Core Concepts
Aktuelle Vorhersagemodelle für juristische Ergebnisse sind nicht in der Lage, ihre Entscheidungsfindung zu erklären, was ihre Verwendung in der Praxis erschwert. Präzedenzfälle stellen einen natürlichen Weg dar, um die Erklärbarkeit dieser Modelle zu verbessern.
Abstract
Der Artikel befasst sich mit der mangelnden Erklärbarkeit aktueller Vorhersagemodelle für juristische Ergebnisse und schlägt einen Ansatz vor, der auf der Verwendung von Präzedenzfällen basiert, um diese Erklärbarkeit zu verbessern.
Der Artikel beginnt mit einer Einführung in die Problematik der fehlenden Erklärbarkeit von Vorhersagemodellen für juristische Ergebnisse. Es wird argumentiert, dass Anwälte und Richter in der Lage sein müssen, die Entscheidungsfindung der Modelle nachzuvollziehen, um diese in der Praxis einsetzen zu können.
Anschließend wird erläutert, warum Präzedenzfälle ein natürlicher Weg sind, um die Erklärbarkeit dieser Modelle zu verbessern. Präzedenzfälle sind in der Rechtsprechung von zentraler Bedeutung, da sie die Grundlage für die Argumentation von Anwälten und Richtern bilden.
Der Artikel stellt dann eine Methode vor, mit der der Einfluss von Präzedenzfällen auf die Entscheidungen der Vorhersagemodelle identifiziert werden kann. Dazu wird eine Taxonomie von Präzedenzfällen entwickelt, die zwischen angewandten und unterschiedenen Präzedenzfällen sowie positiven und negativen Präzedenzfällen unterscheidet.
In den Experimenten zeigt sich, dass die untersuchten Vorhersagemodelle zwar in der Lage sind, Ergebnisse mit hoher Genauigkeit vorherzusagen, ihre Verwendung von Präzedenzfällen jedoch deutlich von der menschlicher Richter abweicht. Die Modelle stützen sich vor allem auf angewandte positive Präzedenzfälle, während sie andere Formen der Präzedenznutzung nur unzureichend abbilden.
Die Autoren schließen daraus, dass die derzeitigen Vorhersagemodelle noch weit von einer menschenähnlichen Rechtsprechung entfernt sind und weitere Forschung nötig ist, um Modelle zu entwickeln, die den juristischen Entscheidungsprozess besser nachbilden können.
Stats
Die Vorhersagemodelle erreichen F1-Werte zwischen 0,64 und 0,68.
Die höchste Korrelation zwischen den Einflussscores der Modelle und den Präzedenzfällen beträgt 0,18.
Die Korrelation ist für angewandte positive Präzedenzfälle am höchsten, für andere Formen der Präzedenznutzung deutlich geringer oder sogar negativ.
Quotes
"Lawyers are bound to provide advice that the client can depend on. This obligation is so extreme that a negligent lawyer themself can be sued for misconduct if they give faulty advice."
"Explainability can create new use cases for legal outcome prediction models. Knowing how to reason towards a desired legal outcome is valuable for drafting legal arguments and, thus, a legal outcome prediction system could be deployed as an assistive technology in areas well beyond simply predicting outcomes."