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

研究如何通过添加发案人的意识形态将议案文本与神经网络模型相结合，从而提高预测新上任议员投票结果的准确率。

May, 2018

该研究主要通过使用超过100万份法案的词汇内容和上下文引导来构建预测模型，探究了影响美国50个州和华盛顿特区立法成功的因素，并展示了这些信号的互补预测能力。

Jun, 2018

本文研究比较了各种机器学习方法，用于将判决分为不同的法律领域，结果表明包括主题模型、词向量和语言模型分类器在内的所有方法都表现良好，但还需要进一步优化这些先进的方法以适应法律领域。

Apr, 2019

本文针对美国国会和加州州政府发布的众多议案进行了研究，推出了第一个用于议案自动摘要的数据集-- BillSum。文章介绍了该数据集的属性，对比了不同的提取方法，并证明了基于国会议案的模型能够应用于对加州议案的自动摘要。

Oct, 2019

本文对机器学习中的可解释性问题进行研究，通过研究公共政策问题中的主要应用场景，确定解释的最终用户和解释需要达到的特定目标，并针对这些用例，映射解释性机器学习的现有工作，确定已有能力的差距，并提出填补这些差距的研究方向，以在实际社会中产生影响。

Oct, 2020

本文介绍一个使用 BERT 变体和多阶段训练来预测法案相似性的方法，发现在使用人类标注和合成数据进行训练时，预测性能显著提高，并成功捕捉了各种层次的法律文件之间的相似性。

Sep, 2021

DeepParliament是一份涵盖自1986年至今的议案文件和元数据、执行各种议案状态分类任务的法律领域基准数据集，其中提供了更完整的议会法案内容信息。该文提供数据收集、详细统计和分析，并提供了二进制和多类议案状态分类的新基准模型，该模型可用于协助议员、总统和法律从业者审查或优先处理议案，提高决策的质量和减少时间消耗。该工作将首次呈现议会法案预测任务，并公开了代码和数据集，以提高法律AI资源的可访问性和促进可重现性。

Nov, 2022

本文的研究主要是关于使用机器学习预测政治倾向，并采用Slovenian议会的演讲记录，通过传统的机器学习和转换语言模型对左右倾向进行预测，并运用可解释性技术识别关键字短语来解释决策。

May, 2023

利用案件信息预测印度下级法院延迟的分类模型，精确度为81.4%，证明了AI模型在印度法院预测延迟方面的可行性，并讨论了相关文献的结果，提出了改进和未来研究的方向

Jul, 2023