使用 AutoML 与决策森林预测印度下级法院的积压延迟

本文提出一种基于立案时可获得的案件信息来预测印度下级法院延迟的分类模型。该模型构建于 2010 年立案的 420 万起法院案件及其在 10 年内的结果数据集之上。该数据集取自印度 7000 多个下级法院。作者采用 AutoML 开发了一个针对所有未决期间的多元分类模型，随后使用二元决策森林分类器来提高延迟分类的预测精度。最佳模型达到了 81.4% 的准确率，其精确率、召回率和 F1 均为 0.81。该研究展示了基于管辖权、法院、法官、案由及相关当事人等数据点，利用 AI 模型预测印度法院延迟的可行性。本文还结合相关文献讨论了结果，并提出了改进方向与未来研究建议。作者已公开用于分析的数据集和 Python 代码文件，以推动印度司法改革这一关键且当代的领域中的进一步研究。