Predicting Case Processing Duration in Kenyan Magistrate Courts: A Three-Stage Machine Learning Pipeline for Proactive Backlog Management

تخيل مكتبة ضخمة ومزدحمة حيث يتم استلام وإخراج ملايين الكتب باستمرار. في هذه المكتبة، يشعر أمناء المكتبة بالإرهاق؛ فبعض الكتب تُعاد في نفس اليوم الذي استُعيرت فيه، لكن بعضها الآخر يضيع في الرفوف لسنوات، مما يخلق كومة هائلة من "التراكمات" التي لا يستطيع أحد تسويتها. لا يتعلق الأمر بالكتب فحسب، بل يتعلق بالعدالة؛ فعندما تتأخر القضايا (التي تمثل "الكتب") لفترة طويلة، يفقد الناس الثقة في النظام، وتتعطل حقوقهم في محاكمة عادلة وسريعة. لفترة طويلة، كان بإمكان أمناء المكتبة فقط إحصاء الكتب التي تمت معالجتها بالفعل؛ ولم يكن لديهم أي وسيلة لتخمين الكتب الجديدة التي ستعلق في الكومة قبل أن تغادر المكتب حتى.

هنا يدخل عالم تعلم الآلة (Machine Learning)، وهو فرع من علوم الحاسوب حيث نعلم الحواسيب كيفية إيجاد الأنماط في التاريخ، تماماً مثل المحقق الذي يدرس مسارح الجريمة القديمة لحل الألغاز الجديدة. بدلاً من التخمين، تنظر هذه الحواسيب إلى آلاف القضايا الماضية لتتعلم ما الذي يجعل القضية تسير بسرعة أو تتعثر. الفكرة الجوهرية هنا هي التحليلات التنبؤية (Predictive Analytics): استخدام البيانات من الماضي للتنبؤ بالمستقبل. إذا استطاع الحاسوب أن يخبرنا: "هذه القضية الجديدة تشبه تلك التي استغرقت خمس سنوات"، فيمكننا منعها من الضياع في الكومة حتى قبل أن تبدأ. وهذا هو بالضبط ما سعى الباحثون في هذه الدراسة لفعله من أجل المحاكم في كينيا، عبر تحويل نظام "رد الفعل" (إصلاح المشكلات بعد وقوعها) إلى نظام "استباقي" (منع المشكلات قبل نموها).

---

البلورة السحرية ثلاثية المراحل لقضايا المحاكم

في محاكم الجزئية الكينية، حيث تتم أكثر من 80% من جميع الأعمال القانونية، تراكمت تراكمات هائلة. وبحلول منتصف عام 2025، كان هناك أكثر من 127,000 قضية تنتظر المثول أمام القضاء. النظام الحاسوبي الحالي، المسمى بنظام إدارة القضايا المتكامل (ICMS)، ممتاز في تسجيل ما حدث بالفعل، لكنه أعمى عما قد يحدث. فهو لا يعرف أي القضايا الجديدة من المرجح أن تصبح من القضايا "شديدة البطء" التي تسد النظام.

ولإصلاح ذلك، بنى الباحثون خط معالجة (Pipeline) لتعلم الآلة يتكون من ثلاث مراحل. فكر في خط المعالجة هذا كآلة فرز عالية التقنية في مكتب بريد لا تكتفي بختم الرسائل فحسب، بل تتنبأ بالوقت الذي ستستغرقه كل رسالة للوصول إلى وجهتها وتحدد الرسائل التي قد تضيع.

المرحلة 0: فخ السرعة "في نفس اليوم"

المهمة الأولى لهذه الآلة هي رصد الحالات "السريعة". حوالي 29% من جميع القضايا في كينيا تُحل في نفس اليوم الذي تُرفع فيه. قام الباحثون بتدريب نموذج حاسوبي للنظر في القضية الجديدة لحظة وصولها وطرح السؤال: "هل هذه قضية سريعة، أم أنها ستكون ماراثوناً؟"
اختبروا أربعة "أدمغة" حاسوبية مختلفة (خوارمازميات) لمعرفة الأفضل بينها. وكان الفائز هو LightGBM، الذي حدد حالات "نفس اليوم" بدقة عالية (بدرجة 0.9148). إذا قال الحاسوب "نفس اليوم"، تحصل القضية على الضوء الأخضر وتمضي قدماً دون مزيد من التأخير. أما إذا قال "متعددة الأيام"، فتنتقل القضية إلى المرحلة التالية.

