Can Administrative Justice Be Predicted ? AStudy of Open Judicial Decisions in France
Cette étude démontre que JuriBERT, un modèle adapté au domaine juridique français, prédit avec la plus grande précision l'issue de plus de 157 000 décisions de tribunaux administratifs français en se basant uniquement sur les contextes factuels et procéduraux, atteignant un score F1 macro de 0,718 et mettant en évidence le signal prédictif ancré dans les faits de l'affaire avant l'adjudication.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez un monde où vous pourriez jeter un coup d'œil sur l'avenir d'un tribunal, non pas avec une boule de cristal, mais avec un ordinateur super intelligent. C'est le domaine de la justice prédictive, une branche de la science où l'intelligence artificielle (IA) tente de deviner comment un juge tranchera un litige avant même que le marteau ne retombe. Considérez cela comme une prévision météorologique pour les procès : au lieu de prédire la pluie ou le soleil, elle prédit si une action en justice sera rejetée, partiellement acceptée ou pleinement gagnée. Depuis des décennies, les gens se demandent si ces issues sont aléatoires ou si elles suivent des modèles cachés. Avec l'essor d'ordinateurs puissants et l'internet rendant publics des millions de dossiers judiciaires, les scientifiques se demandent désormais : pouvons-nous apprendre à une machine à lire les faits d'une affaire et à deviner avec précision la fin ? Si nous y parvenons, cela pourrait changer la manière dont les gens mènent leurs batailles juridiques, les aidant à décider s'ils doivent transiger, se battre ou abandonner.
Ce document explore cette question en examinant le système de la juridiction administrative française, où les citoyens ordinaires poursuivent l'État pour des questions telles que les impôts, l'immigration ou les prestations sociales. Les chercheurs ont rassemblé une bibliothèque massive de 157 390 décisions de justice réelles entre janvier 2024 et septembre 2025. Leur objectif était de construire un « détective numérique » capable de lire uniquement l'histoire du litige — les faits et l'historique de la procédure — et de prédire le résultat final. Pour s'assurer que l'ordinateur n'utilisait pas le corrigé, ils ont soigneusement exclu le raisonnement du juge et le verdict final de l'entrée de données. Ils ont traité la tâche comme une course à quatre voies : l'affaire serait-elle rejetée (le « Rejet »), partiellement satisfaite, pleinement satisfaite, ou renvoyée vers une autre procédure (comme un « Renvoi ») ?
L'équipe a testé cinq types différents de « cerveaux » d'IA pour voir lequel serait le meilleur détective. Ils ont essayé des méthodes classiques comme les Forêts Aléatoires (qui agissent comme un comité d'arbres de décision votant sur la réponse) et les Machines à Vecteurs de Support, et ils ont également essayé des modèles Transformer avancés, qui sont comme des super-lecteurs comprenant le contexte des mots. L'un d'eux, appelé JuriBERT, était spécial car il avait déjà étudié des millions de documents juridiques français avant ce test, ce qui en fait un « expert juridique » plutôt qu'un généraliste. Ils ont également testé un modèle d'IA géant appelé GPT en mode « few-shot », où il recevait simplement quelques exemples et devait deviner, sans entraînement approfondi sur les données françaises spécifiques.
Les résultats ont été clairs et mesurés. L'IA juridique spécialisée, JuriBERT, a remporté la course, prédisant correctement l'issue 78,3 % du temps et atteignant un score d'équilibre élevé (F1 macro) de 0,718. Elle a battu l'IA à usage général (BERT) ainsi que les modèles informatiques classiques. Le modèle géant GPT, lorsqu'il nait simplement quelques exemples sans entraînement profond, a en réalité moins bien performé que les modèles classiques, obtenant seulement 57,21 % sur le score d'équilibre. Cela suggère que, pour cette tâche spécifique et complexe, un modèle ayant été spécifiquement entraîné sur le langage juridique français est bien supérieur à une IA intelligente généraliste ou à un outil statistique standard.
Le document écarte explicitement l'idée qu'une IA à usage général ou un simple prompt « few-shot » soit suffisant pour résoudre ce problème ; les données montrent qu'ils sont insuffisants. Il argumente également contre l'idée que la réponse soit cachée uniquement dans le raisonnement final du juge ; l'étude prouve que les faits de l'affaire contiennent à eux seuls suffisamment de signaux pour faire une prédiction solide. L'auteur est confiant dans ces chiffres car ils ont été mesurés sur un ensemble de données massif et réel, mais il note que son étude est limitée à une fenêtre de 20 mois et aux tribunaux de premier degré. Il suggère que, bien que l'ordinateur puisse désormais « voir » l'issue probable à partir des faits, cela ne signifie pas que le droit est parfaitement prévisible ou que ces outils devraient remplacer les juges. Au contraire, cela montre que l'information nécessaire pour deviner le résultat est déjà inscrite dans l'histoire du litige, un fait qui pourrait aider à équilibrer la balance entre les citoyens ordinaires et l'État, qui possède généralement plus d'expérience pour anticiper ces issues.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.