圖片來源: 

攝影/王若樸

近來,法律扶助基金會接收的申請案件不斷增加,每年高達21萬件,平均每天派案數量多達300件。但法扶律師人力有限,為了精準分派律師、提高派案效率,法扶找來分析軟體公司SAS協助,以自然語言處理(NLP)技術和機器學習模型,在3個月內開發出一個用來預測申請案件所需律師活動頻率的模型,可用來衡量一個案件可能需要的律師工作量,準確率達80%。法扶也在昨日分享這項成果。

法扶申請案件數量逐年遽增,律師派案成為關鍵

首先,法扶案件處理流程,可分為預約、審查面談、扶助派案和扶助案件執行等4階段,而律師辦案活動頻率的預測模型,就是運用在審查面談和扶助派案之間。一般來說,法扶在審查面談時,會收集申請人基本資料、資力證明(比如財產、中低收入戶身分文件等),以及官司案件的案由、概述等資料。接著是審查申請人資力和官司案件,符合標準才會派案給合適的律師。

但法扶派案過程,是由工作人員根據案由(像是刑事、家事或民事等),來派給專長相符的律師,但即便是同一個案由,情境還是有所不同,比如同為家事案由,案件卻有可能是家暴,或子女拒絕扶養。這些情境,對律師派案及其需投注的心力,比如面談次數、開庭次數、狀書份數,都有所影響。

再加上法扶案件申請數量逐年遽增,近來每年高達21萬件。就去年來說,法扶執行的扶助案有6萬件,平均每天要分派300件。也因此,精準分派律師成為關鍵。

為強化派案準確度,法扶找來SAS協助,花了3個月,來開發一套預測律師辦案工作量的模型。為訓練模型,法扶還爬梳了21萬筆申請人的案由概述,以及申請人屬性、案件屬性、人口資料和律師辦案工作量(也就是開庭次數、律師面談次數和書狀撰寫份數),以NLP來辨識詞彙、檢測同異詞等,歸類出影響律師工作量的關鍵因素,再以機器學習模型來預測律師辦案可能需要的時間和工作量(一樣是開庭次數、律師面談次數和書狀份數)。

NLP是分析案件簡介的關鍵

如何用NLP來分析案件概述內容?參與專案的SAS臺灣顧問分析師謝宗翰指出,用NLP分析案由概述時,可分為斷字斷詞、篩選文字,以及「因素歸類」等三階段。舉例來說,在「申請人被家暴,請求離婚、小孩監護權及扶養費」句子中,先進行斷字斷詞,比如「申請人」、「被」、「家暴」、「離婚」、「請求」、「小孩」、「監護權」和「扶養費」等,也一併判斷是否為複合名詞。之後,在篩選文字階段,則是從上下文中分辨不影響語意的詞,比如「被」、「請求」或你們、我們等。進入因素歸類階段時,就是將相同意思的詞歸為同一類,比如家暴、打傷、暴力,他解釋表示,很多時候,這些詞也會與「離婚」一起出現。

也因此,法扶發現,在扶養費和其他費用的因素歸類中,通常與家暴、離婚、子女監護權、免除扶養義務等有關。

整體而言,透過律師辦案工作量預測模型運算,發現在所有扶養費案件中,案由概述出現「家暴」時,律師辦案工作量就有57%的機率高於同類型案件的平均工作量,如果與「離婚」相關,則有43%的機率為高辦案工作量。

法扶提到,這套律師辦案工作量預測模型的準確度,達到80%。不過,法扶副執行長林聰賢表示,由於這次當作訓練資料的案由概述,還沒有統一格式,未來要是能格式化,準確率將會提高。

下一步:法扶聯手東吳AI應用研究中心,要打造線上法律診斷機制平臺

法扶會董事長范光群表示,成立14年的法扶會,已累積150多萬筆資料,適合用作更多資料探勘。接下來,法扶希望以律師辦案工作量預測模型為基礎,聯手東吳大學AI應用研究中心的師生,一起開發線上法律診斷機制平臺,讓有法扶需求的民眾,能先了解程序及可能的花費時間。文◎王若樸


Advertisement

更多 iThome相關內容