Von Kai Maurin-Jones
Motivation
Im Bereich eines Gerichtsverfahrens ist es oft eine Herausforderung, die Gründe für die Entscheidung eines Richters zu verstehen. Um dieses Drawback anzugehen, haben Jata MacCabe, Ananya Apparaju, Mengyuan (Grace) Qiao und ich von der College of British Columbia gearbeitet Master of Data Science – Computerlinguistik Programm in Partnerschaft mit Allard-Gesetz (UBC), Legale Hacker OntarioUnd Future of Law Lab (Universität Toronto) um dieses Drawback mit modernsten Methoden in den Bereichen Datenwissenschaft, Verarbeitung natürlicher Sprache (NLP), maschinellem Lernen (ML) und künstlicher Intelligenz (KI) zu untersuchen. In Verbindung mit der Tatsache, dass rechtlicher Beistand nicht für alle gleichermaßen zugänglich ist, ist die Berechtigung für dieses Projekt zunächst einmal klar.
Untersuchung der Auswirkungen von Räumungsentscheidungen durch Datenanalyse
Das vorliegende Drawback ist die Schwierigkeit, die genauen Faktoren zu verstehen, die letztendlich zu den Entscheidungen der Richter über die Räumung oder Aufrechterhaltung des Mietverhältnisses von Einzelpersonen in Ontario beitragen. Mit über 44.000 zu analysierenden Fällen soll das Projekt Aufschluss darüber geben, welche Faktoren für die Entscheidung eines Richters in Räumungsfällen am wichtigsten sind. Dieses Streben birgt das Potenzial, den Zugang zur Justiz zu revolutionieren, nicht nur in Ontario und im Bereich des Wohnungsrechts, sondern darüber hinaus. Durch die Aufklärung der Komplexität dieser gesetzlichen Bestimmung könnte das Projekt es Anwälten ermöglichen, sich besser für ihre Mandanten einzusetzen, unschätzbare Erkenntnisse für Akademiker zu liefern und optimistic soziale Veränderungen für Tausende von Menschen herbeizuführen, denen die Räumung droht.
Das rätselhafte „Alle Umstände“ entwirren
Bei der Lösung dieses komplexen Issues stand das Projekt vor der großen Herausforderung, die Bedeutung hinter dem vagen Ausdruck „alle Umstände“ zu entschlüsseln. Dieser nebulöse Begriff bot keine konkrete Orientierung und hat Juristen und Wissenschaftler verwirrt. Um dies zu entmystifizieren, wandte sich unser Workforce der quantitativen Analyse zu und versuchte, jeden Fall in einen vergleichbaren Satz von Datenpunkten umzuwandeln, der uns bei ausreichend erfassten Faktoren von jedem Fall einen Vergleich der Fälle auf einer greifbareren Foundation ermöglichen und hoffentlich zu einer Antwort führen würde . Glücklicherweise stellte uns unser Companion 700 kommentierte Fallakten zur Verfügung, um uns einen Ausgangspunkt zu geben.
Erweiterung der Grenzen der Rechtsanalyse
Wir haben nur etwa 700 Zeilen (d. h. Fälle) und 50 Spalten (Informationen zu jedem Fall) an Informationen – was sich vielleicht nach viel anhört, aber abgesehen von unserem großen Ziel, die gleichen Informationen zu über 44.000 Fällen aufzuzeichnen, ist dies nur der Fall ein kleiner Teil – wir mussten ein System entwickeln, das dieselben Informationen sturdy und zuverlässig extrahieren konnte beliebig Akte. In der NLP-Welt wird das Format dieser Falldateien so genannt unstrukturierter Textual contentwas bedeutet, dass die Falldateien nicht an eine strenge Formatierung oder ein strenges Muster gebunden sind – denken Sie an einen Artikel wie diesen – er kann so viele Wörter enthalten, wie der Autor möchte, mit so vielen Absätzen, Überschriften und mehr. Strukturierter Textual content, hingegen hat für jedes einzelne Datenelement genau das gleiche Format; Stellen Sie sich eine Excel-Tabelle mit Spalten und Zeilen vor – wie am Anfang dieses Abschnitts erwähnt. Als Menschen sind wir eher daran gewöhnt – und bevorzugen es normalerweise, unstrukturierte Daten zu konsumieren –, aber Pc und Algorithmen interpretieren strukturierte Daten leichter, da sie aufgrund ihres konsistenteren Codecs neue Daten zuverlässig am gleichen Ort und im gleichen Format finden können dass sie viel schneller verarbeitet werden können als die gleichen Daten aus einem unstrukturierten Format.