المرحلة 1: بلورة "وقت تقديم الطلب"

بمجرد تصنيف القضية كماراثون "متعدد الأيام"، يحتاج النظام إلى تخمين طول مدة السباق. هذا هو الجزء الصعب لأن القضية لم تبدأ رحلتها بعد. ينظر الحاسوب فقط إلى المعلومات المتاحة لحظة تقديم القضية: نوع القضية، عدد المحامين المشاركين، مدى انشغال القاضي المحدد، وما إذا كانت المحكمة في مدينة أو منطقة ريفية.
باستخدام بيانات من قرابة 673,000 قضية سابقة، أثبت نموذج LightGBM تفوقه مرة أخرى. استطاع التنبؤ بمدة القضية بهامش خطأ يبلغ حوالي 444 يوماً. ورغم أن هذا الرقم قد يبدو كبيراً، إلا أنه فسر حوالي 62% من الأسباب التي تجعل القضايا تستغرق وقتاً طويلاً. وهذا يعني أنه بمجرد النظر إلى الأوراق في اليوم الأول، يمكن للنظام أن يخبر القاضي: "هذه القضية تبدو وكأنها ستستغرق حوالي 1.5 سنة"، أو "هذه قد تستمر لأربع سنوات".

المرحلة 2: متتبع "التحديث المباشر"

لا تنتهي الرحلة عند مكتب تقديم الطلبات. فبينما تتحرك القضية عبر المحكمة، تتراكم لها سجلات: تُعقد جلسات استماع، وتُمنح تأجيلات، وتحدث تأخيرات. المرحلة الثالثة من خط المعالجة هي نموذج ديناميكي يقوم بتحديث التنبؤ مع تقدم القضية.
تخيل نظام تحديد المواقع (GPS) الذي لا يعطيك وقت الوصول عند مغادرتك المنزل فحسب، بل يعيد حساب الوقت في كل مرة تواجه فيها ازدحاماً مرورياً. نموذج المرحلة الثانية هذا (الذي يعمل بعقل حاسوبي مختلف يسمى CatBoost) يأخذ المعلومات الجديدة — مثل عدد جلسات الاستماع التي تمت أو مدة تأخير الاجتماع الأول — ويقوم بتعديل التقدير.
كانت النتائج هنا مبهرة. فبينما كان التخمين الأولي (المرحلة 1) يحتوي على خطأ قدره 444 يوماً، نجح التخمين المحدث (المرحلة 2) في تقليص هذا الخطأ إلى 80.83 يوماً فقط. وهذا يوضح أنه مع تقدم القضية، يصبح الحاسوب أكثر دقة في معرفة موعد انتهائها بالضبط.

لوحة تحكم "جالي هاكي" (JaliHaki): وضع كل ذلك قيد التنفيذ

لم يتوقف الباحثون عند الرياضيات فحسب؛ بل بنوا أداة واقعية تسمى JaliHaki (والتي تعني "لحماية أو صون العدالة" باللغة السواحيلية). هذا تطبيق ويب يتصل مباشرة بنظام المحكمة الحاسوبي.

• لمسؤولي المحاكم: تعرض لوحة تحكم تحتوي على قائمة بالقضايا، مصنفة بالألوان حسب درجة الخطورة. القضية ذات "الخطر المنخفض" تظهر باللون الأخضر وتحتاج لمراقبة روتينية. أما قضية "الخطر الحرج" فتظهر باللون الأحمر وتتطلب تدخلاً فورياً من قاضٍ رفيع المستوى.
• للقضاة: توفر لهم عرضاً شخصياً لحجم أعمالهم، وتحذرهم إذا بدأت قضية مسندة إليهم في الانزلاق نحو منطقة "الخطر".
• للمتقاضين (الجمهور): توفر تقديراً بلغة بسيطة. فبدلاً من المصطلحات القانونية المعقدة، قد يرى الشخص الذي يرفع قضية: "يُقدر أن تستغرق قضيتك 5 سنوات، وهي حالياً في فئة الخطر العالي".

