审判变量：挑战性审判无关型法律判决预测

本研究通过机器学习方法考察法官在法律决策中的作用，预测法国上诉法院儿童体育 custody 案件的结果。构建在法律现实主义-形式主义论争基础上，我们检验了个人法官决策模式是否显著影响案件结果，从而挑战法官是中性变量、均匀适用法律的假设。为确保遵守法国隐私法，我们实施了严格的匿名化程序。我们的分析使用 18,937 条居住安排裁决，从 10,306 案件中提取。我们比较了在个人法官过去裁决上训练的专家模型与在聚合数据上训练的无关型模型。预测管道采用混合方法，结合大语言模型 (LLM) 用于结构化特征提取和 ML 模型用于结果预测 (RF, XGB 和 SVC)。我们的结果表明，专家模型始终比通用模型获得更高的预测准确率，最佳模型达到 92.85% 的 F1 分数，而通用模型在 20 倍到 100 倍更多样本上训练仅达到 82.63%。专家模型捕获的稳定的个人模式无法转移到其他法官。领域内和跨域有效性测试为法律现实主义提供了实证支持，表明司法身份在法律结果中发挥可测量的作用。所有数据和代码将公开提供。