该研究论文以发展基于图神经网络的模型来解决法律判决预测问题为中心，将司法案例的内在图结构作为二进制节点分类问题，使用各种嵌入作为模型特征，并考虑了性别和姓名偏见等公平性分析，旨在优化裁判过程，提高司法效率，促进更公平的法律环境，并减轻不断积累的案件积压带来的压力。最佳模型使用 XLNet 预训练嵌入作为特征，在法律判决预测任务中获得 75% 的宏 F1 分数，对于链接预测，相同的特征集在 ROC 上表现最佳，超过 80%。

Oct, 2023

基于机器学习和司法预测的科学之前的研究，建立了一个模型来预测美国最高法院的行为，并采用了一种独特的特征工程方法，使其能够在案例结果和法官选票水平上比基准模型表现更好，实现了 70.2％的案例结果准确性和 71.9％的法官投票准确性，在过去的一个世纪内，比样本模型的优化模型高出近 5％。

Dec, 2016

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

本文针对语言技术和人工智能领域的进展和应用进行研究，探讨印度视角下法律领域中所存在的公平性问题，特别关注 AI 模型中的算法偏差对于对印度教和穆斯林的关联特征的差异性的影响，并强调了在印度的法律领域中，公平性 / 偏差的研究仍有待进一步的耕耘。

Mar, 2023

利用 NLP、AI 和法律领域的结合，本研究利用 AI 分类器来预测巴西法律系统中二级谋杀案和主动贪污案的司法结果，并发现分层注意网络是最好的算法之一，可用于找出用于证明被告无罪或有罪的最重要单词。

Jul, 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

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

本研究旨在利用卷积神经网络（CNN）架构处理一组印地语法律文件，并在保释预测任务中利用 CNN 模型，取得了 93% 的整体准确率，相较于印度北方邦 20 个地区的基准准确率有所增长。

Jan, 2024

结合自然语言处理和机器学习的可解释法律文本分类系统，对决策的特征和决策路径进行分析并以自然语言形式呈现，实现模型决策的可理解性。该系统在法律类别上的实验结果表明，其分类性能具有竞争力，准确度值超过 90%，并且自动解释能够被非专业用户轻松理解。

Mar, 2024

本文介绍了利用人工智能技术，从司法判决中提取法律指标，通过构建律师和判决的网络图和排名律师的指标来缩小信息不对称和提高公正性，同时还探讨了基于社区特征来表示案件困难程度的度量方式。

Jun, 2020