Der zentralste Aspekt dieses Projekts bestand additionally darin, ein System – oder genauer gesagt, viele Subsysteme – zu entwickeln, die jeweils eine Fallakte mit unstrukturiertem Textual content durchgehen, eine Data extrahieren und eine strukturierte Darstellung der extrahierten Informationen erstellen konnten . Diese strukturierten Daten können dann an ein Modell für maschinelles Lernen übergeben werden, z Zufälliger Waldklassifikator um jede einzelne extrahierte Data zu jeder einzelnen Fallakte zu betrachten, die Muster zwischen den Dateien zu lernen und uns letztendlich dabei zu helfen, „alle Umstände“ zu definieren, da sie alle zum Ergebnis eines bestimmten Falles beitragen.
Die Durchführung dieses Projekts diente nicht nur als Gelegenheit, entscheidende Erkenntnisse über Räumungsentscheidungen zu gewinnen, sondern auch als Plattform für den Erwerb neuer Fähigkeiten. Die Zusammenarbeit erforderte einen multidisziplinären Ansatz, der juristisches Fachwissen mit Datenanalyse und Technologie kombinierte. Dadurch hatten wir die Möglichkeit, unsere Kenntnisse in Bereichen wie Datenanalyse, Programmierung und Anwendungsentwicklung weiterzuentwickeln und zu verbessern. Diese Verbindung von juristischem Wissen mit innovativen Methoden hat nicht nur unsere Fähigkeiten in diesen Bereichen bereichert, sondern auch den Grundstein für zukünftige Fortschritte an der Schnittstelle von Recht und Technologie gelegt.
Unterschiede zur traditionellen Laborarbeit
Diese Zusammenarbeit unterscheidet sich erheblich von der traditionellen Laborarbeit, die üblicherweise in akademischen Umgebungen durchgeführt wird. Im Gegensatz zu kontrollierten Umgebungen, in denen Experimente durchgeführt werden, ging es bei diesem Projekt darum, sich mit den rechtlichen Komplexitäten der realen Welt auseinanderzusetzen und Tausende realer Fälle zu analysieren. Der Umfang und die Komplexität der Daten erforderten neuartige Ansätze und Methoden, die die Grenzen der herkömmlichen Rechtsanalyse, insbesondere im Bereich des Wohnungsrechts, sprengten. Viele andere Rechtsgebiete, beispielsweise das Steuerrecht, wurden ausführlicher untersucht und sind aufgrund der Struktur der Gesetze des jeweiligen Fachgebiets manchmal aus quantitativer Sicht leichter zu erforschen. Wenn für einen bestimmten Rechtsbereich klar definierte Kriterien und Bedingungen gelten, liegt es auf der Hand, dass die spezifischen Faktoren einer Entscheidung in diesem Bereich leichter aufzudecken sind. Im Bereich des Wohnungsrechts, wo die einzelnen Faktoren, die zu einer richterlichen Entscheidung führen, tendenziell stärker unklar sind, ist diese Forschung weniger voreilig und daher umso notwendiger.
Ein Weg zu Gerechtigkeit und Verständnis
Obwohl das Projekt mit unserer Arbeit in der Zeit, die uns zur Verfügung stand, noch nicht abgeschlossen wurde, sind wir hocherfreut, dass wir dieses Projekt anführen konnten, um Gerechtigkeit und Verständnis für Räumungsentscheidungen zu schaffen. Durch die transformative Kraft von Datenwissenschaft, Verarbeitung natürlicher Sprache, maschinellem Lernen und künstlicher Intelligenz zielte unser Projekt darauf ab, Hürden für Rechtsbeistand abzubauen, alle Parteien in die Lage zu versetzen, ihre eigenen Umstände besser zu verstehen, wichtige Erkenntnisse für Akademiker zu liefern und Ergebnisse zu erzielen positiver sozialer Wandel für diejenigen, die der gewaltigen Gefahr einer Zwangsräumung ausgesetzt sind. Wir standen vor zahlreichen Herausforderungen, aber unser Engagement und unsere neuartigen Ansätze haben den Weg zur Neudefinition der Grenzen der Rechtsanalyse eröffnet. Durch die Überbrückung der Lücke zwischen Recht und Technologie haben wir nicht nur neue Fähigkeiten erworben, sondern auch den Weg für zukünftige Fortschritte in dieser faszinierenden Schnittstelle geebnet. Dieses gemeinsame Unterfangen stellt einen bedeutenden Schritt hin zu einem gerechteren und transparenteren Rechtssystem dar, in dem der Zugang zur Justiz für alle gleichberechtigter ist.
