Classification of Decisions of the Court of Jurisdictional Disputes of Türkiye Using Machine Learning Methods

Year 2023, Volume: 28 Issue: 3, 947 - 961, 29.12.2023

Muhammed Burak Görentaş Taner Uçkan Nuran Bayram Arlı

https://doi.org/10.53433/yyufbed.1292275

Abstract

With the advancements in machine learning and natural language processing, studies have started to be conducted in the field of law, just like in every other field. Machine learning and natural language processing technologies have helped in automatically analyzing and classifying legal texts, enabling lawyers and judges to read and understand large amounts of legal text quickly. Additionally, these technologies have also started to be used in the decision-making process in law. They have been used to predict the outcomes of legal cases and evaluate possible outcomes. Furthermore, machine learning and natural language processing technologies have been used to analyze previous legal decisions and learn from them. This has enabled the analysis of previous decisions to make informed decisions on new cases. In this study, negative jurisdictional dispute cases of the Court of Jurisdictional Disputes of Turkey were divided into two categories: judicial and administrative, and an attempt was made to predict them. The court decisions, after undergoing data preprocessing using natural language processing techniques and feature extraction using TF-IDF, were translated into machine language. They were then classified using machine learning algorithms such as logistic regression, support vector machines, decision trees, and random forest algorithms.. The performance evaluations of the classification techniques used resulted in predicting court decisions with 87% accuracy rates. The study's results are seen to have positive outcomes for the scientific community and legal actors alike.

Keywords

Artificial intelligence, Artificial intelligence judge, Law, Machine Learning

Uyuşmazlık Mahkemesi Kararlarının Makine Öğrenmesi Yöntemleri ile Sınıflandırılması

Abstract

Makine öğrenmesi ve doğal dil işleme alanındaki gelişmelerle birlikte her alanda olduğu gibi hukuk alanında da çalışmalar yapılmaya başlanmıştır. Makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanındaki yazılı metinlerin otomatik olarak analiz edilmesine ve sınıflandırılmasına yardımcı olmuştur. Bu sayede, avukatların ve yargıçların büyük miktarda yasal metni hızlı bir şekilde okuyup anlamaları mümkün hale gelmiş ayrıca, makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanında karar verme sürecinde de kullanılmaya başlanmıştır. Bu teknolojiler, hukuk davalarının sonuçlarını tahmin etmek ve olası sonuçları değerlendirmek için kullanılmış bunun yanı sıra, makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanında daha önceki kararların analiz edilmesi ve bu kararlardan öğrenme yapılması için de kullanılmıştır. Bu sayede, benzer davalar için önceden verilmiş kararlar incelenerek yeni davalar için fikir yürütülebilir hale gelmiştir. Bu çalışmada da Uyuşmazlık Mahkemesinin olumsuz görev uyuşmazlığı davalarında vermiş olduğu kararlar adli ve idari olmak üzere iki sınıfa ayrılarak tahmin edilmeye çalışılmıştır. Doğal dil işleme yöntemleriyle veri ön işleme ve ardından TF-IDF öznitelik çıkarımı yapılan mahkeme kararları makine diline çevrilmiş ardından makine öğrenmesi algoritmalarından lojistik regresyon, destek vektör makineleri, karar ağaçları ve rassal orman algoritmalarıyla sınıflandırılmıştır. Kullanılan sınıflandırma tekniklerinin performans değerlendirmeleri yapılarak mahkeme kararları %87 oranında doğruluk değerleri ile tahmin edilmiştir. Çalışma sonuçlarının bilim dünyası ile birlikte hukuk aktörleri için de olumlu sonuçları olacağı görülmektedir.

