آیا می توان با کمک تکنولوژی نتیجه یک پرونده قضایی را پیش بینی کرد؟
مبحث "Predictive Analytics" یا تجزیه و تحلیل داده ها (دیتا) برای پیش‌بینی، بخشی از تکنولوژی حقوقی (legal-tech) و زمینه‌ای است که در آن دو حوزه حقوق و تکنولوژی با یکدیگر تلاقی پیدا می‌کنند. و در آن، عنصر تعیین‌کننده، داده‌ها (دیتا) هستند. اما چطور یک الگوریتم می‌تواند رای یک مرجع قضایی را پیش‌بینی کند؟
در سخنرانی دیگری که از هشتمین کنفرانس بین المللی حقوق فوتبال منتشر شده است، آقای اولریش هاس، یکی از داوران سرشناس دیوان داوری ورزش، به موضوعی خاص و بدیع در حوزه داوری در ورزش می‌پردازد.
این موضوع که احتمالا بسیاری از مخاطبان تاکنون کمتر درباره آن شنیده‌اند، مبحث نسبتا نوظهوری است با عنوان:
Predictive Analytics in Sport Arbitration
(تجزیه و تحلیل داده‌ها برای پیش‌بینی آرای داوری در ورزش)
این مبحث بیش و پیش از هر چیز در ارتباط با "پیش‌بینی کردن" است؛ پیش‌بینی نتیجه یک رسیدگی قضایی. اما آیا به راستی می‌شود نتیجه یک پرونده را پیش‌بینی کرد؟ پرسشی که احتمالا همه کسانی که تاکنون درگیر یک دعوی حقوقی بوده‌اند، از خود پرسیده‌اند؛ و باید گفت که اغلب، پاسخ به این پرسش منفی است.
اما آقای هاس در این سخنرانی توضیح می‌دهد که چطور پیشرفت‌ها و توسعه‌های اخیر در نقطه تلاقی دو حوزه حقوق و تکنولوژی این امر را، هر چند به میزانی کم و محدود، اما ممکن کرده‌اند.
وکلا معمولا تمایلی به پیش‌بینی نتیجه یک پرونده ندارند و در پاسخ به چنین درخواستی از سوی موکلان می‌گویند که محاسبه و پیش‌بینی چنین مساله‌ای ممکن نیست. به هرحال باید گفت که پاسخ به این پرسش حقیقتا بسیار پیچیده است: در دنیای حقوق، اینکه واقعیات و به قولی فکت‌های یک پرونده از یک طرف، و قوانین و مقررات از طرف دیگر چگونه در جریان رسیدگی به یک پرونده اعمال شوند، چنان احتمالات گوناگونی را برای حصول نتیجه ایجاد می‌کند که از نظر بسیاری، عملا نام بردن از یکی از این سرنوشت‌های محتمل برای آن پرونده غیرممکن است.
اما راه حل مقابله با این مشکل (پیش‌بینی ناپذیری) چیست؟ آنچه که برخی از وکلا، به ویژه وکلای سالخورده و مجرب‌تر ارائه می‌کنند، شیوه‌ای است که می‌توان آن را "پیش‌بینی شهودی" عنوان کرد. در این قسمت آقای هاس با ذکر دلایل و مثال‌هایی به خوبی توضیح می‌دهد که چگونه این شیوه پیش‌بینی اشتباه است و ما را به نتایج نادرست رهنمود می‌کند.
شیوه دیگر حل مشکل، "شبیه‌سازی تصمیم داور" است. به این معنا که موارد اختلاف کلیدی را در نظر گرفته و با توجه به پاسخ داور به هر یک از این سوالات، به امکان وقوع هر یک از چند نتیجه محتمل درصدی را اختصاص داده و میزان ریسک، از جمله میزان خسارت مالیِ هر نتیجه را برای موکل ارزیابی کنیم. این شیوه مزایا و معایبی دارد. مزایایی از جمله اینکه رویکردی بسیار ساختار یافته برای حل یک مشکل حقوقی است و باعث افزایش آگاهی در مورد خطر می‌شود و موارد نگران‌کننده پرونده را که باید مورد توجه قرار بگیرند روشن می‌کند. و نتیجتا بر کارآمدی وکلا هنگام کار بر روی پرونده می‌افزاید.
