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

想象一个巨大的、繁忙的图书馆，数百万本书籍正在不断地被借入和借出。在这个图书馆里，图书管理员们已经不堪重负。有些书在登记入库的当天就被借走了，但另一些书却在书架间丢失多年，形成了一个无人能解决的巨大“积压”堆。这不仅仅关乎书籍，更关乎正义。当案件（即“书籍”）搁置太久时，人们会对系统失去信心，他们获得公正且快速审判的权利也会被延迟。长期以来，图书管理员只能统计已经处理完的书籍；他们无法在书籍离开柜台之前，就预判哪些新书会卡在积压堆中。

欢迎来到机器学习的世界，这是计算机科学的一个分支，我们教计算机在历史中寻找模式，就像侦探通过研究旧犯罪现场来破解新谜团一样。计算机不再靠猜测，而是观察成千上万个过去的案例，学习是什么导致了案件的快速推进或停滞。这里的核心思想是预测性分析：利用过去的数据来预报未来。如果计算机能告诉我们：“这个新案件看起来很像那些拖了五年的案件”，我们就能在问题开始之前阻止它掉入积压堆。这正是研究人员为肯尼亚法院所做的工作——将一个反应式系统（在问题发生后才去修复）转变为一个主动式系统（在问题扩大前将其阻止）。

---

审理案件的三阶段“水晶球”

在肯尼亚的地方法院，超过 80% 的法律业务在此发生，目前正面临着巨大的积压问题。截至 2025 年年中，有超过 12.7 万件案件正在等待审理。现有的计算机系统（称为集成案件管理系统，ICMS）非常擅长记录“已经发生”的事情，但它对“可能发生”的事情却视而不见。它不知道哪些新案件很可能会成为阻塞系统的“超慢速”案件。

为了解决这个问题，研究人员构建了一个三阶段机器学习流水线。你可以把这个流水线想象成邮局里的一台高科技分拣机，它不仅能盖章，还能预测每封信到达目的地所需的时间，并标记出那些可能丢失的信件。

第 0 阶段：“当日结案”陷阱

这台机器的首要任务是识别“特快”案件。肯尼亚约 29% 的案件在提交当天的当天就会结案。研究人员训练了一个计算机模型，在每个新案件到达时观察并询问：“这是一个快速结案的案件，还是一个马拉松式的案件？”
他们测试了四种不同的计算机“大脑”（算法）以观察哪种效果最好。胜出者是 LightGBM，它能以极高的准确度（得分 0.9148）正确识别当日结案的案件。如果计算机说“当日结案”，该案件就会获得绿灯并直接进入后续流程；如果它说“多日结案”，则进入下一阶段。

第 1 阶段：“立案时间”水晶球

一旦案件被标记为“多日”马拉松，系统就需要预测这场比赛将持续多久。这部分非常棘手，因为案件甚至还没有开始其旅程。计算机仅根据立案时可用的信息进行判断：案件类型、涉及律师的数量、特定法官的忙碌程度，以及法院位于城市还是农村地区。
利用来自近 67.3 万个过往案件的数据，LightGBM 模型再次证明了其领先地位。它预测案件持续时间的误差约为 444 天。虽然这听起来很多，但它解释了约 62% 的案件耗时原因。这意味着，仅仅通过查看第一天的文书资料，系统就能告诉法官：“这个案件看起来大约需要 1.5 年，”或者“这个案件可能会拖延四年。”

第 2 阶段：“实时更新”追踪器

旅程并未在立案处结束。随着案件在法院中的推进，它会积累历史记录：举行听证会、准许延期、发生延误。流水线的第三阶段是一个动态模型，它会随着案件的进展更新预测。
想象一个 GPS 导航，它不仅在你出发时给出预计到达时间，还会在你遇到交通拥堵时重新计算时间。这个第 2 阶段模型（由另一个被称为 CatBoost 的计算机“大脑”驱动）会吸收新信息——例如进行了多少次听证会，或者第一次会议被推迟了多久——并修正预估值。
这里的结果令人印象深刻。虽然初始预测（第 1 阶段）的误差为 444 天，但更新后的预测（第 2 阶段）将误差缩小到了仅 80.83 天。这表明随着案件的推进，计算机变得越来越精准地了解何时会结束。