ما الذي يدفع التأخيرات؟

باستخدام تقنية تسمى تحليل SHAP (التي تعمل مثل عدسة مكبرة لرؤية العوامل الأكثر تأثيراً)، اكتشف الباحثون المسببات الرئيسية وراء التأخيرات:

1. حجم العمل لكل قاضٍ: عندما يكون لدى القاضي الكثير من القضايا، يتباطأ كل شيء.
2. التمثيل القانوني: سواء كان للطرف محامٍ أم لا يغير من الجدول الزمني.
3. طبيعة القضية: تميل القضايا الجنائية إلى التحرك بشكل أسرع (متوسط 90 يوماً للقضايا متعددة الأيام) من القضايا المدنية (متوسط 547 يوماً).
4. تأخير الجلسة الأولى: الوقت المستغرق لعقد أول جلسة استماع هو مؤشر ضخم للتأخير النهائي.
5. تراكم الجلسات: كلما زاد عدد الجلسات، زادت المدة التي تستغرقها القضية.

ومن المثير للاهتمام، وجدت الدراسة أن المحاكم الحضرية (في المدن الكبرى) استغرقت وقتاً أطول في معالجة القضايا متعددة الأيام (متوسط 275 يوماً) مقارنة بـ المحاكم الريفية (متوسط 99 يوماً). يبدو هذا الأمر غير منطقي، لكن الباحثين يفسرونه باستخدام مفهوم نظرية الطوابير (Queueing Theory): حتى لو كانت محكمة المدينة مجهزة جيداً، فإن الحجم الهائل للقضايا يخلق "طابور انتظار" أطول، مما يبطئ الجميع.

نظام المخاطر ذو المستويات الأربعة

لجعل التنبؤات مفيدة للناس الحقيقيين، أنشأ الفريق نظام مخاطر بسيطاً يعتمد على تنبؤات الحاسوب:

• خطر منخفض (≤ 218 يوماً): مراقبة روتينية.
• خطر متوسط (218–564 يوماً): مراجعة مجدولة.
• خطر عالٍ (564–1,283 يوماً): تدخل فوري مطلوب.
• خطر حرج (> 1,283 يوماً): تصعيد إلى قاضٍ رفيع المستوى فوراً.

يسمح هذا النظام للمحكمة برصد حالات "الخطر الحرج" (التي تشكل حوالي 10.5% من الطلبات الجديدة) منذ البداية واتخاذ الإجراءات قبل أن تصبح جزءاً من التراكمات الضخمة.

ما تفعله الدراسة وما لا تفعله

يؤكد الباحثون بحذر أن نموذجهم هو أداة للتنبؤ وليس عصا سحرية. فهم يذكرون صراحة أن النموذج يتعلم من البيانات التاريخية، مما يعني أنه يعكس الواقع الحالي لنظام المحاكم، بما في ذلك أي عدم مساواة موجود حالياً بين المقاطعات أو أنواع المحاكم المختلفة. كما يحذرون من أن دقة النموذج بالنسبة للمحاكم الريفية قد تحتاج لمزيد من الاختبار لأن البيانات المتاحة عن القضايا الريفية كانت أقل.

كما أوضحوا أن "سنة تقديم الطلب" كانت من أهم المؤشرات، ولكن ليس لأن المحاكم أصبحت أسرع أو أبطأ بمرور الوقت، بل هو خلل رياضي: القضايا التي قدمت مؤخراً لم تأخذ وقتاً كافياً لتنتهي بعد، لذا يراها الحاسوب "قصيرة" لمجرد أنها جديدة. وقد قام الباحثون بتعديل ذلك لضمان عدالة التنبؤات.

الخلاصة

تثبت هذه الدراسة أنه باستخدام البيانات التي تمتلكها المحاكم بالفعل، يمكننا بناء نظام يتنبأ بتأخير القضايا بدقة مذهلة. ومن خلال استخدام خط معالجة ثلاثي المراحل، يمكن للمحاكم الكينية الآن الانتقال من مرحلة "رد الفعل" تجاه التراكمات إلى مرحلة "الوقاية" منها. إن تطبيق JaliHaki يحول الرياضيات المعقدة إلى لوحة تحكم بسيطة ملونة بالألوان تساعد القضاة والموظفين والجمهور على فهم الجدول الزمني للعدالة. ورغم أن النموذج ليس مثالياً (لا يزال لديه هامش خطأ يبلغ حوالي 80 يوماً للتنبؤات المحدثة)، إلا أنه يمثل قفزة هائلة في استخدام التكنولوجيا لحماية الحق في محاكمة عادلة وسريعة. تشير الدراسة إلى أنه إذا تم اعتماد هذه الأدوات، فستتمكن المحاكم من تحديد القضايا التي تحتاج للمساعدة أكثر من غيرها، منذ اللحظة الأولى لتقديمها، مما يضمن عدم ضياع العدالة في "الرفوف".