معایب این شیوه نیز قابل توجه هستند: دقت فریبنده؛ تمامی پیش‌بینی‌های گفته شده همگی صرفا احتمالات مطرح شده هستند و دقت و ذکر جزئیات در مورد آنها، در حالی که احتمال محقق نشدن آنها همچنان پابرجاست، به نوعی فریبنده است. به علاوه، این روش پرهزینه است، چرا که در هر مرحله، میزان ریسک باید توسط متخصص ارزیابی گردد. فارغ از این‌ها باید در نظر داشت که نکات زیادی وجود دارند که یک قاضی، جدا از همه مسائل حقوقی، هنگام صدور رای آنها را در نظر می‌گیرد؛ نکاتی با جنبه‌های روانشناسانه، اجتماعی و سیاسی. آقای هاس در این بخش با مثال‌های بیشتری به شرح این جنبه‌ها و تاثیرشان بر شیوه کار قضات می‌پردازد و در نهایت صحبت خود را به این نتیجه می‌رساند که شیوه شبیه‌سازی تصمیم داور، شیوه خوبی است، اما عوامل زیادی وجود دارند که علی‌رغم تاثیرگذاری، در این شیوه در نظر گرفته نمی‌شوند.
آیا به جز این دو روش، شیوه دیگری وجود دارد؟
بله، "Predictive Analytics" یا تجزیه و تحلیل (دیتا) برای پیش‌بینی، بخشی از تکنولوژی حقوقی (legal-tech) و زمینه‌ای است که در آن دو حوزه حقوق و تکنولوژی با یکدیگر تلاقی پیدا می‌کنند. و در آن، عنصر تعیین‌کننده، داده‌ها (دیتا) هستند. اما چطور یک الگوریتم می‌تواند رای یک مرجع قضایی را پیش‌بینی کند (همان کاری که توضیح دادیم با توجه به وجود افراد و فاکتورهای مختلف دخیل در یک پرونده، چقدر پیچیده است)؟
در پاسخ باید گفت که در واقع از این شیوه می‌توان در ارتباط با ارتقای عملکرد گروه‌های مختلف درگیر در فرآیندهای حقوقی و قضایی بهره برد، به این معنا که باید در تصویر بزرگ‌تر، عملکرد تمام عوامل و اشخاص درگیر در چنین فرآیندی را در نظر گرفت و با توجه به آن زمینه‌های کوچکتر یا جزئی‌تری (sub-areas) را تعریف کرد و در هر یک از آنها عملکرد افراد را با کمک کامپیوتر و الگوریتم ارتقا بخشید. زمینه‌هایی چون:
- امکان بازیابی اطلاعات، که عملکرد افراد مشغول به کار در امور مختلف حقوقی را تحت تاثیر قرار می‌دهد، مانند انجام پژوهش و ریسرچ و یا ایجاد قراردادهای آماده که هم‌اکنون نیز برنامه‌های کامپیوتری مختلفی برای آن وجود دارد.
- دسترسی بهتر به عدالت از طریق حذف موانع بازار و فراهم کردن محیط برای ارائه بهتر خدمات. برای مثال پلتفرمی که امکان پیدا کردن یک وکیل برای یک پرونده خاص را فراهم می‌کند. مثال جالب دیگر شرکتی است به نام flightright که با ایجاد یک اپلیکیشن، فرایند قضایی گرفتن خسارت ناشی از کنسلی یا تاخیر پروازهای اروپایی را بسیار آسان‌تر و سریع‌تر کرده است، در حالی که پیش از ایجاد آن، افراد بسیاری به دلیل زمانی که صرف درگیر شدن در این فرآیند و حضور در دادگاه میشد، از اقدام برای دریافت خسارت خود منصرف می‌شدند.
- زمینه سوم نیز که همان بحث پیش‌بینی کردن است. این کار با دو روش امکان‌پذیر است، یکی شبیه‌سازی عملکرد قاضی، و دیگری استفاده از داده‌های پیشین که دومی سریع‌تر، بهتر و دقیق‌تر از شیوه نخست است.
آقای هاس در ارتباط با روش دوم مثال‌هایی نیز نقل می‌کند، از جمله تجربه دیوان عالی ایالات متحده نقل که نشان داد میزان دقتِ پیش‌بینی‌ها در روش استفاده از داده‌های پیشین (از جمله‌داده‌هایی که حقوقی نبودند) حدود ۳۰ درصد بیشتر از استفاده از متخصصان برای انجام شبیه‌سازی بود.
اما استفاده از این روش با بیشتر شدن داده‌ها و در مقیاس‌های بزرگ‌تر، سخت‌تر می‌شود. مثلا برخی مراجع قضایی نسبت به دیوان عالی آمریکا تعداد بیشتری رای در سال منتشر می‌کنند. و در صورت وجود داده‌های بیشتر، این داده‌ها باید ساختار یافته و طبقه‌بندی شوند. در واقع برای اینکه یک داده در انجام پیش‌بینی به کار آید، باید ابتدا آن داده را در یک دسته بندی مشخص جای دهیم. اما چگونه این کار سخت و پیچیده انجام‌شدنی است؟
برای این کار (ساختارمند کردن و دسته بندی و داده‌ها) آقای هاس به دو راهکار اشاره می‌کند:
- استخراج متن (text mining): الگوریتم‌هایی که با استفاده از آنها می‌توان متن را خواند و فهمید، بدون اینکه یک انسان حتی نگاهی به متن بیاندازد. این روش مهمترین متغیرهای یک متن را تشخیص داده و استخراج می‌کند و نیز قابلیت طبقه‌بندی آرا را نیز دارا است چرا که با فهم کامل متن آنها می‌تواند شباهت‌های موجود در محتوایشان را شناسایی کند.