“JaliHaki”仪表盘：投入实战

研究人员并没有止步于数学计算；他们开发了一个名为 JaliHaki（在斯瓦希里语中意为“守护正义”）的现实工具。这是一个直接连接到法院计算机系统的 Web 应用程序。

• 对于法院管理人员： 它显示一个按风险等级着色的案件列表仪表盘。“低风险”案件显示为绿色，需要常规监控；“关键风险”案件显示为红色，需要高级法官立即关注。
• 对于地方法官： 它提供个人工作量视图，如果分配给他们的案件开始进入“关键”区域，系统会发出警告。
• 对于诉讼当事人（公众）： 它提供通俗易懂的预估。与其使用晦涩的法律术语，当事人可能会看到：“您的案件预计耗时 5 年，目前处于高风险类别。”

是什么导致了延误？

通过使用一种被称为 SHAP 分析（类似于放大镜，用于观察哪些因素最为重要）的技术，研究人员发现了导致延误的主要元凶：

1. 地方法官的案件量： 当法官处理的案件过多时，一切都会变慢。
2. 法律代表情况： 当事人是否有律师会改变时间线。
3. 案件性质： 刑事案件（多日案件的中位数为 90 天）通常比民事案件（中位数为 547 天）移动得更快。
4. 首次传唤延误： 举行第一次听证会所需的时间是预测最终延误的重要指标。
5. 累计听证次数： 听证会进行的次数越多，案件往往耗时越长。

有趣的是，研究发现城市法院（在大城市中）处理多日案件的时间（中位数为 275 天）实际上比农村法院（中位数为 99 天）更长。这看似违反直觉，但研究人员利用排队论的概念对此进行了解释：即使城市法院资源充足，庞大的案件量也会创造一个更长的“等待队列”，从而减慢所有人的速度。

四级风险系统

为了让预测对真实的人类有用，团队根据计算机的预测创建了一个简单的四级风险系统：

• 低风险 (≤ 218 天)： 常规监控。
• 中风险 (218–564 天)： 定期审查。
• 高风险 (564–1,283 天)： 需要立即干预。
• 关键风险 (> 1,283 天)： 立即上报至高级地方法官。

该系统允许法院在案件刚开始时就能识别出那些“关键风险”案件（约占新提交案件的 10.5%），并在它们成为大规模积压的一部分之前采取行动。

该研究做了什么，没做什么

研究人员谨慎地指出，他们的模型是一个预测工具，而非魔杖。他们明确表示，该模型是基于历史数据学习的，这意味着它反映了当前法院系统的现状，包括不同县或不同类型法院之间现有的任何不平等现象。他们警告说，由于农村案件的数据较少，该模型在农村法院的准确性可能需要更多测试。

他们还澄清说，“立案年份”是一个重要的预测因子，但这并不是因为法院变得更快或更慢。相反，这是一个数学上的特性：最近提交的案件还没有足够的时间完成，因此计算机仅仅因为它们很新，就将其视为“短时”案件。研究人员对这一点进行了调整，以确保预测的公平性。

总结

这项研究证明，利用法院现有的数据，我们可以构建一个能以惊人准确度预测案件延误的系统。通过使用三阶段流水线，肯尼亚法院现在可以从“应对积压”转向“预防积压”。JaliHaki 应用程序将复杂的数学转化为简单的、带颜色编码的仪表盘，帮助法官、书记员和公众理解时间线。虽然该模型并不完美（其更新后的预测仍有约 80 天的误差），但它代表了利用技术保护快速审判权的一次巨大飞跃。研究表明，如果采用这些工具，法院可以在案件提交之初就能识别出最需要帮助的案件，从而确保正义不会在书堆中丢失。