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

Immaginate una biblioteca gigante e frenetica dove milioni di libri vengono continuamente registrati e prelevati in prestito. In questa biblioteca, i bibliotecari sono sopraffatti. Alcuni libri vengono restituiti lo stesso giorno in cui vengono presi in prestito, ma altri si perdono tra gli scaffali per anni, creando un enorme accumulo di "arretrati" che nessuno sembra in grado di smaltire. Questo non riguarda solo i libri; riguarda la giustizia. Quando i casi (i "libri") restano fermi troppo a lungo, le persone perdono la fiducia nel sistema e il loro diritto a un processo equo e rapido viene ritardato. Per molto tempo, i bibliotecari potevano solo contare i libri che avevano già elaborato; non avevano modo di indovinare quali nuovi libri sarebbero rimasti bloccati nel mucchio prima ancora che lasciassero il banco.

Entra nel mondo del Machine Learning, un ramo dell'informatica in cui insegniamo ai computer a trovare schemi nella storia, proprio come un detective che studia vecchie scene del crimine per risolvere nuovi misteri. Inveve di tirare a indovinare, questi computer analizzano migliaia di casi passati per imparare cosa fa procedere velocemente un caso o cosa lo fa bloccare. L'idea chiave qui è l'analisi predittiva: usare i dati del passato per prevedere il futuro. Se un computer può dirci: "Questo nuovo caso somiglia a quelli che hanno richiesto cinque anni", possiamo evitare che si perda nel mucchio prima ancora che inizi. È esattamente ciò che i ricercatori di questo studio si sono posti l'obiettivo di fare per i tribunali in Kenya, trasformando un sistema reattivo (risolvere i problemi dopo che si sono verificati) in uno proattivo (fermare i problemi prima che crescano).

---

La palla di cristallo a tre stadi per i casi giudiziari

Nei tribunali dei magistrati keni, dove avviene più dell'80% di tutta l'attività legale, si è accumulato un enorme arretrato. Alla metà del 2025, c'erano oltre 127.000 casi in attesa di essere esaminati. Il sistema informatico esistente, chiamato Integrated Case Management System (ICMS), è ottimo nel registrare ciò che è accaduto, ma è cieco rispetto a ciò che potrebbe accadere. Non sa quali nuovi casi rischiano di diventare quelli "super-lenti" che intasano il sistema.

Per risolvere il problema, i ricercatori hanno costruito una pipeline di machine learning a tre stadi. Pensate a questa pipeline come a una macchina di smistamento ad alta tecnologia in un ufficio postale che non si limita a timbrare le lettere; essa prevede quanto tempo impiegherà ogni lettera a raggiungere la sua destinazione e segnala quelle che potrebbero andare perse.

Stadio 0: La trappola della velocità "stesso giorno"

Il primo compito di questa macchina è individuare i casi "express". Circa il 29% di tutti i casi in Kenya viene risolto il giorno stesso in cui viene depositato. I ricercatori hanno addestrato un modello informatico per analizzare un nuovo caso nel momento in cui arriva e chiedere: "È un caso veloce o sarà una maratona?".
Hanno testato quattro diversi "cervelli" informatici (algoritmi) per vedere quale fosse il migliore in questo. Il vincitore è stato LightGBM, che ha identificato correttamente i casi dello stesso giorno con un alto livello di precisione (un punteggio di 0,9148). Se il computer dice "Stesso Giorno", il caso riceve il via libera e procede senza ulteriori ritardi. Se dice "Multi-giorno", il caso passa allo stadio successivo.

Stadio 1: La palla di cristallo del "tempo di deposito"

Una volta che un caso viene contrassegnato come una maratona "multi-giorno", il sistema deve indovinare quanto durerà la corsa. Questa è la parte difficile perché il caso non ha ancora iniziato il suo viaggio. Il computer guarda solo le informazioni disponibili nel momento in cui il caso viene depositato: il tipo di caso, quanti avvocati sono coinvolti, quanto è impegnato il giudice specifico e se il tribunale si trova in una città o in una zona rurale.
Utilizzando i dati di quasi 673.000 casi passati, il modello LightGBM si è confermato nuovamente il campione. Poteva prevedere la durata di un caso con un margine di errore di circa 444 giorni. Sebbene sembri molto, spiegava circa il 62% delle ragioni per cui i casi richiedono tempo. Ciò significa che, guardando semplicemente la documentazione il primo giorno, il sistema può dire a un giudice: "Questo caso sembra che durerà circa 1,5 anni" oppure "Questo potrebbe trascinarsi per quattro anni".

Stadio 2: Il tracker di "aggiornamento in tempo reale"

Il viaggio non finisce al banco dei depositi. Mentre il caso procede attraverso il tribunale, accumula una storia: si tengono udienze, vengono concesse rinvii e si verificano ritardi. Il terzo stadio della pipeline è un modello dinamico che aggiorna la previsione man mano che il caso procede.
Immaginate un GPS che non si limita a darvi un tempo di arrivo quando partite di casa, ma ricalcola l'orario ogni volta che vi trovate in un ingorgo stradale. Questo modello di Stadio 2 (alimentato da un diverso cervello informatico chiamato CatBoost) prende le nuove informazioni — come il numero di udienze avvenute o quanto è stato lungo il primo incontro — e rivede la stima.
I risultati qui sono stati impressionanti. Mentre la stima iniziale (Stadio 1) aveva un errore di 444 giorni, la stima aggiornata (Stadio 2) ha ridotto quell'errore a soli 80,83 giorni. Questo dimostra che, man mano che il caso procede, il computer diventa molto più preciso nel sapere esattamente quando terminerà.

