Predicting the Success of Mediation Requests Using Case Properties and Textual Information for Reducing the Burden on the Court

Abstract

The success of mediation is affected by many factors, such as the context of the quarrel, personality of both parties, and the negotiation skill of the mediator, which lead to uncertainty for the predicting work. This paper takes a different approach from previous legal prediction research. It analyzes and predicts whether two parties in a dispute can reach an agreement peacefully through the conciliation of mediation. With the inference result, we can know if the mediation is a more practical and time-saving method to solve the dispute. Existing works about legal case prediction mostly focus on prosecution or criminal cases. In this work, we propose a LSTM-based framework, called LSTMEnsembler, to predict mediation results by assembling multiple classifiers. Among these classifiers, some are powerful for modeling the numerical and categorical features of case information, e.g., XGBoost and LightGBM; and, some are effective for dealing with textual data, e.g., TextCNN and BERT. The proposed LSTMEnsembler aims to not only combine the effectiveness of different classifiers intelligently, but also capture temporal dependencies from previous cases to boost the performance of mediation prediction. Our experimental results show that our proposed LSTMEnsembler can achieve 85.6% for F-measure on real-world mediation data.

Explainable Artificial Intelligence for Agile Mediation Propensity Assessment

“…The developed statistical NLP framework achieved an accuracy on the test set of 79%. Hsun-Ping Hsieh et al, [18], instead of focusing on classifying final case decisions, have focused on the possibility of mediation success between parties. Authors have proposed a system to predict the success of mediation requests using textual information and case properties, such as location of the dispute, mediator ID, number of participants, etc.…”

Machine Learning Algorithms Applied on Classification of Processes for Conciliation on Brazilian Labour Judiciary

“…Para os casos que envolvem conciliação processual no setor da Justiça do Trabalho, um modelo LSTM é treinado por [7], o qual é denominado LST-Mensembler, aplicando-o em processos judiciais com o objetivo de prever se uma mediação terá sucesso ou não. O dataset utilizado possui 5.776 casos do comitê de mediação de Tainan, Taiwan, compreendidos em um período de março 2009 a janeiro de 2017.…”

“…Para realizar a tarefa de previsão das mediações,os autores de [7] utilizam os classificadores XGBoost e LightGBM para tratamento dos metadados relativos aos processos (sub-categoria do caso, número de participantes, mediador envolvido, dentre outros), devido à natureza numérica e categórica de seus atributos. Enquanto para a parte de descrição textual dos casos, é utilizada a ferramenta de extração de conteúdo para gerar vetores de embedding: BERT [7].…”

“…O XGBoost é um algoritmo, baseado em árvore de decisão, que utiliza uma estrutura de Gradient Boosting. Já o LightGBM, algoritmo de árvore de decisão desenvolvido pela Microsoft em 2017, quando comparado ao XGBoost, revela-se capaz de processar dados em maior velocidade, utilizando uma menor quantidade de memória [7].…”

“…Na etapa de mineração textual, além do BERT, também foi empregada uma ferramenta de PLN: TextCNN [7]. TextCNN é um algoritmo de deep learning adequado para executar tarefas de classificação de frases, valendo-se de uma arquitetura CNN focada para processamento de texto.…”