💬 NLP

Towards Explainable Adjudicative Variance: Quantifying Judicial Discretion via Gated Multi-Task Learning

本文提出了一种参数高效且具可解释性的法官感知门控多任务学习架构，该架构通过细粒度分类法和门控融合机制，将事实案件价值与司法裁量权显式解耦，在预测英国就业审判庭结果方面优于大规模生成式基准模型。

原作者： Stanisław Sójka, Felix Steffek, Matthias Grabmair

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Stanisław Sójka, Felix Steffek, Matthias Grabmair

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：为什么法官的判决会有所不同？

想象一下，你正试图预测一起法律案件的结果。你拥有两个主要信息：

事实（Facts）： 实际发生了什么（即“故事”）。
法官（Judge）： 坐在审判席上的人（即“决策者”）。

在许多法律体系中，尤其是英国就业审判庭（UK Employment Tribunal），一个案件可能会以两种截然不同的方式结束：

“实体”（Merit）路径： 法官阅读故事，权衡证据，并根据事实判定谁对谁错。
“技术”（Technical）路径： 法官因为文书错误、错过截止日期或缺乏管辖权而立即驳回案件。法官甚至根本不会去看故事的内容。

现有 AI 模型的问题在于，它们通常将这两条路径视为同一件事。它们试图通过仅仅阅读文本来猜测结果，却忽略了当决策基于技术性规则或个人裁量权时，“谁”是法官这一点至关重要。

解决方案：AI 的“智能开关”

作者构建了一种名为**法官感知门控多任务学习（Judge-Aware Gated Multi-Task Learning）**的新型 AI 架构。为了理解它是如何工作的，让我们使用几个类比。

1. “双轨制”系统（分类法）

首先，研究人员意识到法律结果不仅仅是“赢”或“输”。他们创建了一个包含 11 个不同类别的详细地图（分类法）。

类比： 想象一个医院的分诊系统。他们不仅仅说“生病了”或“没生病”，而是区分出“腿断了”（需要打石膏）、“流感”（需要休息）和“预约错误”（请回家）。
如何起作用： 通过教 AI 识别这 11 种特定的“结局类型”（例如，针对错过截止日期的“驳回” vs. 针对有力论据的“实质性胜诉”），AI 能够学会将案件的“事实”与法院的“技术规则”区分开来。

2. “门控开关”（核心创新）

这是最重要的部分。研究人员为 AI 提供了一个特殊的“门”或“开关”，用于控制它在多大程度上听取法官身份的信息。

类比： 想象一个夜店的保安。
- 场景 A（技术性处置）： 如果你没有票（技术错误），保安不在乎你是谁。你会立即被赶走。此时“法官开关”是关闭的。AI 忽略法官的名字，因为规则是严格的。
- 场景 B（基于实体的判决）： 如果你有票，但保镖今天心情不好或者有特定的查验 ID 的风格，那么你是谁可能就更重要了。此时“法官开关”是开启的。AI 会关注法官的历史记录，看他们倾向于严厉还是宽容。
神奇之处： AI 学习根据案件情况自动开启或关闭这个开关。它不会盲目地跟随法官的名字；它只在案件具有模糊性或依赖法官裁量权时，才会使用该信息。

3. “混合引擎”（架构对比）

论文测试了构建这种 AI 的三种不同方式，并使用了一个非常大的语言模型（Gemma-4）作为引擎：

“提示词”方法（生成式 SFT）： 这就像是在问 AI：“这是一个故事，这是法官的名字。会发生什么？” AI 尝试在单个文本流中写出答案。
- 结果： 它会感到困惑。“法官”和“故事”在文本流中混杂在一起，AI 难以将它们分离。这就像试图在同一个杯子里混合油和水；它们无法很好地融合。
“结构化”方法（判别式）： 这使用了一个较小的、专门的“大脑”（ModernBERT），它是专门为分类而构建的。
- 结果： 它表现良好，但不如大引擎那样强大。
“混合”方法（获胜者）： 它采用了强大的大引擎（Gemma-4），但并不要求它直接写出答案。相反，它利用该引擎来理解故事，然后将这种理解传递给一个使用了门控开关的专门“结构化头部”，以此来决定在多大程度上听取法官的信息。
- 结果： 这种方法胜出了。它实现了最高的准确率（在难度较高的量表上达到 65.21%），同时使用的可训练参数比“提示词”方法少了 10 倍。

核心要点

结构胜过规模： 你不需要一个试图处理一切的庞大、昂贵的模型。一个能够分离“事实”与“法官影响”的智能结构，比仅仅向巨型模型喂入更多数据效果更好。
语境至关重要： AI 学习到，对于某些案件（技术错误），法官并不重要。而对于其他案件（复杂的纠纷），法官的风格是一个巨大的线索。“门控开关”让 AI 知道何时该观察法官，以及何时该忽略法官。
可解释性： 因为 AI 有一个专门针对法官的“门”，所以我们实际上可以看到它是在何时决定听取法官意见的。这使得 AI 具有透明度。我们可以审计系统，查看它是保持公平，还是过度依赖特定法官的个人特质。

总结

论文证明了，要准确预测法律结果，你不能仅仅向 AI 输入一个故事和一个名字。你需要教会它如何使用那个名字。通过构建一个能够动态决定法官身份相关性的系统，研究人员创造出了一个比以往方法更准确、更高效且更易于理解的模型。

