Méthodes d'apprentissage automatique pour l'analyse de corpus jurisprudentiels

par Charles Condevaux

Thèse de doctorat en Informatique

Sous la direction de Stéphane Mussard, Sébastien Harispe et de Guillaume Zambrano.

Soutenue le 15-12-2021

à Nîmes , dans le cadre de École doctorale Risques et Société (Nîmes) , en partenariat avec CHROME (Nîmes) (laboratoire) et de Détection, évaluation, gestion des risques CHROniques et éMErgents (CHROME) / Université de Nîmes (laboratoire) .

Le président du jury était Françoise Seyte.

Le jury était composé de Jérôme Azé, Jacky Montmain.

Les rapporteurs étaient Mohand Boughanem, Massih-Reza Amini.

mots clés

• Taln
• Transformers efficients
• IA interprétable
• Théorie des jeux coopératifs
• Apprentissage one-Shot
• Justice prédictive
• Justice prédictive
• Intelligence artificielle
• Théorie des jeux

Résumé

Les décisions de justice contiennent des informations déterministes (dont le contenu est récurrent d'une décision à une autre) et des informations aléatoires (à caractère probabiliste). Ces deux types d'information rentrent en ligne de compte dans la prise de décision d’un juge. Les premières peuvent la conforter dans la mesure où l’information déterministe est un élément récurrent et bien connu de la jurisprudence (i.e. des résultats d’affaires passées). Les secondes, apparentées à des caractères rares ou exceptionnels, peuvent rendre la prise de décision difficile et peuvent elles-mêmes modifier la jurisprudence. L’objet de cette thèse est de proposer un modèle d’apprentissage profond mettant en évidence ces deux types d’information afin d’en étudier leur impact (contribution) dans la prise de décision d’un juge. L'objectif est d’analyser des décisions similaires, de mettre en évidence les informations aléatoires et déterministes dans un corpus de décisions et de quantifier leur importance dans le processus de jugement.

mots clés

• Nlp
• Efficient Transformers
• Explainable AI
• Cooperative game theory
• One-Shot learning
• Predictive justice

Titre traduit

Machine learning methods for the analysis of jurisprudential corpus

Résumé

Judicial decisions contain deterministic information (whose content is recurrent from one decision to another) and random information (probabilistic). Both types of information come into play in a judge's decision-making process. The former can reinforce the decision insofar as deterministic information is a recurring and well-known element of case law (ie past business results). The latter, which are related to rare or exceptional characters, can make decision-making difficult, since they can modify the case law. The purpose of this thesis is to propose a deep learning model that would highlight these two types of information and study their impact (contribution) in the judge’s decision-making process. The objective is to analyze similar decisions in order to highlight random and deterministic information in a body of decisions and quantify their importance in the judgment process.