Mener robotdommere alene er lite egnet i saker med mye skjønn

– Når vil vi se Nordens første helt automatiserte tingrettsdommer? I 2030, 2050, 2150 eller aldri? spurte professor Malcolm Langford ved UiO på en konferanse i 2019.

Et spørsmål han pleier stille ofte, både til studenter og under foredrag, forteller han. Stort sett fordeler svarene blant tilhørerne seg ganske jevnt på alle fire alternativene.

Langford, som blant annet leder CELL Senter for framragende utdanning og prosjektene «Den digitale jurist» og «Den digitale rettssalen» i tillegg til å samarbeide med DA og Tech-R om ulike maskinlæringsprosjekter, mener det er en rekke spennende temaer som bør forskes mer eller videre på.

– To store spørsmål er hvordan vi forstår hvorfor vi fikk en dom, altså årsaken til resultatet, og om vi kan predikere utfallet sier han.

– Jurister bruker ofte rettsdogmatisk metode til det. De prøver å se på bruk av rettskilde, bruker tolkningsteknikker og ser kanskje litt på kontekst når de skal prøve å forklare hvorfor man har kommet frem til et resultat eller hva kan vi resultatet. Men man kan ta i bruk andre metoder fra samfunnsvitenskap og datavitenskap

Samfunnsvitenskapelig metode

Langford forteller at det på 1920-tallet i USA ble reist spørsmål om rettsdogmatikk var riktig metode alene, noe som utløste en ny forskningstradisjon innen rettsvitenskapen.

– Denne står i dag sterkt i USA, men er ikke like utviklet i Norge. Det handler om å i større grad bruke samfunnsvitenskapelig metode til å forstå hvorfor dommere har kommet frem til et utfall.

 – Det ble raskt fokus rundt ideologi; har resultatet noe med om man er utnevnt av en demokratisk eller republikansk president? Man fant ut at man kan predikere en god del og finne sterke statistiske forklaringer når man ser på for eksempel politisk bakgrunn.

Forskere har så sett videre på ting som sakens innhold, folkemeninger om et tema og andre faktorer.

– Vi fikk også en diskusjon rundt dette i Norge da statsvitere i Bergen begynte å bruke statistisk metode i Høyesterett i Norge; om man for eksempel kunne forklare et utfall med dommerens geografiske bakgrunn eller stillingsbakgrunn, sier Langford.

– En med bakgrunn fra advokatbransjen som er fra Vestlandet har kanskje et annet perspektiv enn en med bakgrunn fra offentlig forvaltning som kommer fra Oslo. Så er spørsmålet om man kan bruke alle disse funnene også til å predikere utfall?

Predikere utfall

Professoren understreker at det kan være veldig vanskelig å vite hvilke korrelasjoner som er relevante, men at når man har tilgang på veldig mye fakta er det likevel ofte mulig å bygge en maskinlæringsmodell som i stor grad kan predikere utfall.

Som et eksempel på at forskningen på ulike faktorer noen ganger kan gi overraskende og merkelige resultater trekker han frem at forskere i USA fant en korrelasjon mellom hvor mannlig stemmen til advokaten i saken var kunne avgjøre om man vant saken.

– Har man en mindre mannlig stemme er det overaskende større sannsynlighet for å vinne saken, sier Langford.

– Men det som nok er mer spennende og relevant med maskinlæremetode er å se på juridisk tekst. Når man har tilgang på en viss mengde fakta, kan man basert på en algoritme tidligere i prosessen kunne si noe om sannsynlig utfall?

Han forteller stadig flere forskningsprosjekter på temaet, ikke bare i USA, men også i Brasil, Singapore og Tyskland og om Den europeiske menneskerettighetsdomstolen (EMD).

– Det viser seg at man ofte kan predikere utfallet basert på en korrelasjon mellom forskjellige ord og utfallet fra en rekke tidligere saker, forteller han.

– En forsker har faktisk ordnet en nettside som hver dag predikerer utfallet i nye saker i EMD basert på pressemeldingen som kommer ut. 75 prosent viser seg å være riktig.

KI forenkler prosesser

Da Domstolkommisjonen leverte sin siste delrapport mot slutten av 2020 påpekte de at domstolene i landet har et betydelig teknologisk etterslep. Kommisjonen mener blant annet at ved hjelp av teknologi kan domstolenes myndighetsutøvelse i langt større grad enn i dag etterprøves av akademia, mediene og offentligheten.

