في دراسة مثيرة نُشرت مؤخرًا، تم اختبار فكرة دمج أدوات عدم اليقين، مثل الرسوم البيانية للدليل (evidence graphs) وآليات تحديث الاحتمالات البايزية (Bayesian odds updating)، لتعزيز قدرة الذكاء الاصطناعي على التنبؤ بنتائج القضايا القانونية. لقد تم تطبيق هذه الأدوات على 1000 حالة حقيقية من المحكمة الأوروبية لحقوق الإنسان، حيث سعت إلى التنبؤ ما إذا كانت المحكمة ستجد انتهاكًا للاتفاقية بناءً على فقرات الحقائق في القضايا.

تمت مقارنة ثلاث عائلات من النماذج على اثنين من نماذج اللغات الضخمة (Large Language Models) الرائدة، وهما Claude Opus 4.8 وGPT-5.5، لإجراء التقديرات المطلوبة. ومع ذلك، اتضح أن الدمج من خلال الأنابيب لم يقدم تحسينًا ملحوظًا في دقة النتائج مقارنة بالنماذج الأصلية.

الأهم من ذلك، وجدت الدراسة أنه في حالة التمييز، لم يُحسن دمج أدوات عدم اليقين من الأداء وهو ما يعد مخيّباً للآمال. فعلى سبيل المثال، أدت عملية دمج النماذج البايزية ودمج ديمبستر-شافر إلى زيادة خطأ المعايرة بشكل كبير، مما يشير إلى المزيد من المخاطر في الاستخدام.

ولم يكن التحذير موجودًا فقط؛ بل أثبت دمج أدوات ديمبستر-شافر عدم أمانه في السلاسل الطويلة، حيث انخفضت دقته إلى ما دون احتمال التصنيف العشوائي. ومع ذلك، أظهرت النتائج أن القيمة الحقيقية للأنظمة تتجلى في قدرتها على تحديد القضايا التي يمكن أتمتتها وأيها يجب تصعيدها.

بعد إزالة ديمبستر-شافر وإعادة المعايرة، أظهرت النتائج دقة تصل إلى 96.8% مع نسبة أخطاء هاربة تبلغ 0.5%، مما يعد تحسينًا كبيرًا مقارنة بالأساليب غير المعايرة.

الخلاصة هي أن الثقة المدروسة تمثل ربحًا أكبر في تطبيقات الذكاء الاصطناعي القانوني مقارنة بزيادة دقة التنبؤ.