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

巨大で賑やかな図書館を想像してみてください。そこでは、何百万冊もの本が絶えず貸し出されたり返却されたりしています。この図書館では、司書たちが手一杯の状態です。入庫したその日に返却される本もあれば、数年間も書架の中で迷子になり、誰も解消できない巨大な「バックログ（未処理案件）」の山を作ってしまう本もあります。これは単なる本の物語ではありません。これは「正義」についての物語です。ケース（「本」）が長く放置されると、人々はシステムへの信頼を失い、公正かつ迅速な裁判を受ける権利が遅れてしまうのです。長い間、司書たちはすでに処理された本を数えることしかできず、新しい本がデスクを離れる前に、それが積み上がった山のまま停滞してしまうかどうかを予測する方法を持っていませんでした。

ここで、機械学習の世界が登場します。これは、コンピュータに過去のパターンを見つけ出す方法を教えるコンピュータサイエンスの一分野であり、まるで古い犯罪現場を研究して新しい謎を解こうとする探偵のようなものです。推測する代わりに、これらのコンピュータは過去の何千ものケースを調査し、何がケースを迅速に動かし、何が停滞させるのかを学習します。ここでの鍵となる概念は**予測分析（プレディクティブ・アナリティクス）**です。つまり、過去のデータを使用して未来を予測することです。もしコンピュータが、「この新しいケースは、5年かかったケースに似ている」と告げることができれば、問題が発生する前に、それが山の中に埋もれてしまうのを防ぐことができます。これこそが、研究者たちがケニアの裁判所のために行ってきたことです。彼らは、事後に対処する「リアクティブ（反応型）」なシステムを、問題が大きくなる前に阻止する「プロアクティブ（先回り型）」なシステムへと変えようとしたのです。

---

裁判ケースのための「三段階の水晶玉」

ケニアの治安判事裁判所では、全法的業務の80%以上が行われており、膨大なバックログが蓄積しています。2025年中盤の時点で、12万7,000件以上のケースが審理を待っています。既存のコンピュータシステムである統合ケース管理システム（ICMS）は、何が「起こったか」を記録することには長けていますが、何が「起こり得るか」については盲目です。どの新しいケースが、システムを詰まらせる「超スロー」なケースになる可能性があるのかを、このシステムは知りません。

これを解決するために、研究者たちは三段階の機械学習パイプラインを構築しました。このパイプラインを、単に手紙にスタンプを押すだけでなく、その手紙が目的地に届くまでにどれくらいの時間がかかるかを予測し、紛失する可能性のあるものをフラグ立てする郵便局のハイテク仕分け機だと考えてください。

ステージ0：「当日完了」のスピード・トラップ

このマシンの最初の仕事は、「エクスプレス（特急）」ケースを見つけ出すことです。ケニアの全ケースの約29%は、申し立てられた当日に解決されています。研究者たちは、新しいケースが入ってきた瞬間にコンピュータモデルに「これは迅速なものか、それともマラソンになるのか？」と問いかけるよう訓練しました。
彼らは、どのアルゴリズムが最適かを判断するために、4つの異なるコンピュータの「脳（アルゴリズム）」をテストしました。勝者はLightGBMであり、高い精度（スコア0.9148）で当日完了ケースを特定しました。コンピュータが「当日（Same Day）」と判断すれば、そのケースにはグリーンライトが与えられ、さらなる遅延なく進行します。「複数日（Multi-Day）」と判断された場合は、次のステージへと進みます。

ステージ1：「申立時」の水晶玉

ケースが「複数日」のマラソンとしてフラグ立てされると、システムはそのレースにどれくらいの時間がかかるかを予測する必要があります。これは、ケースがまだ旅を始めていない段階で行われるため、非常に難しい作業です。コンピュータは、ケースが申し立てられた瞬間に利用可能な情報のみを使用します。つまり、ケースの種類、関与する弁護士の数、特定の裁判官の忙しさ、そして裁判所が都市部にあるのか農村部にあるのかといった情報です。
約67万3,000件の過去のケースデータを使用し、LightGBMモデルが再びチャンピオンとなりました。このモデルは約444日の誤差範囲でケースの期間を予測できました。これは一見大きな数字に聞こえますが、ケースがなぜこれほど長くかかるのかという理由の約62%を説明できています。つまり、初日の書類を見るだけで、システムは裁判官に対し、「このケースは約1.5年かかる見込みです」あるいは「これは4年ほど長引く可能性があります」と伝えることができるのです。

ステージ2：「ライブ更新」トラッカー

旅は申立デスクで終わるわけではありません。ケースが裁判を進めるにつれ、履歴が蓄積されていきます。審理が行われ、延期が認められ、遅延が発生します。パイプラインの第3ステージは、進行状況に応じて予測を更新する動的なモデルです。
自宅を出発する際に到着時刻を教えてくれるだけでなく、渋滞に巻き込まれるたびに到着予定時刻を再計算するGPSを想像してください。このステージ2モデル（CatBoostと呼ばれる別のコンピュータの脳によって駆動）は、新しい情報（例：何回の審理が行われたか、最初の期日がどれくらい延期されたかなど）を取り込み、予測を修正します。
ここでの結果は目覚ましいものでした。初期の予測（ステージ1）の誤差が444日であったのに対し、更新された予測（ステージ2）では、その誤差をわずか80.83日にまで絞り込みました。これは、ケースが進むにつれて、コンピュータがいつ終了するかをより正確に把握できることを示しています。