– Hvis du om fem år sier at du ikke har brukt KI som beslutningsstøtte i en rettssak tror jeg du vil miste tillitt. Da vil ikke brukeren lenger ha tillitt til domstolsavgjørelsen, sa Sven Marius Urke, leder av DA til Juristen i desember.

I tiden fremover mener Malcolm Langford det viktigste er å se på hvordan maskinlære og digitalisering kan hjelpe domstolene til å forbedre og forenkle prosessene i rettssaker.

En rapport om domstolene i Norge, som Riksrevisjonen la frem høsten 2019, vurderte at det kan gå ut over rettssikkerhet, liv og helse at domstolene bruker for lang tid.

Langford og UiO har blant annet et prosjekt gående nå med DA og Norce hvor de estimerer saksbehandlingstid og hvor mye tid man bør sette av til den muntlige delen av en rettssak.

Et annet prosjekt jusforskeren jobber med om dagen er et digitalt verktøy for folk som ønsker å klage til Den europeiske menneskerettighetsdomstolen. I dag fungerer det slik at man på printe ut en PDF, fylle den ut og deretter sende den i posten til Strasbourg. Men bare 4-5% har deres klage vurdert siden mange ofte gjøre grunnleggende eller juridisk feil i søknaden.

Justbot, et samarbeid med Tech-R, som nærmer seg lansering, skal digitalisere prosessen og hjelpe folk underveis. Vi holder også med å publisere en artikkel med maskinlæringsalgoritmer som skal blant annet hjelpe deg å finne frem til hvilken bestemmelse i EMK du skal sitere.

Ideen om Justbot er inspirert av DoNotPay, som ble utviklet av Stanford-student Joshua Browder for å hjelpe kunder å klage på parkeringsbøter og forsinkede og innstilte fly. 

Robot som støtte

Malcolm Langford tror det vil dukke opp stadig flere verktøy og systemer som kan hjelpe, dommere, advokater, andre jurister og klienter, men da altså som støtte og ikke at de tar over hele jobben.

Han peker på at noen slike systemer har blitt veldig kontroversielle, spesielt i USA.

– Spesielt Compas, som måler straff eller risiko for mulig tilbakefall av kriminalitet har det vært mye diskusjon rundt. Det viste seg i noe forskning at selv om ikke hudfarge var lagt inn, brukte likevel algoritmen data som knytte deg til en spesiell gruppe, som for eksempel afroamerikanere, sier Langford.

Langford sier han ikke kjenner til veldig mange verktøy hvor dommerne er helt «off the loop», eller ikke med i prosessen i det hele tatt. I New Zealand har de et system hvor det er en robosaksbehandler som avgjør om du skal få forsikring i motorforsikringssaker i første instans.

Det finnes mange muligheter, men også mye risiko. Langford understreker at selv om kunstig intelligens i flere forsøk har vist seg å kunne predikere utfallet bedre enn jurister, så er dette snakk om i enkle saker.

– Det er vanskeligere å sette inn en robotdommer i mer kompliserte saker, spesielt hvis det er mye skjønn.

Hvordan det kan legges mer til rette for at kunstig intelligens kan bli et godt hjelpemiddel er noe det bør forskes mer på, mener professoren. Når lovene og reglene er enkle er det enklere å sette inn roboter, mens det fort blir mer utfordrende når det dreier seg med forholdsmessighetsvurderinger og mer vage bestemmelser.

– Detaljert lovskriving kan gjøre det enklere. I Norge overlater vi i praksis veldig mye til forskriftene og byråkrater, mens mye av norsk lov er ikke så detaljert, sier Langford.

I likhet med Domstolkommisjonen er Langford opptatt av mulighetene som ligger i saksbehandlingssystemet Lovisa, som i sin tid vant priser da det var nytt. Nå ligger det en stor mengde avgjørelser i systemet, men det finnes ikke gode nok løsninger til å hente ut informasjon.

– Lovisa er en gullgruve med tanke på utvikling av kunstig intelligens, sier Langford.

Akkurat nå er det en stor utfordring at du må vite saksnummeret når du leter etter en sak, og at det ikke finnes noe system for å hente ut og sammenfatte informasjon.

– Vi har vært flinke til å lagre data i domstolene i over 150 år, og et vil få mange positive ringvirkninger om vi kan hente ut informasjon på en bedre måte og dra nytte av den, sier Langford.