Empirical analysis of Binding Precedent efficiency in the Brazilian Supreme Court via Similar Case Retrieval

“Súmulas Vinculantes”是巴西法律系统中独特的司法工具，其目的包括保护联邦最高法院免受重复要求的影响。然而，对这些工具在减少法院面临类似案件方面的有效性的研究表明，它们往往在这个方向上失败，一些具有约束力的先例似乎会创建新的需求。我们通过对五个有约束力的先例（11、14、17、26和37）在最高法院层面上对它们所涉及的法律主题产生的影响进行实证评估。这种分析只有通过在它们创建之前比较法院关于先例主题的裁决才有可能，这意味着这些决定应该通过类似案例检索技术来检测。因此，本文的贡献有两个方面：在数学方面，我们比较了不同自然语言处理方法（TF-IDF、LSTM、BERT和regex）在类似案例检索中的使用，而在法律方面，我们将这些约束力先例的低效与一组可能证明它们重复使用的假设进行对比。我们观察到深度学习模型在特定的类似案例检索任务中表现显著较差，并且约束力先例不能有效地回应重复的需求的原因是多种多样的，具体情况因案而异，因此不可能单独确定一个具体的原因。

论文试图通过实证分析五个Súmulas Vinculantes的法律影响，探讨它们是否能够减少最高法院面对相似案件的数量，以及它们失败的原因。

论文使用自然语言处理技术比较了TF-IDF、LSTM、BERT和正则表达式等方法在相似案例检索方面的表现，并发现深度学习模型在该任务中表现较差。此外，论文还提出多种假设来解释为什么这些Súmulas Vinculantes无法减少相似案件的数量。

论文的亮点在于将自然语言处理技术应用于法律领域，提出了多种假设来解释Súmulas Vinculantes的失败原因。论文使用了自己构建的数据集，并提供了开源代码。

最近在这个领域中，一些相关的研究包括：'A survey of natural language processing techniques in legal domain'、'The Impact of Precedent on Legal Decision Making'等。