Les algorithmes peuvent-ils améliorer les décisions des juges ? Les recherches de Daniel Chen ont fourni de nombreuses données probantes sur les préjugés au sein du système juridique américain. Il soutient ici que l'intégration des outils d'apprentissage automatique et des données juridiques offre un mécanisme permettant de détecter en temps réel - et donc de corriger - les comportements judiciaires qui minent l'état de droit.
Jusqu'à présent, la plupart des travaux empiriques se sont concentrés sur l'observation des influences sur le comportement des juges, aidant à diagnostiquer des problèmes de partialité, mais offrant peu de solutions. Il existe une abondante documentation qui démontre que des caractéristiques qui ne devraient pas être pertinentes sur le plan juridique - comme la couleur de peau, la météo ou les attributs judiciaires - sont en fait prédictives des résultats juridiques dans divers contextes.
Selon Daniel, les juges sont plus susceptibles de permettre à ces préjugés extra-légaux d'influencer leur prise de décision lorsqu'ils sont le moins influencés par des circonstances juridiquement pertinentes. Dans les tribunaux d'asile, Daniel montre que les juges ayant les taux d'octroi les plus élevés et les plus bas sont beaucoup plus prévisibles que les autres. "Toutefois, les juges moins prévisibles ont tendance à avoir des taux de subvention moyens. Il se peut qu'ils n'aient pas de préférence marquée et qu'ils soient donc guidés par des facteurs aléatoires lorsqu'ils prennent une décision - essentiellement en jouant à pile ou face…"
L’apprentissage automatique offre un moyen de détecter automatiquement de tels cas d'indifférence judiciaire - où les décisions des juges semblent ignorer les circonstances de l'affaire - parce que ce sont aussi les contextes dans lesquels les outils d’apprentissage automatique sont susceptibles d'être les moins précis dans la prévision des décisions.
De même, les recherches de Daniel ont démontré la possibilité pour l’apprentissage automatique d'automatiser la détection des incohérences entre les juges en raison de facteurs juridiquement non pertinents. Dans les tribunaux d'asile, Daniel estime que ces influences sont très répandues, notamment l'heure de la journée, la taille de la famille du demandeur et la date de la décision.
Intervention politique
L'identification des juges dont le comportement est prévisible à des stades relativement précoces de la procédure peut permettre une intervention politique. Par exemple, des programmes de formation pourraient cibler ces juges, soit dans le but d'éliminer leurs préjugés, soit pour aider à améliorer le processus d'audience. Le simple fait d'alerter les juges sur le fait que leur comportement peut indiquer une injustice peut suffire à modifier leur comportement.
Les progrès de l'analyse des données peuvent permettre des interventions plus ciblées. "Il est peut-être possible, suggère Daniel, d'établir les combinaisons les plus prévisibles des caractéristiques des affaires et des caractéristiques judiciaires. Lorsque de telles paires sont trouvées, les juges peuvent recevoir un avertissement, comme contrepoids au biais de confirmation ou à d'autres sources d'influence non juridiques."
Informer les juges des prédictions faites par un décideur modèle pourrait contribuer à réduire les variations et l'arbitraire au niveau du juge. "S'ils sont portés à l'attention d'un juge, les préjugés potentiels pourraient faire l'objet d'un examen cognitif de plus haut niveau. Ces efforts s'appuieraient sur les travaux visant à intégrer l'évaluation des risques dans le processus de justice pénale.
La formation des juges
La formation des juges est un autre moyen pour l’apprentissage automatique d'améliorer les décisions judiciaires. "Le premier objectif serait d'exposer les juges à des conclusions concernant les effets de facteurs juridiquement pertinents et juridiquement non pertinents sur les décisions, dans le but d'avilir de façon générale plutôt que spécifique. Par exemple, Pope, Price et Wolfers (2013) ont constaté que la sensibilisation aux préjugés liés à la couleur de peau chez les arbitres de la NBA réduisait par la suite ce biais. Le deuxième objectif serait d'éduquer les décideurs juridiques sur l'inférence, la prédiction et les outils d'analyse des données, afin qu'ils puissent mieux comprendre l'information disponible et les facteurs conscients et inconscients qui peuvent influencer leurs décisions."
La formation des juges a connu un succès considérable. En 1990, 40 % des juges fédéraux avaient suivi un programme de formation de deux semaines en économie lancé en 1976. Les recherches de Daniel ont révélé que cette formation a diffusé le langage économique, qui s'est rapidement répandu dans les verdicts judiciaires. Plus concrètement, la formation a changé la façon dont les juges perçoivent les conséquences de leurs décisions. Dans les affaires de réglementation économique, les juges ont modifié leur vote de 10 % dans le sens contraire à la réglementation. Dans les tribunaux de district, lorsqu'ils disposaient d'un pouvoir discrétionnaire en matière de détermination de la peine, les juges formés en économie prononçaient des peines 20 % plus longues que leurs homologues non économistes.
Daniel pense que cette formation a probablement fourni aux juges une structure leur permettant de comprendre les tendances. "Le prochain défi est de voir si l’apprentissage automatique, l'analyse de données textuelles et d'autres développements permettent de franchir une nouvelle étape. Si l'on présente aux juges des résultats comportementaux, seront-ils moins enclins aux préjugés comportementaux ? Si on enseigne aux juges la structure théorique qui sous-tend les préjugés comportementaux, seront-ils de meilleurs juges ? Une nouvelle génération de théories et de preuves issues des sciences comportementales et sociales pourrait-elle apporter une meilleure justice et accroître la coopération, la confiance, la reconnaissance et le respect ?"
Extrait du TSE Mag#19 été 2019
