💻 computer science

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

Cette étude introduit un pipeline d'apprentissage automatique en trois étapes, validé sur plus de 670 000 affaires de tribunaux de première instance kényans, qui utilise les modèles LightGBM et CatBoost pour prédire les durées de traitement des affaires et classifier les règlements le jour même, permettant ainsi une gestion proactive des arriérés grâce à un schéma de risque dérivé empiriquement et une application web déployée.

Auteurs originaux : Anuary Mulombi, Fidelis Mukudi, Anthony Mile

Publié 2026-08-10

📖 10 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Anuary Mulombi, Fidelis Mukudi, Anthony Mile

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 une bibliothèque géante et animée où des millions de livres sont constamment enregistrés et empruntés. Dans cette bibliothèque, les bibliothécaires sont débordés. Certains livres sont retournés le jour même de leur emprunt, mais d'autres se perdent dans les rayons pendant des années, créant une pile massive de « retard » que personne ne semble pouvoir résorber. Il ne s'agit pas seulement de livres ; il s'agit de justice. Lorsque les dossiers (les « livres ») stagnent trop longtemps, les gens perdent foi en le système, et leurs droits à un procès équitable et rapide sont retardés. Pendant longtemps, les bibliothécaires ne pouvaient que compter les livres qu'ils avaient déjà traités ; ils n'avaient aucun moyen de deviner quels nouveaux livres resteraient bloqués dans la pile avant même qu'ils ne quittent le bureau.

Entrez dans le monde de l'Apprentissage Automatique (Machine Learning), une branche de l'informatique où nous apprenons aux ordinateurs à trouver des modèles dans l'histoire, un peu comme un détective étudiant d'anciennes scènes de crime pour résoudre de nouveaux mystères. Au lieu de deviner, ces ordinateurs examinent des milliers de cas passés pour comprendre ce qui fait qu'un dossier avance vite ou reste bloqué. L'idée clé est ici l'analyse prédictive : utiliser les données du passé pour prévoir l'avenir. Si un ordinateur peut nous dire : « Ce nouveau dossier ressemble à ceux qui ont pris cinq ans », nous pouvons l'empêcher de se perdre dans la pile avant même qu'il ne commence. C'est exactement ce que les chercheurs de cette étude ont cherché à faire pour les tribunaux du Kenya, transformant un système réactif (corriger les problèmes après qu'ils surviennent) en un système proactif (empêcher les problèmes de croître).

La boule de cristal en trois étapes pour les affaires judiciaires

Dans les tribunaux de magistrats kenyans, où plus de 80 % de toute l'activité juridique a lieu, un retard massif s'est accumulé. À la mi-2025, plus de 127 000 affaires attendaient d'être entendues. Le système informatique existant, appelé Integrated Case Management System (ICMS), est excellent pour enregistrer ce qui s'est passé, mais il est aveugle à ce qui pourrait arriver. Il ne sait pas quels nouveaux dossiers sont susceptibles de devenir les dossiers « ultra-lents » qui encombrent le système.

Pour y remédier, les chercheurs ont construit un pipeline d'apprentissage automatique en trois étapes. Voyez ce pipeline comme une machine de tri haute technologie dans un bureau de poste qui ne se contente pas de tamponner des lettres, mais prédit également le temps que mettra chaque lettre pour atteindre sa destination et signale celles qui risquent de s'égarer.

Étape 0 : Le piège de vitesse du « Jour Même »

La première tâche de cette machine est de repérer les dossiers « express ». Environ 29 % de tous les cas au Kenya sont résolus le jour même de leur dépôt. Les chercheurs ont entraîné un modèle informatique pour examiner un nouveau dossier dès son arrivée et poser la question : « Est-ce un cas rapide, ou va-t-il durer un marathon ? »
Ils ont testé quatre différents « cerveaux » informatiques (algorithmes) pour voir lequel était le meilleur pour cela. Le vainqueur a été LightGBM, qui a identifié correctement les cas du même jour avec un haut niveau de précision (un score de 0,9148). Si l'ordinateur dit « Même jour », le dossier reçoit un feu vert et progresse sans délai supplémentaire. S'il dit « Multi-jours », le dossier passe à l'étape suivante.

Étape 1 : La boule de cristal du « Temps de Dépôt »

Une fois qu'un dossier est marqué comme un marathon de « plusieurs jours », le système doit deviner combien de temps durera la course. C'est la partie délicate car le dossier n'a même pas encore commencé son voyage. L'ordinateur regarde uniquement les informations disponibles au moment du dépôt du dossier : le type d'affaire, le nombre d'avocats impliqués, l'occupation spécifique du juge, et si le tribunal se situe en ville ou en zone rurale.
En utilisant les données de près de 673 000 dossiers passés, le modèle LightGBM a de nouveau prouvé qu'il était le champion. Il pouvait prédire la durée d'une affaire avec une marge d'erreur d'environ 444 jours. Bien que cela semble énorme, il expliquait environ 62 % des raisons pour lesquelles les affaires traînent. Cela signifie qu'en regardant simplement les documents le premier jour, le système peut dire à un juge : « Ce dossier semble devoir durer environ 1,5 an » ou « Celui-ci pourrait durer quatre ans ».

