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

एक विशाल, हलचल भरी लाइब्रेरी की कल्पना करें जहाँ लाखों किताबें लगातार अंदर आ रही हैं और बाहर जा रही हैं। इस लाइब्रेरी में, लाइब्रेरियन काम के बोझ से दबे हुए हैं। कुछ किताबें चेक-इन होने के उसी दिन वापस आ जाती हैं, लेकिन कुछ अन्य सालों तक स्टैक्स (अलमारियों) में खो जाती हैं, जिससे एक विशाल "बैकलॉग" (बकाया) का ढेर लग जाता है जिसे कोई भी साफ नहीं कर पा रहा है। यह केवल किताबों के बारे में नहीं है; यह न्याय के बारे में है। जब मामले (किताबें) बहुत लंबे समय तक अटके रहते हैं, तो लोग व्यवस्था पर विश्वास खो देते हैं, और निष्पक्ष एवं त्वरित सुनवाई के उनके अधिकार में देरी होती है। लंबे समय तक, लाइब्रेरियन केवल उन किताबों को गिन सकते थे जिन्हें वे पहले ही प्रोसेस कर चुके थे; उनके पास यह अनुमान लगाने का कोई तरीका नहीं था कि कौन सी नई किताबें डेस्क से निकलने से पहले ही ढेर में फंस जाएंगी।

यहाँ मशीन लर्निंग (Machine Learning) की दुनिया में प्रवेश करें, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ हम कंप्यूटर को इतिहास में पैटर्न खोजने के लिए सिखाते हैं, ठीक वैसे ही जैसे एक जासूस नए रहस्यों को सुलझाने के लिए पुराने अपराध स्थलों का अध्ययन करता है। अनुमान लगाने के बजाय, ये कंप्यूटर अतीत के हजारों मामलों को देखते हैं ताकि यह सीख सकें कि कौन सा मामला तेजी से आगे बढ़ता है या कहाँ अटक जाता है। यहाँ मुख्य विचार प्रेडिक्टिव एनालिटिक्स (Predictive Analytics) है: भविष्य का पूर्वानुमान लगाने के लिए अतीत के डेटा का उपयोग करना। यदि एक कंप्यूटर हमें बता सकता है, "यह नया मामला उन मामलों जैसा दिखता है जिनमें पांच साल लगे थे," तो हम इसे शुरू होने से पहले ही ढेर में खो जाने से रोक सकते हैं। शोधकर्ता बिल्कुल यही करने के लिए केन्या की अदालतों के लिए काम कर रहे थे—एक प्रतिक्रियात्मक प्रणाली (समस्या होने के बाद उसे ठीक करना) को एक सक्रिय प्रणाली (समस्या बढ़ने से पहले उसे रोकना) में बदलना।

---

कोर्ट केसों के लिए तीन-चरणीय क्रिस्टल बॉल (भविष्यवाणी यंत्र)

केन्याई मजिस्ट्रेट अदालतों में, जहाँ कुल कानूनी कार्यों का 80% से अधिक हिस्सा होता है, एक विशाल बैकलॉग बनता जा रहा है। 2025 के मध्य तक, सुने जाने वाले मामलों की संख्या 1,27,000 से अधिक थी। मौजूदा कंप्यूटर सिस्टम, जिसे इंटीग्रेटेड केस मैनेजमेंट सिस्टम (ICMS) कहा जाता है, वह रिकॉर्ड करने में तो बेहतरीन है कि क्या हुआ है, लेकिन वह इस बात के प्रति अंधा है कि क्या हो सकता है। उसे नहीं पता कि कौन से नए मामले वे "सुपर-स्लो" मामले बन सकते हैं जो सिस्टम को जाम कर देंगे।

इसे ठीक करने के लिए, शोधकर्ताओं ने एक तीन-चरणीय मशीन लर्निंग पाइपलाइन बनाई है। इस पाइपलाइन को एक डाकघर में मौजूद एक हाई-टेक छंटनी मशीन के रूप में समझें जो न केवल पत्रों पर मुहर लगाती है; बल्कि यह भी भविष्यवाणी करती है कि प्रत्येक पत्र को अपने गंतव्य तक पहुँचने में कितना समय लगेगा और उन पत्रों को चिह्नित करती है जिनके खो जाने की संभावना है।

