Leveraging AI in the Kenyan Judiciary: A Case for Utilizing Text Classification Models for Data Completeness in Case Law Meta Data in Kenya’s Employment and Labor Relations Court
Notice bibliographique
Résumé
<title>Abstract</title> AI has been revolutionary in improving different professional fields. In the legal sector, AI is utilized, in a number of jurisdictions, for different purposes both at the bar and bench level. The study investigates the efficacy of an AI algorithm in completing missing data in digitized documents, i.e., how AI can be utilized to achieve data completeness of precedents in the judiciary through text classification in order to achieve an optimal foundational basis for the creation of data sets that will facilitate the utilization of AI for different purposes. The Employment and Labor Relations court is used as a case study. The study analyzed the efficacy of 5 text classifier models: passive aggressive, linear regression, decision tree, random forest, and support vector machine (SVM) model. The results obtained from the study show that text classification can be automated successfully using machine learning techniques to generate case metadata. The accuracy of the text classifier methods utilized in the study range between 82% and 98%. Despite the data limitations faced in this study, the results obtained help increase confidence that advanced NLP techniques have matured enough to be applicable to legal text in the Kenyan Judiciary. Findings from the study suggest that the success rates of the text classifier techniques are not merely dependent on text content, but the context of this content is also a determining factor - the nature of the cases and the structure of the legal system play an important role in the performance of text classifier models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».