Predicting Judgments and Grants for Civil Cases of Alimony for the Elderly

摘要 有鑒於近年請求扶養費民事訴訟案件 逐年上升之趨勢，考慮伴隨著調解件 數增長，未來量能或將難以負荷，本 研究將以斷詞及向量化後之段落以 logistic regression 為基礎提出扶養費准 駁預測模型，同時提出使用 model tree 建構扶養金額預測模型，以期未來能 在庭外調解時提供一相對客觀的試算 結果供有扶養費爭議之兩造參考並儘 早達成共識，亦或給予法官參考數據 輔助以期能加速判決之進程，進而減 少司法資源的浪費。 Abstract The needs for mediation are increasing rapidly along with the increasing number of cases of the alimony for the elderly in recent years. Offering a prediction mechanism for predicting the outcomes of some prospective lawsuits may alleviate the workload of the mediation courts. This research aims to offer the predictions for the judgments and the granted alimony for the plaintiffs of such civil cases in Chinese, based on our analysis of results of the past lawsuits. We hope that the results can be helpful for both the involved parties and the courts. To build the current system, we segment and vectorize the texts of the judgement documents, and apply the logistic regression and model tree models for predicting the judgments and for estimating the granted alimony of the cases, respectively. 關鍵字：判決預測、民事案件, 給付扶養費 Keywords: legal judgment prediction, civil case, the issues of alimony 1 引言 有鑒於請求給付扶養費訴訟有逐年增加趨勢， 人工智慧於法律領域之相關應用日漸重要， 於是本研究提出二個與扶養費金裁判相關之 預測模型，分別為「請求准駁預測模型」和 「扶養金額預測模型」，前者預測一案件是 否通過或駁回扶養請求；後者則預測一案件 之扶養金裁判金額。 本研究採用自民國 89 年至民國 110 年間與 扶養費相關案件過濾上訴、離婚及協議相關 案件，進行扶養金准駁預測與金額預測。 本文所提「兩造」為扶養金額案件中請求 扶養之「聲請人」與被請求扶養之「相對人」 此二身份，其可能為配偶、父母、子女亦或 手足等關係，此類家事案件往往在調解中關 於「是否具扶養義務」與「扶養金額是否適 當」有所爭執及論點攻防，因此我們針對兩 造主張部分進行准駁預測；針對相關客觀特 徵進行金額預測，供兩造及法官參考，以利 加速調解及裁判之進程。 實驗中會先擷取特定段落即兩造主張之段 落，進行斷詞與向量化之前處理，再使用准 駁預測模型進行訓練與預測案件是 (准許請求) 否 (駁回請求) 通過扶養金額之聲請。針對 「不同預測模型」及「是否模糊化」進行 F1 score 比較。 其次，關於扶養金額預測部分會先進行相 關特徵之提取，諸如：聲請人現居地月均支 出、聲請人每月補助、聲請人每月要求之金 老年扶養費請求案件之准駁及扶養金額預測 Predicting Judgments and Grants for Civil Cases of Alimony for the Elderly 劉威志 Wei-Zhi Liu 吳柏憲 Po-Hsien Wu 林泓任 Hong-Ren Lin 劉昭麟 Chao-Lin Liu 國立政治大學資訊科學系 Department of Computer Science, National Chengchi University {109753157, 111753120, 109753156, chaolin }@g.nccu.edu.tw The 34th Conference on Computational Linguistics and Speech Processing (ROCLING 2022) Taipei, Taiwan, November 21-22, 2022. The Association for Computational Linguistics and Chinese Language Processing 121 額等 (詳見本文段落 7)，以利進行初步試算， 再使用其他特徵，如：相對人經濟狀況及兩 造關係 (是否具相應扶養義務) 等特徵進行輔 助調整 (詳見本文段落 8.2)，並得出最終預測 金額結果。 關於實驗結果比較，我們採用：僅給予特 徵提取之 scikit-learn1的 linear regression、只使 用 model tree 進行預測區分且每個區塊單純使 用 scikit-learn 的 linear regression 及本文模型， 三者進行比較，以比對「是否使用 model tree」、「是否使用多種預測方式」之 mean absolute error (以下簡稱 MAE) 結果優劣。 