法律扶助案件多忙能預估！法扶建立ML模型預測律師辦案工作量，要來優化派工效率

近來，法律扶助基金會接收的申請案件不斷增加，每年高達21萬件，平均每天派案數量多達300件。但法扶律師人力有限，為了精準分派律師、提高派案效率，法扶找來分析軟體公司SAS協助，以自然語言處理（NLP）技術和機器學習模型，在3個月內開發出一個用來預測申請案件所需律師活動頻率的模型，可用來衡量一個案件可能需要的律師工作量，準確率達80％。法扶也在昨日分享這項成果。

法扶申請案件數量逐年遽增，律師派案成為關鍵

首先，法扶案件處理流程，可分為預約、審查面談、扶助派案和扶助案件執行等4階段，而律師辦案活動頻率的預測模型，就是運用在審查面談和扶助派案之間。一般來說，法扶在審查面談時，會收集申請人基本資料、資力證明（比如財產、中低收入戶身分文件等），以及官司案件的案由、概述等資料。接著是審查申請人資力和官司案件，符合標準才會派案給合適的律師。

但法扶派案過程，是由工作人員根據案由（像是刑事、家事或民事等），來派給專長相符的律師，但即便是同一個案由，情境還是有所不同，比如同為家事案由，案件卻有可能是家暴，或子女拒絕扶養。這些情境，對律師派案及其需投注的心力，比如面談次數、開庭次數、狀書份數，都有所影響。

再加上法扶案件申請數量逐年遽增，近來每年高達21萬件。就去年來說，法扶執行的扶助案有6萬件，平均每天要分派300件。也因此，精準分派律師成為關鍵。

為強化派案準確度，法扶找來SAS協助，花了3個月，來開發一套預測律師辦案工作量的模型。為訓練模型，法扶還爬梳了21萬筆申請人的案由概述，以及申請人屬性、案件屬性、人口資料和律師辦案工作量（也就是開庭次數、律師面談次數和書狀撰寫份數），以NLP來辨識詞彙、檢測同異詞等，歸類出影響律師工作量的關鍵因素，再以機器學習模型來預測律師辦案可能需要的時間和工作量（一樣是開庭次數、律師面談次數和書狀份數）。

NLP是分析案件簡介的關鍵

如何用NLP來分析案件概述內容？參與專案的SAS臺灣顧問分析師謝宗翰指出，用NLP分析案由概述時，可分為斷字斷詞、篩選文字，以及「因素歸類」等三階段。舉例來說，在「申請人被家暴，請求離婚、小孩監護權及扶養費」句子中，先進行斷字斷詞，比如「申請人」、「被」、「家暴」、「離婚」、「請求」、「小孩」、「監護權」和「扶養費」等，也一併判斷是否為複合名詞。之後，在篩選文字階段，則是從上下文中分辨不影響語意的詞，比如「被」、「請求」或你們、我們等。進入因素歸類階段時，就是將相同意思的詞歸為同一類，比如家暴、打傷、暴力，他解釋表示，很多時候，這些詞也會與「離婚」一起出現。

也因此，法扶發現，在扶養費和其他費用的因素歸類中，通常與家暴、離婚、子女監護權、免除扶養義務等有關。

整體而言，透過律師辦案工作量預測模型運算，發現在所有扶養費案件中，案由概述出現「家暴」時，律師辦案工作量就有57％的機率高於同類型案件的平均工作量，如果與「離婚」相關，則有43％的機率為高辦案工作量。

法扶提到，這套律師辦案工作量預測模型的準確度，達到80％。不過，法扶副執行長林聰賢表示，由於這次當作訓練資料的案由概述，還沒有統一格式，未來要是能格式化，準確率將會提高。

下一步：法扶聯手東吳AI應用研究中心，要打造線上法律診斷機制平臺

法扶會董事長范光群表示，成立14年的法扶會，已累積150多萬筆資料，適合用作更多資料探勘。接下來，法扶希望以律師辦案工作量預測模型為基礎，聯手東吳大學AI應用研究中心的師生，一起開發線上法律診斷機制平臺，讓有法扶需求的民眾，能先了解程序及可能的花費時間。文◎王若樸