Comme expliqué ici : https://blog.caselawanalytics.com/le-niveau-dindemnisation-des-souffrances-endurees-est-borde-par-le-referentiel-mornet/

l’étude statistique de notre base de données de plus de 7 000 arrêts montre que les cours d’appel parviennent à conjuguer règle générale (en l’occurrence un loi de type Fechner-Weber vérifiée par le montant moyen accordé au titre des souffrances endurées en fonction des points de souffrance) et forte individualisation (qui se manifeste par une grande dispersion autour des valeurs moyennes).

La modélisation du processus de décision judiciaire consiste à essayer de reproduire, grâce à l’intelligence artificielle, l’ensemble des décisions qui pourraient être prises sur un dossier donné caractérisé par un grand nombre de critères. Nous expliquons ci-dessous comment un tel modèle peut être construit. Une façon de vérifier la pertinence de cette approche consiste à vérifier que le modèle reproduit à la fois la loi de Fechner-Weber et l’individualisation. C’est ce que montrent les deux graphiques ci-dessous : comme on le voit sur le premier, les logarithmes des médianes des montants réellement accordés par les cours (en rouge) et ceux prédits par le modèle (en vert) sont très proches, et, dans les deux cas, leur évolution est presque linéaire en fonction des points de souffrance (voir la droite tracée en orange).

Si maintenant on s’intéresse à l’ensemble des montants proposés par le modèle (qui sont les points bleus ci-dessous), on retrouve des valeurs et une dispersion très proches de celles des décisions réelles (représentées en orange).

Comment parvient-on à construire un modèle qui reflète aussi fidèlement le processus de décision judiciaire ?

La méthodologie est identique à celle employée dans d’autres domaines dans lesquels une forme d’aléa est présente. Elle ne repose pas sur de simples statistiques qui ne peuvent jamais être suffisamment fines, mais se fonde sur une démarche en trois étapes :

– la première phase consiste à dresser une liste des principaux critères, notamment textuels et jurisprudentiels, sur lesquels s’appuie le magistrat pour prendre sa décision. Les jugements comportent nombre de ces déterminants, mais pas tous. La plupart sont évidents puisqu’ils reposent sur l’application de la norme, mais certains sont plus factuels. L’un des intérêts de l’approche décrite ici est d’ailleurs de rendre explicites ces déterminants. Dans le cas de la réparation du préjudice corporel, environ deux cents critères ont été considérés ;

– dans la seconde étape, nous analysons une masse significative de décisions, plus de 7 000 arrêts d’appel entre 2012 et 2022 dans notre cas, à la lumière de ces critères ;

– l’intelligence artificielle, et plus précisément les méthodes récentes d’apprentissage automatique, entre en scène dans la troisième phase : elle permet de reproduire le plus fidèlement possible les décisions prises par les magistrats en combinant les critères choisis à la première étape. Il faut noter que l’on n’enseigne nullement à la machine les règles de droit sur lesquelles est censée se fonder la décision : ceci impliquerait en effet de laisser un algorithme dire le droit, et ouvrirait la voie à un monde dans lequel on accepterait d’être jugés par des intelligences artificielles. Ce serait nier une fonction fondamentale de l’acte de juger, qui est de produire du symbolique et de réguler les rapports dans la société. Au contraire, suivant le principe du réalisme juridique, on se contente de lui apprendre à produire des décisions indistinguables de celles qui sont prises, via des raisonnements juri-diques, par des humains.

Pour tenir compte de divers aléas, il est nécessaire de reproduire non pas une seule réponse, mais un éventail de « jugements » possibles. Il est en effet essentiel de comprendre que, pour un jeu de critères donnés, il n’y a pas une seule décision qui serait la « bonne » solution. Tout d’abord, parce que l’on ne peut prétendre caractériser totalement un dossier même avec deux cents déterminants. Il existe toujours des spécificités qui échappent à toute catégorisation. Ensuite, parce que la décision rendue est le fruit du travail des avocats et de l’interprétation du juge à un instant donné, et, parce que le délibéré est le fruit d’une concertation entre plusieurs magistrats, il est normal et souhaitable que les issues puissent différer si le même dossier est présenté plusieurs fois. C’est pourquoi la tâche assignée à l’intelligence artificielle est de présenter l’ensemble des décisions qui pourraient être prises sur un dossier.