Étape 2 : Le suivi en « Temps Réel »

Le voyage ne s'arrête pas au bureau de dépôt. À mesure que l'affaire progresse dans le tribunal, elle accumule un historique : des audiences sont tenues, des ajournements sont accordés, et des retards surviennent. La troisième étape du pipeline est un modèle dynamique qui met à jour la prédiction au fur et à mesure que l'affaire progresse.
Imaginez un GPS qui ne se contente pas de donner une heure d'arrivée quand vous partez de chez vous, mais qui recalcule l'itinéraire chaque fois que vous rencontrez un embouteillage. Ce modèle de l'Étape 2 (propulsé par un autre cerveau informatique appelé CatBoost) prend les nouvelles informations — comme le nombre d'audiences qui ont eu lieu ou la durée du premier rendez-vous qui a été retardé — et révise l'estimation.
Les résultats ici ont été impressionnants. Alors que l'estimation initiale (Étape 1) présentait une erreur de 444 jours, l'estimation mise à jour (Étape 2) a réduit cette erreur à seulement 80,83 jours. Cela montre qu'au fur et à mesure que l'affaire avance, l'ordinateur devient bien plus précis pour savoir exactement quand elle se terminera.

Le tableau de bord « JaliHaki » : Mise en pratique

Les chercheurs ne se sont pas arrêtés aux mathématiques ; ils ont construit un outil concret appelé JaliHaki (qui signifie « protéger la justice » en swahili). Il s'agit d'une application web qui se connecte directement au système informatique du tribunal.

Pour les administrateurs de justice : Il affiche un tableau de bord avec une liste de dossiers, codés par couleur selon le risque. Un dossier à « Faible Risque » est vert et nécessite une surveillance de routine. Un dossier à « Risque Critique » est rouge et nécessite l'attention immédiate d'un juge de rang supérieur.
Pour les magistrats : Il leur donne une vue personnelle de leur charge de travail, les avertissant si un dossier qui leur est assigné commence à glisser vers la zone « Critique ».
Pour les justiciables (le public) : Il offre une estimation en langage clair. Au lieu d'un jargon juridique confus, une personne déposant une plainte pourrait voir : « Votre affaire est estimée à 5 ans, et elle est actuellement dans la catégorie à Haut Risque. »

Qu'est-ce qui provoque les retards ?

En utilisant une technique appelée analyse SHAP (qui agit comme une loupe pour voir quels facteurs comptent le plus), les chercheurs ont découvert les principaux coupables des retards :

Charge de travail par magistrat : Lorsqu'un juge a trop d'affaires, tout ralentit.
Représentation juridique : Le fait qu'une partie ait un avocat ou non modifie le calendrier.
Nature de l'affaire : Les affaires pénales ont tendance à avancer plus vite (médiane de 90 jours pour les affaires de plusieurs jours) que les affaires civiles (médiane de 547 jours).
Délai de la première comparution : Le temps nécessaire pour tenir la toute première audience est un prédicteur majeur du retard final.
Audiences cumulées : Plus une affaire comporte d'audiences, plus elle a tendance à durer longtemps.

Il est intéressant de noter que les tribunaux urbains (dans les grandes villes) ont en réalité mis plus de temps à traiter les affaires de plusieurs jours (médiane de 275 jours) que les tribunaux ruraux (médiane de 99 jours). Cela semble contre-intuitif, mais les chercheurs expliquent cela par un concept appelé Théorie des files d'attente : même si un tribunal urbain est bien doté en ressources, le volume massif de dossiers crée une « file d'attente » plus longue, ce qui ralentit tout le monde.

Le système de risque à quatre niveaux

Pour rendre les prédictions utiles pour les gens réels, l'équipe a créé un système de risque simple à quatre niveaux basé sur les prédictions de l'ordinateur :

Faible Risque (≤ 218 jours) : Surveillance de routine.
Risque Moyen (218–564 jours) : Révision programmée.
Haut Risque (564–1 283 jours) : Intervention immédiate nécessaire.
Risque Critique (> 1 283 jours) : Escalade immédiate vers un magistrat de rang supérieur.

Ce système permet aux tribunaux de repérer les dossiers à « Risque Critique » (qui représentent environ 10,5 % des nouveaux dépôts) dès le départ et d'agir avant qu'ils ne fassent partie du retard massif.