Keywords

Hukuk, Makine öğrenmesi, Sanal yargıç, Yapay zeka

References

• Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207-216. doi:10.1145/170035.170072
• Aletras, N., Tsarapatsanis, D., Preoţiuc-Pietro, D., & Lampos, V. (2016). Predicting judicial decisions of the European court of human rights: A natural language processing perspective. PeerJ Computer Science, 2, e93. doi:10.7717/peerj-cs.93
• Ayata, F., & Çavuş, H. (2022). Yüz tanıma sistemlerinde kullanılan ESA, YGH-DVM ve DSA algoritmalarının performans testleri. Fırat Üniversitesi Fen Bilimleri Dergisi, 34(1), 39-48.
• Aydın, Ö. (2020). Mobbing içerikli yargı kararlarının makine öğrenmesi algoritmaları ile sınıflandırılması. (Yüksek Lisans Tezi), Balıkesir Üniversitesi Fen Bilimleri Enstitüsü, Balıkesir, Türkiye.
• Bayram Arlı, N. (2021). Çıkarımsal İstatistik. Bursa: Ezgi Kitabevi.
• Bayram Arlı, N., Barca, O., & Görentaş, M. B. (2022). Rassal Orman. Içinde N. Bayram Arlı, S. Gürsakal, & M. Engin (Ed.), Denetimli Makine Öğrenmesi Algoritmaları R ve Python Uygulamaları (1. bs, ss. 119-148). Ankara: Nobel.
• Bayram Arlı, N., Gürsakal, S., & Önay Koçoğlu, F. (2022). Denetimli Makine Öğrenmesi Algoritmalarına Giriş. Içinde N. Bayram Arlı, S. Gürsakal, & M. Engin (Ed.), Denetimli Makine Öğrenmesi Algoritmaları R ve Python Uygulamaları (1. bs, ss. 1-8). Ankara: Nobel.
• Bugday, M. S., Akcicek, M., Bingol, H., & Yildirim, M. (2023). Automatic diagnosis of ureteral stone and degree of hydronephrosis with proposed convolutional neural network, RelieF, and gradient‐weighted class activation mapping based deep hybrid model. International Journal of Imaging Systems and Technology, 33(2), 760-769. doi:10.1002/ima.22847
• Gürsakal, S., Barca, O., & Tütüncü, T. E. (2022). Lojistik Regresyon Analizi. Içinde N. Bayram Arlı, S. Gürsakal, & M. Engin (Ed.), Denetimli Makine Öğrenmesi Algorştmaları R ve Python Uygulamaları (1. bs, ss. 53-83). Ankara: Nobel.
• Ikonomakis, M., Kotsiantis, S., & Tampakas, V. (2005). Text classification using machine learning techniques. WSEAS Transactions on Computers, 4(8), 966-974.
• Kadhim, A. I. (2019). Survey on supervised machine learning techniques for automatic text classification. Artificial Intelligence Review, 52(1), 273-292. doi:10.1007/s10462-018-09677-1
• Kartal, E. (2022). Destek Vektör Makineleri - Sınıflandırma. Içinde N. Bayram Arlı, S. Gürsakal, & M. Engin (Ed.), Denetimli Makine Öğrenmesi Algoritmaları R ve Python Uygulamaları (1. bs, ss. 171-214). Ankara: Nobel.
• Katz, M. D., Bommarito, M. J., & Blackman, J. (2017). A general approach for predicting the behavior of the Supreme Court of the United States. PLoS ONE, 12(4). doi:10.1371/journal.pone.0174698
• Liu, Z., & Chen, H. (2017). A predictive performance comparison of machine learning models for judicial cases. 2017 IEEE Symposium Series on Computational Intelligence (SSCI), 1-6. doi:10.1109/SSCI.2017.8285436
• Medvedeva, M., Vols, M., & Wieling, M. (2020). Using machine learning to predict decisions of the European Court of Human Rights. Artificial Intelligence and Law, 28(2), 237-266. doi:10.1007/s10506-019-09255-y
• Medvedeva, M., Wieling, M., & Vols, M. (2023). Rethinking the field of automatic prediction of court decisions. Artificial Intelligence and Law, 31(1), 195-212. doi:10.1007/s10506-021-09306-3
• Mumcuoğlu, E., Öztürk, C. E., Ozaktas, H. M., & Koç, A. (2021). Natural language processing in law: Prediction of outcomes in the higher courts of Turkey. Information Processing and Management, 58(5), 102684. doi:10.1016/j.ipm.2021.102684
• Peng, F., Schuurmans, D., & Wang, S. (2004). Augmenting naive bayes classifiers with statistical language models. Information Retrieval, 7, 317-345. doi:10.1023/B:INRT.0000011209.19643.e2
• Sadiq, A. T., & Abdullah, S. M. (2012). Hybrid intelligent technique for text categorization. 2012 International Conference on Advanced Computer Science Applications and Technologies, ACSAT 2012, 238-245. doi:10.1109/ACSAT.2012.50
• Seyyarer, E., Ayata, F., Uçkan, T., & Karci, A. (2020). Derin öğrenmede kullanılan optimizasyon algoritmalarının uygulanması ve kıyaslanması. Computer Science, 5(2), 90-98.
• Tan, A.-H. (1999). Text Mining: The state of the art and the challenges. Proceedings of the PAKDD 1999 Workshop on Knowledge Disocovery From Advanced Databases, 8, 65-70.
• Tantuğ, A. C. (2016). Metin sınıflandırma. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(2).
• Uçkan, T., & Karcı, A. (2020). Extractive multi-document text summarization based on graph independent sets. Egyptian Informatics Journal, 21(3), 145-157. doi:10.1016/j.eij.2019.12.002
• Utgoff, P. E. (1989). Incremental induction of decision trees. Machine Learning, 4, 161-186. doi:10.1023/A:1022699900025
• Visentin, A., Nardotto, A., & Osullivan, B. (2019). Predicting judicial decisions: A statistically rigorous approach and a new ensemble classifier. International Conference on Tools with Artificial Intelligence, ICTAI, 1820-1824. doi:10.1109/ICTAI.2019.00275
• Yıldız, H. K., Gençtav, M., Usta, N., Diri, B., & Amasyalı, M. F. (2007). A new feature extraction method for text classification. 2007 IEEE 15th Signal Processing and Communication Applications, 1-4. doi:10.1109/SIU.2007.4298870
• Yildirim, M., Bingol, H., Cengil, E., Aslan, S., & Baykara, M. (2023). Automatic classification of particles in the urine sediment test with the developed artificial intelligence-based hybrid model. Diagnostics, 13(7), 1299. doi:10.3390/diagnostics13071299