذج الحاسوبية عملها باتساق ملحوهم. في هذه السيناريوهات، نجح النموذج الأفضل أداءً، وهو خوارزمية متطورة تُعرف باسم (XGBoost)، في التنبؤ بنتيجة القضية بدقة تصل إلى اثنين وتسعين بالمائة. يشير هذا المستوى العالي من الدقة إلى أن القانون المدني، باعتماده على إجراءات راسخة وأدلة واضحة، يتبع أنماطاً يمكن للآلات تعلمها بشكل جيد. وقد تمكن النموذج من تحديد أن قوة الأدلة والقوانين المحددة المستشهد بها كانت العوامل الأكثر أهمية في هذه القرارات.

ومع ذلك، تغيرت القصة عندما وجه الباحثون اهتمامهم إلى القضايا الجنائية. هنا، وجدت النماذج أن المهمة أصعب بكثير. فبينما لا تزال نفس الخوارزميات تعمل بشكل أفضل من التخمين العشوائي، انخفضت دقتها إلى حوالي تسعة وثمانين بالمائة. وأوضح الباحثون أن القانون الجنائي غير متوقع بطبيعته لأنه ينطوي على مستويات أعلى من التقدير البشري وأدلة أكثر تعقيداً وغالباً ما تكون غامضة. يمتلك القضاة في المحاكمات الجنائية حرية أكبر في تفسير الوقائع ووزن ظروف حياة المتهم، مما يجعل النتائج أقل نمطية مما هي عليه في المحاكم المدنية. وقد أكدت الدراسة أنه بينما يمكن للآلة تعلم قواعد الطريق، فإنها تواجه صعوبة أكبر عندما يكون السائق يبحر في بحر هائج من الأحكام الذاتية.

كان جزء حاسم من هذا البحث هو ضمان ألا تكون قرارات الحاسوب دقيقة فحسب، بل عادلة ومفهومة أيضاً. استخدم الفريق أدوات خاصة لتقشير طبقات منطق الآلة، مما سمح لهم برؤية الأجزاء التي أثرت بالضبط في التنبؤ من ملف القضية. ووجدوا أنه بالنسبة للنماذج الأكثر نجاحاً، كانت التفسيرات تتوافق مع الواقع القانوني: كان النظام ينتبه إلى الأشياء الصحيحة، مثل التاريخ الإجرائي للقضية وجودة الأدلة المقدمة. هذه الشفافية حيوية، لأنها تسمح للمحامين والقضاة بالوثوق بالأداة كنظام دعم بدلاً من كونها "صندوقاً أسود" يصدر أحكاماً غامضة. كما فحصت الدراسة التحيز، للتأكد من أن النموذج لا يحابي مجموعة على أخرى بشكل غير عادل، ووجدت أن النماذج الأفضل أداءً حافظت على التوازن بين الدقة والعدالة.

في نهاية المطاف، تثبت هذه الأبحاث أنه بينما يمكن للذكاء الاصطناعي أن يكون مساعداً قوياً في العالم القانوني، فإنه ليس بديلاً عن الحكم البشري. فالأنظمة الأكثر فعالية هي تلك التي تجمع بين القدرة على قراءة كميات هائلة من النصوص والقدرة على فهم القواعد القانونية المهيكلة. تشير الدراسة إلى أن مستقبل التكنولوجيا القانونية يكمن في هذه النهج الهجينة، التي تحترم تعقيد القانون مع تقديم رؤى واضحة قائمة على البيانات. ومن خلال إظهار قدرة الآلات على تعلم التنقل بين الاختلافات بين العدالة المدنية والجنائية، مهد الباحثون الطريق لأدوات يمكنها المساعدة في جعل النظام القانوني أكثر كفاءة واتساقاً، شريطة استخدامها مع فهم واضح لحدودها ونقاط قوتها.