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

Machine learning methods for the analysis of jurisprudential corpus

• Auteur / Autrice : Charles Condevaux
• Direction : Stéphane Mussard, Sébastien Harispe, Guillaume Zambrano
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/12/2021
• Etablissement(s) : Nîmes
• Ecole(s) doctorale(s) : École doctorale Risques et Société (Nîmes ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : CHROME (Nîmes) - Détection, évaluation, gestion des risques CHROniques et éMErgents (CHROME) / Université de Nîmes
• Jury : Président / Présidente : Françoise Seyte
• Jury : Examinateurs / Examinatrices : Jérôme Azé, Jacky Montmain
• Jury : Rapporteurs / Rapporteuses : Mohand Boughanem, Massih-Reza Amini

Mots clés

Mots clés contrôlés

Théorie des jeux

Intelligence artificielle

Justice prédictive

Mots clés libres

Taln

Transformers efficients

IA interprétable

Théorie des jeux coopératifs

Apprentissage one-Shot

Justice prédictive

Nlp

Efficient Transformers

Explainable AI

Cooperative game theory

One-Shot learning

Predictive justice

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.

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.