- یادگیری ماشین (machine learning): در این شیوه تلاش می‌کنیم به صورت مصنوعی از تجربه، دانش تولید کنیم. مثالی از این مساله را می‌توان هرزنامه یا اسپم‌ها در ایمیل را در نظر گرفت. فرد با هر ایمیلی که در اسپم قرار می‌دهد، با توجه به ویژگی‌های آن ایمیل، در آینده موارد کمتری مشابه به آن دریافت خواهد کرد. این یعنی که این سازوکار هر بار یاد می‌گیرد با توجه به تجارب و داده‌های پیشین محتوای موردپسندتری برای فرد ارائه دهد.
این تکنولوژی‌ها مدت‌هاست که در بازار وجود دارند، اما چگونه بر مساله داوری (Arbitration) در ورزش تاثیر می‌گذارند و احتمالا در آینده نزدیک آن را متحول خواهند رد؟
اولین سوالی که موکل از یک وکیل می‌پرسد این است که آیا می‌توان نتیجه پرونده وی را پیش‌بینی کرد؟ در واقع درآمد یک وکیل بستگی به میزان پیچیدگی یک پرونده و زمانی دارد که برای به نتیجه رساندن آن مورد نیاز است. و بالتبع تغییر در امکان پیش‌بینی کردن نتیجه و ایجاد حدی از اطمینان در مورد آن، تحول بزرگی را در رابطه بین وکیل و موکل رقم می‌زند. اما در حال حاضر شرکت‌های کمی هستند که چنین پیش‌بینی‌هایی را انجام می‌دهند، گرچه این شرایط نیز در حال تغییر است.
البته باید توجه داشت این پیش‌بینی‌ها تنها درصد احتمال وقوع را بیان می‌کنند و استدلالی برای چرایی آن ارائه نمی‌دهند.
حال باید دید که در آینده از چنین پدیده‌ای، یعنی استفاده از داده‌ها برای دقت بالاترِ پیش‌بینی‌ها، دقیقا در چه مواردی در حقوق ورزش می‌توان بهره گرفت.
- تجزیه و تحلیل ریسک؛
- ارزیابی و امتیازدهی به وکلا و قضات؛
- تحول رابطه وکیل-موکل، با توجه به اینکه موکلان با دسترسی به داده‌ها می‌توانند پیش‌بینی نسبتا دقیق‌تری از احتمال موفقیت پرونده خود داشته باشند که کار را برای وکلا تا حدودی سخت می‌کند؛
- برای نخستین بار، با توجه به امکان ارزیابی یک پرونده و ریسک آن، امکان بیمه کردن ریسک به وجود می‌آید؛
- وقتی که یک پرونده و رسیدگی به آن قابل ارزیابی باشد (میزان موفقیت یا چگونگی نتیجه را پیش‌بینی کرد)، این پرونده می‌تواند به یک دارایی قابل مبادله تبدیل شود. مثلا ورزشکاری که توان پرداخت هزینه‌های رسیدگی را ندارد، می‌تواند پرونده خود را به فروش برساند؛ یا باشگاهی که فورا به پول احتیاج دارد و مایل نیست تا اتمام فرآیند رسیدگی به پرونده صبر کند؛
- راه برای ورود سرمایه گذاران قضایی (litigation funders) به بازار کلان فراهم می‌شود که در مقایسه با سایر روش‌ها مانند معاضدت حقوقی یا وکیل معاضدتی، روشی بسیار راهگشاتر و گسترده‌تر برای تامین مالی رسیدگی‌های قضایی است؛
- کنترل کیفیت عملکرد قضات و داوران دیوان در خصوص پیروی از رویه‌های قضایی و اطمینان از عدم تخطی از چاچوب‌هایی که رویه قضاییِ هر مرجع ایجاد نموده است.
در نهایت باید گفت که این تحولات در راه هستند و به جای ترس از ورود قدرتمندانه تکنولوژی در حقوق، بهتر است توانمندی‌های خود را برای استفاده هوشمندانه‌تر از این تغییرات ارتقا دهیم.
لینک ویدیوی کامل این سخنرانی.