स्टेज 0: "सेम-डे" स्पीड ट्रैप (उसी दिन की गति पकड़ना)

इस मशीन का पहला काम "एक्सप्रेस" मामलों की पहचान करना है। केन्या के सभी मामलों में से लगभग 29% मामले फाइल किए जाने के दिन ही सुलझा दिए जाते हैं। शोधकर्ताओं ने एक कंप्यूटर मॉडल को प्रशिक्षित किया ताकि वह नया मामला आते ही देख सके और पूछ सके: "क्या यह एक त्वरित मामला है, या यह एक मैराथन होने वाला है?"
उन्होंने यह देखने के लिए चार अलग-अलग कंप्यूटर "दिमाग" (एल्गोरिदम) का परीक्षण किया कि कौन सा सबसे अच्छा है। विजेता LightGBM था, जिसने उच्च स्तर की सटीकता (0.9148 का स्कोर) के साथ उसी दिन के मामलों की सही पहचान की। यदि कंप्यूटर कहता है "Same Day" (उसी दिन), तो मामले को ग्रीन लाइट मिलती है और बिना किसी देरी के आगे बढ़ाया जाता है। यदि यह "Multi-Day" (कई दिनों वाला) कहता है, तो मामला अगले चरण में चला जाता है।

स्टेज 1: "फाइलिंग-टाइम" क्रिस्टल बॉल (फाइलिंग के समय का अनुमान)

एक बार जब किसी मामले को "मल्टी-डे" मैराथन के रूप में चिह्नित कर दिया जाता है, तो सिस्टम को यह अनुमान लगाने की आवश्यकता होती है कि दौड़ कितनी लंबी होगी। यह पेचीदा हिस्सा है क्योंकि मामला अभी तक अपनी यात्रा शुरू भी नहीं कर चुका है। कंप्यूटर केवल उस जानकारी को देखता है जो मामला फाइल करते समय उपलब्ध होती है: मामले का प्रकार, कितने वकील शामिल हैं, विशिष्ट न्यायाधीश कितने व्यस्त हैं, और क्या अदालत किसी शहर में है या ग्रामीण क्षेत्र में।
लगभग 6,73,000 पिछले मामलों के डेटा का उपयोग करते हुए, LightGBM मॉडल ने फिर से चैंपियन साबित होने का काम किया। यह लगभग 444 दिनों के मार्जिन ऑफ एरर (त्रुटि सीमा) के साथ मामले की अवधि की भविष्यवाणी कर सकता था। हालांकि यह बहुत अधिक लग सकता है, लेकिन इसने उन कारणों की लगभग 62% व्याख्या की कि मामले लंबे समय तक क्यों चलते हैं। इसका मतलब है कि पहले दिन ही कागजी कार्रवाई को देखकर, सिस्टम एक जज को बता सकता है, "यह मामला लगभग 1.5 साल तक चल सकता है," या "यह मामला चार साल तक खिंच सकता है।"

स्टेज 2: "लाइव-अपडेट" ट्रैकर (लाइव अपडेट ट्रैकर)

मामले की यात्रा फाइलिंग डेस्क पर समाप्त नहीं होती है। जैसे-जैसे मामला अदालत के माध्यम से आगे बढ़ता है, वह इतिहास संचित करता है: सुनवाई होती है, स्थगन (adjournments) दिए जाते हैं, और देरी होती है। पाइपलाइन का तीसरा चरण एक डायनेमिक मॉडल है जो मामले की प्रगति के साथ भविष्यवाणी को अपडेट करता है।
एक ऐसे GPS की कल्पना करें जो न केवल घर से निकलते समय आपको आगमन का समय बताता है, बल्कि हर बार जब आप ट्रैफिक जाम में फंसते हैं तो उसे फिर से कैलकुलेट करता है। यह स्टेज 2 मॉडल (जो CatBoost नामक एक अलग कंप्यूटर दिमाग द्वारा संचालित है) नई जानकारी लेता है—जैसे कितनी सुनवाई हुई है या पहली बैठक कितनी देरी से हुई—और अनुमान को संशोधित करता है।
यहाँ परिणाम प्रभावशाली थे। जबकि प्रारंभिक अनुमान (स्टेज 1) में 444 दिनों की त्रुटि थी, अपडेट किए गए अनुमान (स्टेज 2) ने उस त्रुटि को घटाकर केवल 80.83 दिन कर दिया। यह दर्शाता है कि जैसे-जैसे मामला आगे बढ़ता है, कंप्यूटर यह जानने में बहुत बेहतर हो जाता है कि यह वास्तव में कब समाप्त होगा।