Ce que l'étude dit et ne dit pas

Les chercheurs précisent avec prudence que leur modèle est un outil de prédiction, et non une baguette magique. Ils affirment explicitement que le modèle apprend à partir de données historiques, ce qui signifie qu'il reflète les réalités actuelles du système judiciaire, y compris les inégalités existantes entre différents comtés ou types de tribunaux. Ils préviennent que la précision du modèle pour les tribunaux ruraux pourrait nécessiter plus de tests car il y avait moins de cas ruraux dans leurs données.

Ils précisent également que l'« année de dépôt » était un prédicteur majeur, mais non pas parce que les tribunaux deviennent plus rapides ou plus lents au fil du temps. Il s'agit plutôt d'une particularité mathématique : les dossiers déposés récemment n'ont pas eu assez de temps pour se terminer, donc l'ordinateur les voit comme étant « plus courts » simplement parce qu'ils sont nouveaux. Les chercheurs ont ajusté cela pour garantir que les prédictions soient équitables.

L'essentiel

Cette étude prouve qu'avec les données dont disposent déjà les tribunaux, nous pouvons construire un système qui prédit les retards de procédure avec une précision surprenante. En utilisant un pipeline en trois étapes, les tribunaux kenyans peuvent désormais passer d'une réaction face aux retards à une prévention de ceux-ci. L'application JaliHaki transforme des mathématiques complexes en un tableau de bord simple et codé par couleurs qui aide les juges, les greffiers et le public à comprendre le calendrier de la justice. Bien que le modèle ne soit pas parfait (il conserve une marge d'erreur d'environ 80 jours pour les prédictions mises à jour), il représente un bond en avant massif dans l'utilisation de la technologie pour protéger le droit à un procès rapide. L'étude suggère que si ces outils sont adoptés, les tribunaux pourront identifier les dossiers qui ont le plus besoin d'aide, dès le moment où ils sont déposés, garantissant ainsi que la justice ne se perde pas dans les piles.

Résumé Technique : Prédiction de la durée de traitement des dossiers dans les tribunaux de magistrats kenyans

Énoncé du problème
Les tribunaux de magistrats kenyans gèrent plus de 80 % de l'activité judiciaire du pays, mais souffrent d'une grave crise de l'arriéré des dossiers, qui représentait 75 % de l'arriéré national en juin 2025. Bien que le système de gestion intégrée des dossiers (ICMS) du pouvoir judiciaire enregistre les événements historiques des dossiers, il manque de capacités prédictives pour identifier quels nouveaux dossiers sont susceptibles de subir des retards dès le moment du dépôt. Par conséquent, la gestion des dossiers reste réactive, identifiant les arriérés seulement après qu'ils se sont matérialisés, ce qui enfreint le droit constitutionnel à une justice sans retard.

Méthodologie
L'étude utilise une extraction par recensement de 744 340 dossiers clôturés déposés entre janvier 2011 et mars 2026. Après nettoyage et validation, 672 974 enregistrements ont été conservés. La recherche propose et valide un pipeline de machine learning à trois étapes :

Étape 0 (Triage) : Un classificateur binaire distinguant les « clôtures le jour même » (28,98 % des cas) et les « procédures de plusieurs jours ». Cette étape utilise une division stratifiée 80/20 sur l'ensemble du jeu de données.
Étape 1 (Prédiction au moment du dépôt) : Un modèle de régression prédisant la durée totale du dossier en utilisant uniquement les caractéristiques disponibles au moment du dépôt (ex: nature de l'affaire, représentation juridique, charge de travail du magistrat). Cette étape est entraînée exclusivement sur les 477 952 dossiers de plusieurs jours en utilisant une division aléatoire 80/20.
Étape 2 (Progression dynamique) : Un modèle de régression qui met à jour la prédiction de durée à mesure que l'historique procédural s'accumule (ex: nombre d'audiences, retards d'ajournement). Cette étape utilise une division 80/20 basée sur le temps (les 80 % les plus anciens pour l'entraînement, les 20 % les plus récents pour le test) afin de simuler un déploiement en conditions réelles.

Données et Caractéristiques
L'étude introduit une classification formelle des stations de tribunaux en catégories Urbaine, Semi-Urbaine et Rurale, basée sur la loi sur les zones et villes urbaines du Kenya et les données du recensement. Ingénierie des caractéristiques :

Groupe A (Au moment du dépôt) : Caractéristiques temporelles, ratios de dotation en personnel, indicateurs de complexité des affaires et spécialisation des tribunaux.
Groupe B (Dynamique) : Historique procédural tel que le délai de la première comparution, le total des ajournements et l'efficacité des audiences.
Exclusion : L'issue finale du dossier a été explicitement exclue pour éviter la fuite de données (data leakage).