「JaliHaki」ダッシュボード：実用化に向けて

研究者たちは数学的な計算にとどまらず、JaliHaki（スワヒリ語で「正義を守る、保護する」の意）という実用的なツールを構築しました。これは、裁判所のコンピュータシステムに直接接続されるウェブアプリケーションです。

• 裁判所管理者向け： リスク別に色分けされたケースのリストを表示するダッシュボードを提供します。「低リスク」のケースは緑色で、定期的なモニタリングが必要です。「重大リスク」のケースは赤色で、上級裁判官による即時の対応が必要です。
• 治安判事向け： 自身の担当案件のワークロードを表示し、割り当てられたケースが「重大（Critical）」ゾーンに漂流し始めている場合に警告を発します。
• 訴訟当事者（一般市民）向け： 平易な言葉による見積もりを提供します。難解な法律用語の代わりに、「あなたのケースは完了までにおよそ5年かかる見込みであり、現在は『高リスク』カテゴリーにあります」といった情報を提示します。

何が遅延を引き起こしているのか？

研究者たちは、どの要因が最も重要かを拡大鏡で見るような手法であるSHAP分析を用いて、遅延の主な原因を明らかにしました。

1. 治安判事あたりの案件数： 裁判官が抱える案件が多すぎると、すべてが停滞します。
2. 法的代理人（弁護士）の有無： 当事者に弁護士がいるかいないかが、タイムラインを左右します。
3. ケースの性質： 刑事事件（複数日ケースの中央値90日）は、民事事件（中央値547日）よりも迅速に進む傾向があります。
4. 初回出廷の遅延： 最初の審理が行われるまでの期間は、最終的な遅延の極めて大きな予測因子となります。
5. 累積された審理回数： 審理回数が多ければ多いほど、ケースは長期化する傾向にあります。

興味深いことに、本研究では、都市部の裁判所（大都市）は、農村部の裁判所（中央値99日）よりも、複数日ケースの処理に時間がかかる（中央値275日）ことが分かりました。これは直感に反するように思えますが、研究者はこれを**待ち行列理論（キューイング理論）**を用いて説明しています。たとえ都市部の裁判所が十分なリソースを持っていても、膨大な案件量によって「待ち行列」が長くなり、結果として全員の進行を遅らせるのです。

4段階のリスクシステム

予測を実用的なものにするために、チームはコンピュータの予測に基づいたシンプルな4段階のリスクシステムを作成しました。

• 低リスク (≤ 218日)： 定期的なモニタリング。
• 中リスク (218–564日)： 定期的なレビュー。
• 高リスク (564–1,283日)： 即時の介入が必要。
• 重大リスク (> 1,283日)： 直ちに上級治安判事に報告。

このシステムにより、裁判所は（新しい申し立ての約10.5%を占める）「重大リスク」のケースを、発生した瞬間に特定し、それが巨大なバックログの一部となる前に手を打つことができます。

本研究の限界と注意点

研究者たちは、このモデルはあくまで予測のためのツールであり、魔法の杖ではないことを強調しています。彼らは、モデルが過去のデータから学習しているため、現在の裁判制度の現実（異なる郡や裁判所の種類間の既存の不平等を含む）を反映していることを明示しています。また、農村部のケースはデータ数が少ないため、農村部におけるモデルの正確性についてはさらなる検証が必要であると警告しています。

また、「申立年」が主要な予測因子であったことも明確にしていますが、これは裁判所が時間の経過とともに速くなったり遅くなったりしているからではありません。これは数学的な特性によるものです。最近申し立てられたケースは、まだ終了するための十分な時間が経過していないため、コンピュータはそれが「新しい」という理由だけで「短い」と判断してしまいます。研究者たちは、予測が公平になるよう、この点を調整しました。

結論

本研究は、裁判所がすでに保有しているデータを用いることで、驚くべき精度でケースの遅延を予測できることを証明しています。三段階のパイプラインを使用することで、ケニアの裁判所はバックログに「反応する」ことから、バックログを「防ぐ」ことへと移行できます。JaliHakiアプリケーションは、複雑な数学を、裁判官、事務官、そして市民がタイムラインを理解するためのシンプルな色分けダッシュボードへと変換します。モデルは完璧ではありませんが（更新後の予測でも約80日の誤差があります）、これはテクノロジーを用いて「迅速な裁判を受ける権利」を守るための大きな前進です。この研究は、これらのツールを採用することで、裁判所が最も助けを必要としているケースを、申し立ての瞬間から特定し、正義が書架の中に埋もれてしまうのを防げることを示唆しています。