"जलीहाकी" (JaliHaki) डैशबोर्ड: इसे अमल में लाना

शोधकर्ताओं ने केवल गणित पर ही नहीं रोका; उन्होंने JaliHaki (स्वाहिली में जिसका अर्थ है "न्याय की रक्षा करना") नामक एक वास्तविक दुनिया का टूल बनाया। यह एक वेब एप्लिकेशन है जो सीधे अदालत के कंप्यूटर सिस्टम से जुड़ता है।

• कोर्ट प्रशासकों के लिए: यह जोखिम के आधार पर रंग-कोडित मामलों की सूची के साथ एक डैशबोर्ड दिखाता है। एक "Low Risk" (कम जोखिम) वाला मामला हरा होता है और उसे नियमित निगरानी की आवश्यकता होती है। एक "Critical Risk" (गंभीर जोखिम) वाला मामला लाल होता है और उसे वरिष्ठ न्यायाधीश के तत्काल ध्यान की आवश्यकता होती है।
• मजिस्ट्रेटों के लिए: यह उन्हें उनके कार्यभार का व्यक्तिगत दृश्य देता है, उन्हें चेतावनी देता है कि क्या उनके पास सौंपा गया कोई मामला "क्रिटिकल" ज़ोन में जा रहा है।
• मुददियों (जनता) के लिए: यह सरल भाषा में एक अनुमान प्रदान करता है। कानूनी शब्दावली के बजाय, मामला दर्ज करने वाला व्यक्ति देख सकता है: "आपके मामले में अनुमानित रूप से 5 वर्ष लगेंगे, और यह वर्तमान में 'हाई रिस्क' श्रेणी में है।"

देरी के पीछे क्या है?

SHAP विश्लेषण (जो एक आवर्धक लेंस की तरह काम करता है ताकि यह देखा जा सके कि कौन से कारक सबसे अधिक महत्वपूर्ण हैं) का उपयोग करके, शोधकर्ताओं ने देरी के मुख्य कारणों का पता लगाया:

1. मजिस्ट्रेट के प्रति केसलोड: जब एक जज के पास बहुत अधिक मामले होते हैं, तो सब कुछ धीमा हो जाता है।
2. कानूनी प्रतिनिधित्व: किसी पक्ष के पास वकील है या नहीं, इससे समय-सीमा बदल जाती है।
3. मामले की प्रकृति: आपराधिक मामले (मध्य मान 90 दिन) नागरिक मामलों (मध्य मान 547 दिन) की तुलना में तेजी से चलते हैं।
4. प्रथम-उल्लेख देरी (First-Mention Delay): पहली सुनवाई आयोजित करने में कितना समय लगता है, यह अंतिम देरी का एक बड़ा संकेतक है।
5. संचित सुनवाई (Accumulated Hearings): मामले में जितनी अधिक सुनवाई होगी, वह उतना ही लंबा खिंचेगा।

दिलचस्प बात यह है कि अध्ययन में पाया गया कि शहरी अदालतें (बड़े शहरों में) वास्तव में ग्रामीण अदालतों (मध्य मान 99 दिन) की तुलना में मल्टी-डे मामलों को संसाधित करने में अधिक समय लेती थीं (मध्य मान 275 दिन)। यह विरोधाभासी लग सकता है, लेकिन शोधकर्ता इसे क्यूइंग थ्योरी (Queueing Theory) के माध्यम से समझाते हैं: भले ही एक शहर की अदालत अच्छी तरह से संसाधन संपन्न हो, मामलों की भारी मात्रा एक लंबी "वेटिंग लाइन" बना देती है, जिससे सभी धीमे हो जाते हैं।

