本研究采用机器学习技术，首次构建了基于口头辩论实际内容的司法决策预测模型，可进一步了解法官和代表之间辩论的核心，包括法官个人的提问风格、怀疑态度以及哪些问题最为关键。

Jun, 2023

本篇研究基于机器学习理论和方法的应用，构建了第一个预测美国最高法院投票行为的泛化和全面的模型。该模型可以成功预测 30 名法官和 13 位总统在 60 多年间的行为，为数量化法律预测的科学研究提供了重要的进展。

Jul, 2014

本文基于美国最高法院的一份判决文书，提出了一种用于分类法律元语言类型的注释模式，并发现了法官在使用法律元语言方面的几种模式。

May, 2023

本文提出使用基于 Transformer 的多代理系统来模拟美国最高法院 2010-2016 年的裁决，并使用九个分别由每个最高法官编写的意见所训练的模型，在 96 个真实案例上测试结果，发现我们的系统以比随机更好的准确度预测了真实最高法院的决定，同时发现与个人司法对齐和法律保守主义与自由主义之间的关联。本文方法和结果对使用语言模型模拟政治话语的研究人员具有重要意义。

Jan, 2023

本研究使用文本分类和机器学习方法，研究法律专业人员的支持应用。通过实验研究法国最高法院的判决和案件所属法律领域的高准确度预测，发现判决作出的时间对案例描述的形式和数据蒙版的使用会有影响，研究了多个支持向量机分类器的平均概率集成系统，平均 F1 值为 98％，预测案例判决，96％ F1 值用于预测案件的法律领域，对于估计判决日期的 F1 值为 87.07％。

Oct, 2017

本文研究了如何将文本分类方法应用于法国最高法院判决案件的法律领域和判决预测，并调查了判决描述的文本形式在时间段上对判决的影响以及模拟真实世界测试情景需要遮盖法官动机的程度。我们使用基于词汇特征训练的线性支持向量机分类器报告了 96％的案件判决预测 f1 得分，90％的法律领域预测 f1 得分和 75.9％的发布判决时间跨度估计 f1 得分。

Aug, 2017

本研究提出了一种基于意图的自动摘要度量，通过在法律文件中注释意图短语，证明了该系统可以被自动化，相比于其他自动化度量如 BLEU，ROUGE-L 等，该度量在人类满意度方面表现更好。

May, 2022

本文使用自动态度检测技术分析了公开的美国最高法院文件，探讨了法院公开语言的政治性，并通过两个不同的意识形态指标比较了大法官的意识形态以及现有社会科学意识形态度量之间的差异。本文还在此基础上探讨了更具专业性的法律立场检测任务，并在法律文件上训练语言适配器，取得了较好的性能。

Nov, 2022

该研究介绍了一种预测巴西法院决定的方法，该方法还能预测决定是否一致。我们开发了一个工作原型，在由 4043 起案件组成的数据集上表现出 79％的准确性（F1 分数）。

Apr, 2019

使用主题建模算法（如 Latent Dirichlet Allocation、非负矩阵分解和 Bertopic）对来自印度和英国的大量法律文件进行了案例注释，并对印度案例的时间线进行了分析，以识别不同司法管辖区中主要主题的演变。

May, 2024