Εντοπισμός διατακτικού σε μια δικαστική απόφαση με χρήση τεχνικών μηχανικής μάθησης

Abstract

Στην παρούσα διπλωματική εργασία διερευνάται το ζήτημα της πρόβλεψης δικαστικών αποφάσεων μέσω τεχνικών μηχανικής μάθησης και επεξεργασίας φυσικής γλώσσας (NLP). Αρχικά, πραγματοποιήθηκε εκτενής επισκόπηση της σχετικής βιβλιογραφίας, καθώς και συλλογή και ανάλυση ενός συνόλου δεδομένων που δημιουργήθηκε στο πλαίσιο της έρευνας, το οποίο περιλαμβάνει αποφάσεις του Αρείου Πάγου και του Εφετείου Πειραιώς. Στη συνέχεια, εφαρμόστηκαν διαδικασίες προεπεξεργασίας κειμένου, όπως καθαρισμός δεδομένων, μετατροπή τους σε αριθμητικές αναπαραστάσεις με την τεχνική TF-IDF καθώς και επισημείωση των αποφάσεων ως αποδοχή ή απόρριψη.

Ακολούθως, προσδιορίστηκε και περιγράφηκε αναλυτικά η μεθοδολογία εκπαίδευσης μοντέλων μηχανικής μάθησης για την πρόβλεψη δικαστικών αποφάσεων, ενώ παράλληλα εξετάστηκε η διαδικασία βελτιστοποίησης των υπερπαραμέτρων τους. Στο πειραματικό μέρος, πραγματοποιήθηκε εκτενής αξιολόγηση διαφόρων μοντέλων ταξινόμησης, αναδεικνύοντας τη σημασία της ποιοτικής προεπεξεργασίας των δεδομένων και της σωστής επιλογής υπερπαραμέτρων για τη βελτιστοποίηση της απόδοσης. Τα αποτελέσματα των πειραμάτων κατέδειξαν τον Random Forest και τον XGBoost ως τους πιο αποδοτικούς ταξινομητές, καθώς παρουσίασαν υψηλές τιμές Precision, Recall και F1-Score, διασφαλίζοντας σταθερότητα και αξιοπιστία στις προβλέψεις.