चार-स्तरीय जोखिम प्रणाली

भविष्यवाणियों को वास्तविक लोगों के लिए उपयोगी बनाने के लिए, टीम ने एक सरल चार-स्तरीय जोखिम प्रणाली बनाई है:

• Low Risk (≤ 218 दिन): नियमित निगरानी।
• Medium Risk (218–564 दिन): निर्धारित समीक्षा।
• High Risk (564–1,283 दिन): तत्काल हस्तक्षेप की आवश्यकता।
• Critical Risk (> 1,283 दिन): तुरंत एक वरिष्ठ मजिस्ट्रेट को सूचित करें।

यह प्रणाली अदालत को उन "क्रिटिकल रिस्क" मामलों को बिल्कुल शुरुआत में ही पहचानने की अनुमति देती है (जो नई फाइलिंग का लगभग 10.5% हिस्सा हैं) और बैकलॉग बनने से पहले कार्रवाई करने में मदद करती है।

यह अध्ययन क्या कहता है और क्या नहीं कहता

शोधकर्ता सावधानीपूर्वक नोट करते हैं कि उनका मॉडल भविष्यवाणी के लिए एक उपकरण है, न कि कोई जादू की छड़ी। वे स्पष्ट रूप से कहते हैं कि मॉडल ऐतिहासिक डेटा से सीखता है, जिसका अर्थ है कि यह अदालत प्रणाली की वर्तमान वास्तविकताओं, जिसमें विभिन्न काउंटियों या विभिन्न प्रकार की अदालतों के बीच मौजूदा असमानताएं भी शामिल हैं, को दर्शाता है। वे चेतावनी देते हैं कि ग्रामीण अदालतों के लिए मॉडल की सटीकता के लिए अधिक परीक्षण की आवश्यकता हो सकती है क्योंकि उनके डेटा में ग्रामीण मामलों की संख्या कम थी।

वे यह भी स्पष्ट करते हैं कि "फाइलिंग वर्ष" एक शीर्ष भविष्यवक्ता था, लेकिन इसलिए नहीं कि अदालतें समय के साथ तेज या धीमी हो रही हैं। इसके बजाय, यह एक गणितीय विशेषता है: हाल ही में फाइल किए गए मामलों को अभी तक समाप्त होने के लिए पर्याप्त समय नहीं मिला है, इसलिए कंप्यूटर उन्हें केवल इसलिए "छोटा" देखता है क्योंकि वे नए हैं। शोधकर्ताओं ने यह सुनिश्चित करने के लिए इसे समायोजित किया कि भविष्यवाणियाँ निष्पक्ष हों।

निष्कर्ष

यह अध्ययन यह सिद्ध करता है कि जिस डेटा का उपयोग अदालतें पहले से ही कर रही हैं, उससे हम आश्चर्यजनक सटीकता के साथ केस देरी की भविष्यवाणी करने वाली प्रणाली बना सकते हैं। तीन-चरणीय पाइपलाइन का उपयोग करके, केन्या की अदालतें अब बैकलॉग के प्रति प्रतिक्रिया देने के बजाय उन्हें रोकने की दिशा में बढ़ सकती हैं। JaliHaki एप्लिकेशन जटिल गणित को एक सरल, रंग-कोडित डैशबोर्ड में बदल देता है जो न्यायाधीशों, क्लर्कों और जनता को समय-सीमा समझने में मदद करता है। हालांकि मॉडल परफेक्ट नहीं है (इसमें अपडेट किए गए भविष्यवाणियों के लिए लगभग 80 दिन की त्रुटि सीमा है), यह तकनीक का उपयोग करके त्वरित सुनवाई के अधिकार की रक्षा करने की दिशा में एक बड़ी छलांग है। अध्ययन सुझाव देता है कि यदि इन उपकरणों को अपनाया जाता है, तो अदालतें उन मामलों की पहचान कर सकती हैं जिन्हें सबसे अधिक मदद की आवश्यकता है, बिल्कुल उसी क्षण जब वे फाइल किए जाते हैं, जिससे यह सुनिश्चित होता है कि न्याय फाइलों के ढेर में कहीं खो न जाए।