CE38 - Révolution numérique : rapports au savoir et à la culture

APPRENTISSAGE PROFOND POUR LA MODELISATION PREDICTIVE DE LA JURISPRUDENCE – LAWBOT

Résumé de soumission

LAWBOT est d’abord, un projet de recherches appliquées en droit, sur l’utilisation de techniques de traitement automatisé du langage naturel. Le projet LAWBOT vise à créer une intelligence jurisprudentielle artificielle capable de prédire le résultat judiciaire pour un cas donné, par imitation des décisions rendues précédemment par les tribunaux sur des cas similaires. LAWBOT est basé sur un réseau de neurones artificiels pour l’apprentissage profond de caractéristiques textuelles prédictives du résultat judiciaire. Le projet met en évidence cinq résultats.
- Premièrement, la mise à disposition de 24.000 décisions annotées par des juristes sur 120 classes de prétention.
- Deuxièmement, la création d’un annotateur automatique qui, à partir des décisions annotées, va générer automatiquement une classification à grande échelle des décisions juridiques rendues publiques au jour le jour.
- Troisièmement, à partir du volume important de décisions classées, prédire la classe de prétention, le résultat et la somme allouée au demandeur à l’aide de modèles d’intelligence artificielle (IA).
- Quatrièmement, générer à partir des modèles d’IA des motifs juridiques, autrement dit, des résumés de décision de justice mettant en évidence le lien entre les faits qui ont conduit au litige et son résultat.
- Cinquièmement, mesurer les impacts éthiques, psychologiques et économiques de l’utilisation d’une IA de justice prédictive.
LAWBOT vise à produire des connaissances fondamentales expérimentales sur la nature même du droit, et son épistémologie. En effet, la formulation de modèles prédictifs est possible, si et seulement si, deux hypothèses fondamentales sur le droit et la jurisprudence sont vérifiées. Première hypothèse, la polysémie du langage ne constitue pas un obstacle insurmontable à la modélisation des décisions juridictionnelles sous une forme quantifiable de données computables. Seconde hypothèse, il existe des corrélations statistiques suffisantes pour formuler une prédiction sur le résultat de la décision à partir de facteurs explicites présents dans le texte, sans avoir besoin de recourir à des variables cachées susceptibles d’induire un aléa judiciaire, telles que des facteurs humains non-quantifiables (personnalité des parties, performances des avocats, préjugés des magistrats). On suppose que les magistrats sont rationnels et cohérents, et tendent à juger de la même manière, les affaires considérées – de leur point de vue – comme étant similaires. A partir de ces deux hypothèses, la quantification de la jurisprudence passée devrait permettre de prévoir la décision d’un juge donné dans une affaire donnée, en se fondant sur l’existence d’un lien de corrélation entre une variable dépendante connue (le résultat judiciaire), et des variables indépendantes inconnues (l’exposé explicite du litige représenté comme combinaison de facteurs quantifiables). Il s’agit d’une démarche expérimentale classique, d’identification d’un lien de corrélation statistique entre un résultat connu et des facteurs variables contrôlés.

Coordinateur du projet

Monsieur Stéphane MUSSARD (Détection, évaluation, gestion des risques chroniques et émergents)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

CHROME Détection, évaluation, gestion des risques chroniques et émergents
LIG Laboratoire d'Informatique de Grenoble
LAMPS LABORATOIRE DE MATHEMATIQUES, PHYSIQUE ET SYSTEMES
IRIT Institut de Recherche en Informatique de Toulouse

Aide de l'ANR 494 999 euros
Début et durée du projet scientifique : décembre 2020 - 48 Mois

Liens utiles

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter