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

Stel je een enorme, drukke bibliotheek voor waar miljoenen boeken constant worden ingeleverd en uitgeleend. In deze bibliotheek zijn de bibliothecarissen overweldigd. Sommige boeken worden op dezelfde dag teruggebracht als ze zijn uitgeleend, maar andere raken jarenlang kwijt tussen de stellingen, waardoor er een enorme stapel "achterstand" ontstaat die niemand lijkt te kunnen wegwerken. Dit gaat niet alleen over boeken; dit gaat over rechtvaardigheid. Wanneer zaken (de "boeken") te lang blijven liggen, verliezen mensen het vertrouwen in het systeem, en worden hun rechten op een eerlijk en spoedig proces vertraagd. Lange tijd konden bibliothecarissen alleen de boeken tellen die ze al hadden verwerkt; ze hadden geen manier om te voorspellen welke nieuwe boeken in de stapel terecht zouden komen voordat ze zelfs maar de balie hadden verlaten.

Hier komt de wereld van Machine Learning om de hoek kijken, een tak van de computerwetenschappen waarbij we computers leren patronen in het verleden te vinden, vergelijkbaar met een detective die oude misdaadscènes bestudeert om nieuwe mysteries op te lossen. In plaats van te gokken, kijken deze computers naar duizenden eerdere zaken om te leren wat een zaak snel laat verlopen of juist doet vastlopen. Het kernidee hier is predictieve analyse: het gebruik van data uit het verleden om de toekomst te voorspellen. Als een computer ons kan vertellen: "Deze nieuwe zaak lijkt op de zaken die vijf jaar duurden," dan kunnen we voorkomen dat deze in de stapel verdwijnt nog voordat het proces überhaupt is begonnen. Dit is precies wat de onderzoekers in deze studie wilden doen voor de rechtbanken in Kenia: een reactief systeem (problemen oplossen nadat ze zijn ontstaan) veranderen in een proactief systeem (problemen stoppen voordat ze groeien).

---

De Drie-Traps Kristallen Bol voor Rechtszaken

In de Keniaanse magistraatshoven, waar meer dan 80% van alle juridische zaken plaatsvindt, heeft zich een enorme achterstand opgebouwd. Halverwege 2025 waren er meer dan 127.000 zaken die wachtten op behandeling. Het bestaande computersysteem, genaamd het Integrated Case Management System (ICMS), is geweldig in het registreren van wat er is gebeurd, maar het is blind voor wat er zou kunnen gebeuren. Het weet niet welke nieuwe zaken waarschijnlijk de "super-trage" zaken zullen worden die het systeem verstoppen.

Om dit op te lossen, hebben de onderzoekers een machine learning-pipeline van drie stadia gebouwd. Zie deze pipeline als een hoogtechnologische sorteermachine bij een postkantoor die niet alleen brieven afstempelt, maar ook voorspelt hoe lang een brief erover doet om de bestemming te bereiken en de brieven markeert die mogelijk verloren gaan.

Stadium 0: De "Same-Day" Snelheidsval

De eerste taak van deze machine is om de "express"-zaken te spotten. Ongeveer 29% van alle zaken in Kenia wordt op de dag zelf afgehandeld. De onderzoekers hebben een computermodel getraind om een nieuwe zaak te bekijken op het moment dat deze binnenkomt en te vragen: "Is dit een snelle zaak, of wordt het een marathon?"
Ze testten vier verschillende computer-"hersenen" (algoritmen) om te zien welke het beste was in dit. De winnaar was LightGBM, die zaken die op dezelfde dag worden afgehandeld correct identificeerde met een hoog nauwkeurigheidsniveau (een score van 0,9148). Als de computer "Same Day" zegt, krijgt de zaak een groen licht en gaat deze zonder verdere vertraging door. Als hij "Multi-Day" zegt, gaat de zaak naar de volgende fase.

