Can Administrative Justice Be Predicted ? AStudy of Open Judicial Decisions in France
这项研究表明，经过法国法律领域适配的模型 JuriBERT，仅凭事实背景和程序背景，就能最准确地预测超过 15.7 万份法国行政法庭判决的结果，实现了 0.718 的宏平均 F1 分数，并凸显了在裁决前嵌入在案件事实中的预测信号。
原始论文采用 CC BY 4.0 许可（https://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
想象一下，在这样一个世界里，你不仅能窥见法庭的未来，而且不是通过水晶球，而是通过一台超级智能计算机。这就是**预测性司法（predictive justice）**的领域——这是一个人工智能（AI）试图在法官落下法槌之前，预判其对案件判决结果的科学分支。把它想象成诉讼的“天气预报”：它预测的不是降雨或晴天，而是法律诉求会被驳回、部分获胜还是完全获胜。几十年来，人们一直在思考这些结果是随机发生的，还是遵循着某种隐藏的模式。随着功能强大的计算机的兴起以及互联网使数百万份法院记录变得公开，科学家们现在正在追问：我们能否教会机器阅读案件的事实，并准确地猜出结局？如果我们能做到，它将改变人们进行法律斗争的方式，帮助他们决定是达成和解、继续抗争，还是选择退出。
本论文通过研究法国行政法院系统来深入探讨这一问题，在该系统中，普通民众会就税收、移民或社会福利等问题起诉政府。研究人员收集了从2024年1月到2025年9月期间的157,390份真实法院判决书，构成了一个庞大的文献库。他们的目标是构建一个“数字侦探”，该侦探只能阅读争议的故事——即事实和程序历史——并预测最终结果。为了确保计算机没有使用“标准答案”，他们仔细地剔除了输入内容中的法官推理过程和最终判决。他们将这项任务视为一场“四方赛跑”：案件会被驳回（“Rejet”）、部分满足、完全满足，还是移送至其他程序（如“Renow”）。
团队测试了五种不同类型的AI“大脑”，以观察哪一个才是最优秀的侦探。他们尝试了经典方法，如随机森林（其作用类似于由决策树组成的委员会进行投票决定答案）和支持向量机，同时也尝试了先进的Transformer模型，这类模型就像是能够理解词汇语境的“超级阅读者”。其中一个名为 JuriBERT 的模型非常特别，因为它在此次测试之前已经学习了数百万份法国法律文件，这使得它成为了一个“法律专家”，而非通用型选手。他们还测试了一个名为 GPT 的巨型AI模型，采用了“少样本（few-shot）”模式，即仅给它几个示例并让它进行猜测，而没有针对特定的法国数据进行深度训练。
结果清晰且客观。专门化的法律AI JuriBERT 赢得了这场比赛，其正确预测结果的准确率为 78.3%，并取得了 0.718 的高平衡得分（macro F1）。它击败了通用型AI（BERT）和经典的计算机模型。而当仅仅给出少量示例而未经过深度训练时，巨大的 GPT 模型表现实际上比经典模型更差，其平衡得分仅为 57.21%。这表明，对于这项特定且棘手的任务，一个经过专门针对法国法律语言训练的模型，要远优于通用的智能AI或标准的统计工具。
论文明确排除了“通用型AI或简单的‘少样本’提示足以解决此问题”的观点；数据表明它们力有不逮。它也反驳了“答案仅隐藏在法官最终推理中”的观点；研究证明，案件本身的事实中已包含了足以做出强有力预测的信号。作者对这些数字充满信心，因为它们是在大规模的真实数据集上测得的，但他也指出，其研究局限于特定的20个月窗口期及第一审法院。他建议，虽然计算机现在可以从事实中“看到”可能的结局，但这并不意味着法律是完全可预测的，也不意味着这些工具应该取代法官。相反，这表明用于猜测结果的信息已经“内嵌”在争议的故事之中，这一事实有助于在普通民众与政府之间实现更公平的竞争环境，因为政府通常在预判这些结果方面拥有更丰富的经验。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。