How Possible Is It to Apply Artificial Intelligence (AI) When Issuing Judicial Rulings in the Saudi Courts? An Analytical and Comparative Study that Showcases International Experiences / هل من الممكن استخدام الذكاء الاصطناعي في إصدار الأحكام القضائية في المحاكم السعودية؟ دراسة تحليلية مع مقارنة التجارب الدولية
Bibliographic record
Abstract
the development of AI technologies is necessary for making and issuing judicial rulings and conducting related processes in the Saudi courts, especially when comparisons are drawn with the judicial systems of comparable countries that have previously benefited from AI technologies or adopted them into their judicial systems (for example, China, Canada, and the US). In addition, applying AI technologies to the Saudi judiciary could prove useful for strengthening the Kingdom's position as a centre of international trade and an attractive environment for foreign and domestic investment. This could be achieved by taking practical steps towards enhancing the quality and efficiency of judicial rulings. As such, this study suggests that the Saudi courts have adopted AI because it is becoming increasingly clear that AI models enable courts and employees to deal with cases more efficiently and transparently. In addition, technological innovation in the provision of court services will contribute to the achievement of important goals. For example, AI helps to reduce the cost of filing claims and cases, making court services less expensive and more accessible to the public. In turn, these improvements enhance the reputation of the Saudi courts and the entire Saudi judiciary. The adoption of AI could therefore be an important turning point for the Kingdom’s judiciary, especially with regard to the competition with parallel international commercial courts and alternative commercial and international dispute settlement centres (for example, arbitration and mediation centres). أن تطوير تقنيات الذكاء الاصطناعي في عملية إصدار الأحكام القضائية وفي العمليات المرتبطة بها في المحاكم السعودية أمر ضروري، ولاسيما عند المقارنة مع الأنظمة القضائية في بعض الدول المشابهة لسياق المملكة، والتي استفادت مسبقًا من تقنيات الذكاء الاصطناعي وجعلتها ضمن أنظمتها القضائية مثل الصين وكندا والولايات المتحدة الأمريكية. كما أن استخدام تقنيات الذكاء الاصطناعي في القضاء السعودي قد يفيد في تعزيز مكانة المملكة بوصفها مركزًا للتجارة الدولية وبيئة جاذبة للاستثمارات الأجنبية والمحلية، وذلك من خلال البدء في اتخاذ خطوات عملية لتعزيز الجودة والكفاءة في الأحكام القضائية. وبالتالي تقترح هذه الدراسة أن تتبنى المحاكم السعودية الذكاء الاصطناعي؛ إذ يتضح من ذلك أنّ هذه النماذج تُمكّن المحاكم والعاملين فيها من التعامل مع القضايا بكفاءة وشفافية أكبر. بالإضافة إلى ذلك، يسهم الابتكار التقني فيما يرتبط بتقديم خدمات المحاكم في تحقيق أهداف مهمة، إذ يساعد على تقليل تكاليف تقديم المطالبات ورفع القضايا، ويجعل خدمات المحكمة أقل تكلفة وأكثر سهولة لأفراد المجتمع، ويعزز سمعة العدالة في المحاكم والنظام القضائي السعودي. وربما يكون تبني الذكاء الاصطناعي نقطة تحول مهمة للقضاء في المملكة، ولاسيما فيما يخص المنافسة مع المحاكم التجارية الدولية الموازية والمراكز البديلة لتسوية المنازعات التجارية والدولية مثل مراكز التحكيم والوساطة. ولكن يجب مراعاة أن استخدام تقنيات الذكاء الاصطناعي في عملية إصدار الأحكام القضائية
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".