Stadium 1: De "Filing-Time" Kristallen Bol

Zodra een zaak is gemarkeerd als een "multi-day" marathon, moet het systeem raden hoe lang de race zal duren. Dit is het lastige deel, omdat de zaak de reis nog niet eens is begonnen. De computer kijkt alleen naar de informatie die beschikbaar is op het moment dat de zaak wordt ingediend: het type zaak, hoeveel advocaten erbij betrokken zijn, hoe druk het is bij de specifie dan de specifieke rechter, en of de rechtbank in een stad of een landelijk gebied ligt.
Met behulp van gegevens van bijna 673.000 eerdere zaken bleek het LightGBM-model opnieuw de kampioen. Het kon de duur van een zaak voorspellen met een foutmarge van ongeveer 444 dagen. Hoewel dat veel klinkt, verklaarde het ongeveer 62% van de redenen waarom zaken zo lang duren. Dit betekent dat het systeem, door alleen naar de papierwinkel op de eerste dag te kijken, een rechter kan vertellen: "Deze zaak ziet eruit alsof het ongeveer 1,5 jaar zal duren," of "Deze kan wel vier jaar voortslepen."

Stadium 2: De "Live-Update" Tracker

De reis eindigt niet bij de indieningsbalie. Terwijl de zaak door de rechtbank beweegt, bouwt deze een geschiedenis op: er worden zittingen gehouden, uitstel wordt verleend en vertragingen treden op. Het derde stadium van de pipeline is een dynamisch model dat de voorspelling bijwerkt naarmate de zaak vordert.
Stel je een GPS voor die niet alleen een aankomsttijd geeft wanneer je van huis vertrekt, maar de tijd elke keer herberekent als je in een file staat. Dit Stadium 2-model (aangedreven door een andere computer-"hersenen" genaamd CatBoost) neemt de nieuwe informatie mee — zoals het aantal zittingen dat heeft plaatsgevonden of hoe lang de eerste ontmoeting is uitgesteld — en herziet de schatting.
De resultaten hier waren indrukwekkend. Terwijl de initiële gok (Stadium 1) een fout had van 444 dagen, verkleinde de bijgewerkte gok (Stadium 2) die fout tot slechts 80,83 dagen. Dit laat zien dat de computer, naarmate de zaak vordert, veel beter wordt in het weten wanneer deze precies zal eindigen.

Het "JaliHaki" Dashboard: Het in de praktijk brengen

De onderzoekers stopten niet bij de wiskunde; ze bouwden een echt hulpmiddel genaamd JaliHaki (wat in het Swahili "rechtvaardigheid bewaken of beschermen" betekent). Dit is een webapplicatie die direct verbinding maakt met het computersysteem van de rechtbank.

• Voor rechtbankbeheerders: Het toont een dashboard met een lijst van zaken, gecodeerd op kleur naar risico. Een zaak met een "Laag Risico" is groen en vereist routinematige monitoring. Een zaak met een "Kritiek Risico" is rood en vereist onmiddellijke aandacht van een senior rechter.
• Voor magistraten: Het geeft hen een persoonlijk overzicht van hun werklast, met een waarschuwing als een zaak die aan hen is toegewezen, begint te driften naar de "Kritieke" zone.
• Voor litiganten (het publiek): Het biedt een uitleg in gewone taal. In plaats van verwarrende juridische jargon, kan een persoon die een zaak start een melding zien zoals: "Uw zaak wordt geschat op 5 jaar, en bevindt zich momenteel in de categorie Hoog Risico."

Wat drijft de vertragingen aan?

Door een techniek genaamd SHAP-analyse te gebruiken (die werkt als een vergrootglas om te zien welke factoren het belangrijkst zijn), ontdekten de onderzoekers de belangrijkste boosdoeners achter de vertragingen:

1. Werkdruk per magistraat: Wanneer een rechter te veel zaken heeft, vertraagt alles.
2. Juridische vertegenwoordiging: Of een partij een advocaat heeft of niet, verandert de tijdlijn.
3. Aard van de zaak: Strafzaken verlopen doorgaans sneller (mediaan 90 dagen voor multi-day zaken) dan civiele zaken (mediaan 547 dagen).
4. Vertraging bij de eerste verschijning: Hoe lang het duurt om de allereerste zitting te houden, is een grote voorspeller van de uiteindelijke vertraging.
5. Geaccumuleerde zittingen: Hoe meer zittingen een zaak heeft, hoe langer deze de neiging heeft om te duren.