關於文章架構，本文段落 2 提及關於本實驗 的相關研究；段落 3 敘述本實驗的資料來源與 篩選；段落 4 講述准駁預測之前處理；段落 5 則介紹准駁預測模型實驗設計；段落 6 則為准 駁預測實驗結果比較。段落 7 陳述扶養金預測 之前處理與特徵提取；段落 8 則介紹金額預測 模型設計；段落 9 為金額預測模型實驗結果比 較；段落 10 為上述二模型之實驗總結；段落 11 則為本文結語。 2 相關研究 人工智慧技術應用於法律領域不論在國內或 國外都有許多的前沿研究，其應用層面有很 多方向，而應用於裁判預測上更是數不勝數， 目前在這領域中以刑事案件為主流，以國內 為例：像是林婉真等 (2012) 提出將構成特徵 要素作為特徵，利用additive regression預測強 盜及恐嚇取財之量刑結果。然而裁判預測應 用在民事案件上目前是相對少見的。 以民事案件來說近期有何君豪 (2021) 提出 導入機器學習演算法的建議，再依據繁簡分 流理論進行導入 AI 法官的民事訴訟類型選擇， 希望能為我國民事訴訟導入 AI 法官提供具體 可行的藍圖。王道維等提出 AI 輔助親權判決 預測2，其系統藉由輸入夫妻雙方的有利與不 利條件後，進行小孩的監護權判給某一方之 機率預測。而黃詩淳等 (2020) 的研究則是在 探討直接將法律裁判原文輸入機器後，觀察 機器能否了解法官的語意並進行親權酌定。 1 https://scikit-learn.org/stable/ 2 https://custodyprediction.herokuapp.com/userPredict Muhlenbach et al. (2020) 的贍養費裁判預測， 該研究在避免過多的法律特徵與避免使用較 不具解釋性之 AI 模型的前提下，提出利用隨 機森林 (random forest) 與回歸模型對於離婚案 件中的贍養費進行預測。 而黃詩淳 (2022) 同時提出透過特徵提取來 進行分類決策樹與回歸決策樹之扶養預測， 其與本研究相似於預測應用方面，不過其中 的特徵提取與模型則有所不同，本研究受到 前者 Muhlenbach et al.之啟發，選擇家事案件 中給付扶養費判例作為實驗對象並以兩造主 張為基礎提出同請求通過與否關聯之准駁預 測模型，以及試算通過數額之扶養金額預測 模型，並在提取相對客觀及有限的特徵且避 免缺乏解釋性之前提下建構其 model tree (Malerba et al., 2004) 分支條件，再根據林玠 鋒 (2015) 對於酌定扶養費的研究去改善與調 整我們的預測模型，望能在提供預測結果時 亦提出令人信服之特徵解釋。 3 資料來源與篩選實驗對象 本研究使用的資料主要來自臺灣司法院資料 開放平臺3 ，收集了自民國 89 年 1 月起至民 國 110 年 12 月之裁判書。裁判書為 JSON格 式檔案，其key值會包含「案由、裁判字號、 裁判年份、裁判書內文」等，因此本實驗選 用案由含有「扶養費」但不包含「返還扶養 費代墊款」及「酌減扶養費」之案件，其再 進行篩選，篩選規則如下：將裁判字號含有 「抗、上、高等、最高、婚」等字眼，因此 類字號屬於上訴、抗告審、程序事由與其他 類型案件，這些案件並非在本實驗研究範圍 內，並過濾裁判書內文中段落不足或未有提 及兩造主張之案件，以利後續准駁預測模型 訓練。 根據上述過濾條件得出基本語料共1,930案 件，即是准駁預測模型之實驗對象，其中未 通過數量則為 983件；通過案件數量為947件。 3 https://opendata.judicial.gov.tw The 34th Conference on Computational Linguistics and Speech Processing (ROCLING 2022) Taipei, Taiwan, November 21-22, 2022. The Association for Computational Linguistics and Chinese Language Processing 122 故會對通過案件中再對具私下調解或協議 性質及一次性給付之案件進行過濾，過濾後 所剩案件為742件，即本文金額預測模型之實 驗對象。其流程如圖1。 4 准駁預測之前處理 經由前段所述之資料篩選過後須要再對裁判 書內文做進一步地清理以得出實驗所需資料。 裁判書內文含有主文及理由 (或是事實、事實 及理由要領等詞語) 之標題段落，而主文段落 為記錄法院最終裁判結果；理由段落則會含 有兩造的主張 (即聲請人的聲明和相對人的抗 辯) 與法院裁判之理由等，其中實驗所需的輸 入資料來自理由段落，而標記資料則來自主 文段落。 4.1 資料擷取 裁判書在撰寫上未有嚴格限制，經過分析後 我們發現每個標題內的段落會以多種章節標 號做條列敘述，如：「『壹、』、『㊀』、 4 https://ckip.iis.sinica.edu.tw 5 http://scikit- learn.org/stable/modules/generated/sklearn.feature_extraction .text.TfidfVectorizer.html 『㈠』、『甲、』」等，因此透過正規表示式 法 (regular expressions) 將理由段落切割成各個 章節段落，在經觀察案例後得出法官會以特 定的格式來描述聲請人或相對人的主張段落， 通常以「聲請人意指略以」或「相對人則以」 等來進行開頭，因此我們以其來擷取主張內 …

Content truncated to 500 words