法律扶助案件多忙能预估！法扶建立ML模型预测律师办案工作量，要来优化派工效率

近来，法律扶助基金会接收的申请案件不断增加，每年高达21万件，平均每天派案数量多达300件。但法扶律师人力有限，为了精准分派律师、提高派案效率，法扶找来分析软件公司SAS协助，以自然语言处理（NLP）技术和机器学习模型，在3个月内开发出一个用来预测申请案件所需律师活动频率的模型，可用来衡量一个案件可能需要的律师工作量，准确率达80％。法扶也在昨日分享这项成果。

法扶申请案件数量逐年遽增，律师派案成为关键

首先，法扶案件处理流程，可分为预约、审查面谈、扶助派案和扶助案件执行等4阶段，而律师办案活动频率的预测模型，就是运用在审查面谈和扶助派案之间。一般来说，法扶在审查面谈时，会收集申请人基本资料、资力证明（比如财产、中低收入户身份文件等），以及官司案件的案由、概述等资料。接着是审查申请人资力和官司案件，符合标准才会派案给合适的律师。

但法扶派案过程，是由工作人员根据案由（像是刑事、家事或民事等），来派给专长相符的律师，但即便是同一个案由，情境还是有所不同，比如同为家事案由，案件却有可能是家暴，或子女拒绝扶养。这些情境，对律师派案及其需投注的心力，比如面谈次数、开庭次数、状书份数，都有所影响。

再加上法扶案件申请数量逐年遽增，近来每年高达21万件。就去年来说，法扶执行的扶助案有6万件，平均每天要分派300件。也因此，精准分派律师成为关键。

为强化派案准确度，法扶找来SAS协助，花了3个月，来开发一套预测律师办案工作量的模型。为训练模型，法扶还爬梳了21万笔申请人的案由概述，以及申请人属性、案件属性、人口资料和律师办案工作量（也就是开庭次数、律师面谈次数和书状撰写份数），以NLP来辨识词汇、检测同异词等，归类出影响律师工作量的关键因素，再以机器学习模型来预测律师办案可能需要的时间和工作量（一样是开庭次数、律师面谈次数和书状份数）。

NLP是分析案件简介的关键

如何用NLP来分析案件概述内容？参与专案的SAS台湾顾问分析师谢宗翰指出，用NLP分析案由概述时，可分为断字断词、筛选文字，以及“因素归类”等三阶段。举例来说，在“申请人被家暴，请求离婚、小孩监护权及扶养费”句子中，先进行断字断词，比如“申请人”、“被”、“家暴”、“离婚”、“请求”、“小孩”、“监护权”和“扶养费”等，也一并判断是否为复合名词。之后，在筛选文字阶段，则是从上下文中分辨不影响语意的词，比如“被”、“请求”或你们、我们等。进入因素归类阶段时，就是将相同意思的词归为同一类，比如家暴、打伤、暴力，他解释表示，很多时候，这些词也会与“离婚”一起出现。

也因此，法扶发现，在扶养费和其他费用的因素归类中，通常与家暴、离婚、子女监护权、免除扶养义务等有关。

整体而言，透过律师办案工作量预测模型运算，发现在所有扶养费案件中，案由概述出现“家暴”时，律师办案工作量就有57％的概率高于同类型案件的平均工作量，如果与“离婚”相关，则有43％的概率为高办案工作量。

法扶提到，这套律师办案工作量预测模型的准确度，达到80％。不过，法扶副首席执行官林聪贤表示，由于这次当作训练资料的案由概述，还没有统一格式，未来要是能格式化，准确率将会提高。

下一步：法扶联手东吴AI应用研究中心，要打造线上法律诊断机制平台

法扶会董事长范光群表示，成立14年的法扶会，已累积150多万笔资料，适合用作更多资料探勘。接下来，法扶希望以律师办案工作量预测模型为基础，联手东吴大学AI应用研究中心的师生，一起开发线上法律诊断机制平台，让有法扶需求的民众，能先了解程序及可能的花费时间。文◎王若朴