Interessant genoeg vonden de onderzoekers dat stedelijke rechtbanken (in grote steden) er daadwerkelijk langer over deden om multi-day zaken te verwerken (mediaan 275 dagen) dan landelijke rechtbanken (mediaan 99 dagen). Dit lijkt tegenstrijdig, maar de onderzoekers verklaren dit aan de hand van een concept uit de wachtrijtheorie (Queueing Theory): zelfs als een stedelijke rechtbank goed voorzien is, creëert de enorme hoeveelheid zaken een langere "wachtrij", waardoor iedereen vertraagt.

Het Vier-Niveaus Risicosysteem

Om de voorspellingen bruikbaar te maken voor echte mensen, creëerde het team een eenvoudig vier-niveaus risicosysteem op basis van de computervoorspellingen:

• Laag Risico (≤ 218 dagen): Routinematige monitoring.
• Medium Risico (218–564 dagen): Geplande controle.
• Hoog Risico (564–1.283 dagen): Onmiddellijke interventie nodig.
• Kritiek Risico (> 1.283 dagen): Direct escaleren naar een senior magistraat.

Dit systeem stelt de rechtbank in staat om de "Kritieke Risico"-zaken (die ongeveer 10,5% van de nieuwe indieningen uitmaken) direct aan het begin te spotten en actie te ondernemen voordat ze deel uitmaken van de enorme achterstand.

Wat de studie wel en niet zegt

De onderzoekers zijn voorzichtig om te benadrukken dat hun model een hulpmiddel is voor voorspelling, geen toverstaf. Ze geven expliciet aan dat het model leert van historische gegevens, wat betekent dat het de huidige realiteiten van het rechtssysteem weerspiegelt, inclusief eventuele bestaande ongelijkheden tussen verschillende graafschappen of soorten rechtbanken. Ze waarschuwen dat de nauwkeurigheid van het model voor landelijke rechtbanken meer testen vereist, omdat er minder landelijke zaken in hun data voorkwamen.

Ze verduidelijken ook dat het "indieningsjaar" een belangrijke voorspeller was, maar niet omdat de rechtbanken sneller of langzamer worden over de tijd. In plaats daarvan is het een wiskundige eigenschap: zaken die recent zijn ingediend, hebben nog niet genoeg tijd gehad om afgerond te worden, waardoor de computer ze simpelweg als "korter" ziet omdat ze nieuw zijn. De onderzoekers hebben hiervoor gecorrigeerd om de voorspellingen eerlijk te houden.

De Kernboodschap

Deze studie bewijst dat we met de data die rechtbanken al hebben, een systeem kunnen bouwen dat de vertraging van zaken met verrassende nauwkeurigheid voorspelt. Door een drie-traps pipeline te gebruiken, kunnen de Keniaanse rechtbanken nu van reageren op achterstanden overgaan naar het voorkomen ervan. De JaliHaki-applicatie zet complexe wiskunde om in een eenvoudig, op kleur gecodeerd dashboard dat rechters, griffiers en het publiek helpt de tijdlijn van de rechtspraak te begrijpen. Hoewel het model niet perfect is (het heeft nog steeds een foutmarge van ongeveer 80 dagen voor bijgewerkte voorspellingen), vertegenwoordigt het een enorme sprong voorwaarts in het gebruik van technologie om het recht op een spoedig proces te beschermen. De studie suggereert dat als deze instrumenten worden toegepast, rechtbanken de zaken die de meeste hulp nodig hebben, direct vanaf het moment van indiening kunnen identificeren, zodat rechtvaardigheid niet tussen de stellingen verloren gaat.