技术摘要：迈向可解释的裁决差异性

问题陈述

法律结果预测系统面临着一个根本性的挑战：如何将客观案件事实与裁决背景（adjudicative context）进行解构。虽然基于事理（merit-based）的判决依赖于事实证据，但技术性处置（technical disposals）往往取决于司法裁量权。现有的方法，特别是标准的文本分类模型和生成式大语言模型（LLMs），通常将法官身份视为静态特征，或者未能显式地建模法律决策的不同功能路径（即基于事理的决策与非基于事理的决策）。此外，当前的方法难以捕捉特定司法管辖区（如英国就业审判庭 UKET）中程序规则与事实认定之间细微的相互作用，在这些地区，结果并非单一模式，且往往取决于行政裁量权而非实质性的法律事理。

方法论

作者提出了一种**法官感知门控多任务学习（Judge-Aware Gated Multi-Task Learning, MTL）**架构，旨在显式地建模基于事理与非基于事理的决策路径之别。该方法围绕三个核心组件构建：

1. 细粒度法律分类体系 (DCO)

为了监督编码器并实施结构化正则化，作者引入了一个包含 11 个细粒度类别的**详细案件结果（Detailed Case Outcome, DCO）**分类体系。该模式区分了：

基于事理的结果： 评估案件事实和法律事理的决策（例如：实质性胜诉/败诉、缺席判决）。
非基于事理的处置： 在未涉及底层事实的情况下，基于技术性理由终止案件的决策（例如：驳回起诉、逾期）。
混合结果： 涉及事理认定与技术性处置组合的案件。
这些标签作为辅助监督目标和注意力机制的语义原型，充当了正则化共享编码器的“法律课程”。

2. 法官感知门控融合

该架构并未简单地拼接法官嵌入，而是采用了门控融合（Gated Fusion）机制。该模块充当了一个动态可靠性开关：

它为每个结果标签 $k$ 学习一个标量门控激活值 $g_k \in (, 1)$ 。
门控根据文本特征 $c_k$ 来决定对学习到的法官嵌入 $v_j$ 的依赖程度。
该机制能够选择性地在文本证据模糊或具有裁量权时（例如复杂的基于事理的判决）“咨询”法官身份，同时在明确的技术性处置（例如驳回起诉）中抑制该信息。
这种设计使模型能够学习针对特定结果对司法背景的依赖程度，从而为预测何时由裁决差异驱动提供了一个可解释的信号。

3. 架构对比（“轨道”研究）

论文使用 Gemma-4 26B-A4B 作为骨干网络，并以 ModernBERT 作为基准，进行了三个架构范式的受控比较：

D-Track（判别式）： 基于 ModernBERT 的架构，结合了 LWAN（标签感知网络）、MTL 和门控融合。
G-Track（生成式 SFT）： 生成式基准，通过使用 LoRA 进行监督微调（SFT），将法官身份和 DCO 监督作为提示词标记（prompt tokens）和输出目标注入。
B-Track（混合式）： 一种混合方法，使用 Gemma-4 编码器，但保留了结构化的判别式头（LWAN + 门控融合 + MTL）。该方法隔离了**调节接口（conditioning interface）**作为变量，测试结构化组合是否优于基于提示词的组合。

关键结果

通过对 13,937 份英国就业审判庭判决进行评估，研究得出以下发现：

性能： 混合架构（B2，LoRA 改编的 Gemma-4 编码器 + 结构化头）实现了新的最先进水平，Macro-F1 达到 65.21。这比最强的生成式 SFT 变体（G4）提升了 5.1 个百分点。
组合效率： 结果表明，在提示层级进行法官身份和细粒度监督的组合是次加性的（在 G-track 中组合信号会导致收益递减）。相比之下，通过可微架构组件（B-track）路由相同的信号则实现了加性组合，显著提升了性能。
参数效率： B2 模型在实现卓越准确性的同时，训练的参数量大约比生成式 SFT 基准少一个数量级。
类特定增益： 改进集中在最模糊和稀有的结果类别（部分胜诉和其他）上。例如，B2 将“其他”类的 F1 分数从 0.273 (G4) 提升至 0.411。
可解释性： 学习到的法官嵌入和门控激活允许定位由裁决背景驱动预测的案例。反事实的法官替换干预显示，相比生成式模型，B2 对法官身份的调节更为积极（具有更高的 KL 散度），尤其是在具有裁量权的判决中。
校准度： 结构化架构比生成式基准具有更好的预期校准误差（ECE），表明其概率估计更加可靠。

意义与主张

论文声称，对于身份调节的法律结果分类，选择何种调节接口比规模更重要。具体而言：

结构化 vs. 基于提示词： 可微的结构化组合（学习法官嵌入并通过门控进行融合）比基于提示词的组合产生更准确、更具参数效率的模型，即使后者使用了规模大得多的骨干网络。
解构： 所提出的架构成功地将客观案件事实与司法裁量权解构，为可解释性提供了清晰的审计追踪。
设计启发式： 该工作为参数高效微调提供了一个更广泛的设计启发式：需要严格控制或审计的变量（如司法身份）应当被建模为可学习参数，并暴露给梯度，通过结构化注意力进行融合，而不是作为提示词标记吸收进输入分布中。
司法管辖区特异性： 作者指出，其发现是针对 UKET 量身定制的，因为在 UKET 中，法官身份是保留的，且程序性处置频繁发生，但“梯度路由补救”（gradient-routed remedies）处理组合瓶颈的原则可以推广到其他涉及身份调节的分层分类领域。

作者保持了审慎的态度，承认了若干局限性，例如对 LLM 辅助提取分类体系的依赖（引入了“银标准”噪声底限）、使用最终书面判决而非原始提交文件（可能存在事后合理化的倾向），以及仅在单一数据集和 LLM 系列上进行评估。他们强调，其目标是对系统公平性进行诊断性分析，而非创建用于应用诉讼策略的工具。