La Dashboard "JaliHaki": Metterlo in pratica

I ricercatori non si sono fermati alla matematica; hanno costruito uno strumento reale chiamato JaliHaki (che significa "proteggere o custodire la giustizia" in Swahili). Questa è un'applicazione web che si collega direttamente al sistema informatico del tribunale.

• Per gli amministratori del tribunale: Mostra una dashboard con un elenco di casi, codificati per colore in base al rischio. Un caso a "Basso Rischio" è verde e richiede un monitoraggio di routine. Un caso a "Rischio Critico" è rosso e richiede l'attenzione immediata di un giudice senior.
• Per i Magistrati: Offre loro una visione personale del proprio carico di lavoro, avvisandoli se un caso assegnato a loro sta iniziando a scivolare nella zona "Critica".
• Per i Legali (Il Pubblico): Offre una stima in linguaggio semplice. Invece di usare gerghi legali confusi, una persona che deposita un caso potrebbe vedere: "Il tuo caso è stimato durare 5 anni ed è attualmente nella categoria ad Alto Rischio".

Cosa causa i ritardi?

Utilizzando una tecnica chiamata analisi SHAP (che funge da lente d'ingrandimento per vedere quali fattori contano di più), i ricercatori hanno scoperto i principali colpevoli dei ritardi:

1. Carico di lavoro per Magistrato: Quando un giudice ha troppi casi, tutto rallenta.
2. Rappresentanza Legale: Se una parte ha un avvocato o meno cambia la tempistica.
3. Natura del Caso: I casi penali tendono a muoversi più velocemente (mediana di 90 giorni per i casi multi-giorno) rispetto ai casi civili (mediana di 547 giorni).
4. Ritardo della Prima Menzionata: Quanto tempo occorre per tenere la primissima udienza è un grande predittore del ritardo finale.
5. Udienze Accumulate: Più udienze ha un caso, più a lungo tende a durare.

Curiosamente, lo studio ha scoperto che i tribunali Urbani (nelle grandi città) impiegavano effettivamente più tempo per elaborare i casi multi-giorno (mediana di 275 giorni) rispetto ai tribunali Rurali (mediana di 99 giorni). Questo sembra controintuitivo, ma i ricercatori lo spiegano usando un concetto chiamato Teoria delle Code (Queueing Theory): anche se un tribunale cittadino è ben dotato di risorse, l'enorme volume di casi crea una "fila d'attesa" più lunga, rallentando tutti.

Il sistema di rischio a quattro livelli

Per rendere le previsioni utili per le persone reali, il team ha creato un semplice sistema di rischio a quattro livelli basato sulle previsioni del computer:

• Basso Rischio (≤ 218 giorni): Monitoraggio di routine.
• Medio Rischio (218–564 giorni): Revisione programmata.
• Alto Rischio (564–1.283 giorni): Intervento immediato necessario.
• Rischio Critico (> 1.283 giorni): Escalation immediata a un magistrato senior.

Questo sistema permette al tribunale di individuare i casi a "Rischio Critico" (che costituiscono circa il 10,5% dei nuovi depositi) fin dall'inizio e agire prima che diventino parte del massiccio arretrato.

Cosa lo studio dice e non dice

I ricercatori sono cauti nell'affermare che il loro modello è uno strumento di previsione, non una bacchetta magica. Affermano esplicitamente che il modello impara dai dati storici, il che significa che riflette le attuali realtà del sistema giudiziario, incluse eventuali disuguaglianze esistenti tra diverse contee o tipi di tribunali. Avvertono che l'accuratezza del modello per i tribunali rurali potrebbe necessitare di ulteriori test poiché c'erano meno casi rurali nei loro dati.

Chiariscono anche che l' "anno di deposito" è stato un predittore principale, ma non perché i tribunali stiano diventando più veloci o più lenti nel tempo. Si tratta invece di un particolare matematico: i casi depositati di recente non hanno avuto abbastanza tempo per concludersi, quindi il computer li vede come "più brevi" semplicemente perché sono nuovi. I ricercatori hanno corretto questo aspetto per garantire che le previsioni fossero eque.

In sintamente

Questo studio dimostra che, con i dati che i tribunali già possiedono, è possibile costruire un sistema capace di prevedere i ritardi dei casi con una sorprendente accuratezza. Utilizzando una pipeline a tre stadi, i tribunali keni possono ora passare dal reagire agli arretrati al prevenirli. L'applicazione JaliHaki trasforma la matematica complessa in una semplice dashboard colorata che aiuta giudici, cancellieri e il pubblico a comprendere la tempistica della giustizia. Sebbene il modello non sia perfetto (presenta ancora un margine di errore di circa 80 giorni per le previsioni aggiornate), rappresenta un enorme passo avanti nell'uso della tecnologia per proteggere il diritto a un processo rapido. Lo studio suggerisce che, se questi strumenti verranno adottati, i tribunali potranno identificare i casi che hanno più bisogno di aiuto, fin dal momento del deposito, garantendo che la giustizia non vada persa tra gli scaffali.