Sélection et Réglage des Algorithmes
Quatre algorithmes d'ensemble ont été évalués : Random Forest, XGBoost, LightGBM et CatBoost. Le réglage des hyperparamètres impliquait un ajustement de base, un RandomizedSearchCV et un GridSearchCV sous une validation croisée groupée en cinq plis (groupée par court_id) pour éviter la fuite d'informations. SHAP (SHapley Additive exPlanations) a été utilisé pour l'interprétabilité du modèle.

Résultats Clés

Étape 0 (Classification) : LightGBM a obtenu les meilleures performances avec un ROC-AUC de 0,9148 et un rappel de 0,8659, triant efficacement les dossiers clôturés le jour même.
Étape 1 (Régression au moment du dépôt) : LightGBM a été le plus performant avec une RMSE de 444,25 jours et un $R^2$ de 0,6157, expliquant environ 62 % de la variance de la durée en utilisant uniquement les données de dépôt.
Étape 2 (Régression dynamique) : CatBoost a obtenu la RMSE la plus faible de 80,83 jours sur l'ensemble de test chronologique. Bien que le $R^2$ soit plus faible (0,2724) en raison de la censure à droite dans l'ensemble de test récent, la réduction de l'erreur absolue (de ~444 à ~81 jours) démontre la valeur de l'historique procédural.
Importance des Caractéristiques : L'analyse SHAP a identifié la charge de travail par magistrat, la représentation juridique, la nature de l'affaire, le délai de la première comparution et les audiences accumulées comme les principaux moteurs de retard.
Classification des Risques : Un schéma de risque à quatre niveaux dérivé empiriquement (Faible, Moyen, Élevé, Critique) a été établi en utilisant les percentiles de la distribution de la durée prédite, avec des seuils à 218, 564 et 1 283 jours.

Implémentation : Application Web JaliHaki
Les modèles ont été opérationnalisés dans JaliHaki, une application web basée sur Laravel intégrée à une API REST Flask. Le système fournit :

Tableau de bord de l'administrateur du tribunal : Affiche la charge de travail par niveau de risque, les mesures de conformité et permet les actions « Mettre à jour la prédiction » pour déclencher les modèles de l'Étape 2.
Tableau de bord du magistrat : Montre les résumés de la charge de travail active et les classifications de risque pour les dossiers assignés.
Portail du justiciable : Fournit des estimations de durée en langage clair et des badges de risque lors du dépôt.
Le flux de travail est atomique : lors de la soumission d'un dossier, les Étapes 0 et 1 sont invoquées ; si le dossier nécessite plusieurs jours, un niveau de risque est assigné. L'Étape 2 est déclenchée chaque fois qu'une nouvelle procédure est enregistrée.

Signification et Revendications
L'article revendique trois contributions principales :

Innovation Méthodologique : C'est la première étude combinant un classificateur de clôture le jour même, un modèle de régression au moment du dépôt et un modèle de régression de progression dynamique en un seul pipeline pour n'importe quel système judiciaire.
Application Contextuelle : Elle applique cette architecture spécifiquement aux données des tribunaux de magistrats kenyans, couvrant à la fois les affaires civiles et criminelles, étendant ainsi les travaux précédents qui étaient souvent limités aux affaires criminelles ou à l'analyse descriptive.
Intégration Opérationnelle : Contrairement aux études antérieures qui restent théoriques, ce travail produit une application web déployable (JaliHaki) qui intègre le pipeline directement dans les flux de travail de l'administration judiciaire.

Les auteurs affirment qu'une gestion de la durée des dossiers prédictive et fondée sur des preuves est réalisable en utilisant les registres administratifs existants sans nouvelle infrastructure de données. L'étude conclut qu'un passage d'une gestion réactive à une gestion proactive des arriérés est faisable, permettant l'identification immédiate des dossiers à « Risque Critique » (environ 10,5 % des dossiers de plusieurs jours) qui nécessitent une escalade vers des magistrats seniors.

Limites
Les auteurs notent trois contraintes :

Censure à droite : Les dossiers déposés récemment ont moins de temps pour se clôturer, ce qui affecte les mesures de l'Étape 2 et la prééminence de la caractéristique année_de_dépôt.
Sous-représentation rurale : Bien que 34 % des stations soient rurales, elles ne contribuent qu'à 2,3 % des enregistrements de dossiers, ce qui nécessite une validation supplémentaire pour la performance spécifique aux zones rurales.
Tractabilité de la recherche : Les recherches d'hyperparamètres ont été effectuées sur des sous-échantillons (jusqu'à 40 000 enregistrements), suggérant des améliorations marginales possibles avec des recherches plus exhaustives.