LEAD Lab — Law, Empirics & Data Lab

Часть 2 📍 Когда японские алгоритмы встретились с Европейским судом по правам человека После того как исследователи научились строить графы знаний для японских судебных решений, они решили сделать следующий шаг — применить ту же модель к практике Европейского суда по правам человека. Казалось бы, судебное решение везде устроено одинаково: есть факты, есть право, есть вывод. Но оказалось, что всё гораздо сложнее. В японских судах логика решения обычно прописана очень явно. Суд формулирует правовую норму, объясняет её толкование и затем применяет её к обстоятельствам конкретного дела. А вот решения ЕСПЧ написаны иначе. Как рассказал докладчик, при попытке автоматически разметить решения выяснилось, что факты могут неожиданно «переезжать» в раздел правового анализа, а юридические аргументы — появляться ещё в описании обстоятельств дела. Более того, сами правовые нормы редко формулируются прямо. Они «спрятаны» в ссылках на предыдущие решения, общих принципах и тестах на применимость ЕСПЧ для дела. Получается следующее: даже если математическая модель хорошо работает в одной правовой системе, её нельзя просто перенести в другую. Алгоритму приходится заново учиться тому, как вообще устроено юридическое мышление в разных юрисдикциях. Во время вопросов из зала обсуждение неожиданно ушло в философию права. Один из участников заметил, что сама идея жёстко разделять «факты» и «нормы» вызывает сомнения. Он сослался на Бруно Латура (The Making of Law), где показано, что в судебной практике факты не существуют сами по себе — они постепенно конструируются в ходе юридического процесса. Поэтому то, что алгоритм считает «фактом», для юриста может оказаться уже результатом правовой квалификации. И, пожалуй, именно эта дискуссия оказалась самым интересным итогом доклада. Главный вызов для Legal AI — не в том, чтобы научить компьютер читать судебные решения. Гораздо сложнее научить его понимать, что такое юридическое рассуждение. Во время обсуждения мы спросили докладчика, что они делают, когда алгоритм обнаруживает неожиданную закономерность или аномалию в судебных решениях. Идут ли они к юристам за советом, проводят ли интервью или фокус-группы. Ответ оказался современным. Исследователь признался, что первым делом они… спрашивают ChatGPT. Конечно, не для того, чтобы получить «правильный ответ». Скорее, как интеллектуального собеседника. LLM помогает быстро предложить возможные объяснения, вспомнить похожие кейсы или сформулировать гипотезы, которые затем команда уже проверяет вручную по судебным решениям. И совсем бытовое наблюдение: авторы доклада вообще не специалисты, и Латура не читали. При ответе на вопрос о факте и норме Риохей Хизано быстро сделал запрос в телефоне, и отвечая сказал: ага я понял, о чем вы спросили - чат помог разобраться. #ESELS2026 #EmpiricalLegalStudies #LegalAI #ECHR #LEADLab

А вот постерский доклад команды, где вся механика их подхода описана схематично. Оригинал этого и других постеров счастливчики могут посмотреть у Екатерины Ходжаевой в гостях.

📍 И тут пришли математики... Продолжим рассказывать доклады той сессии. Авторы следующего доклада: Начальник лаборатории Риохей Хизано пока известный только в узких кругах, но очень скоро он станет звездой, вот увидите! и Харука Эзои (Haruka Ezoe), магистрантка - но как мы поняли, именно она – ключевые математические мозги этой команды в проекте. Коллеги Риохей и Харука начали с фразы, которая сразу вызвала улыбки в аудитории: «Мы вообще не юристы. Мы — computer scientists». И это сразу было заметно. Пока юристы десятилетиями спорят о толковании судебных решений, математики из Японии предложили посмотреть на них как на данные, которые можно описать математически. Их задача звучит почти фантастически: научить компьютер понимать структуру юридического рассуждения, а не просто читать текст. Для этого они строят knowledge graph — граф знаний. Каждое судебное решение разбивается на несколько базовых элементов: факты дела, применимые нормы, юридические аргументы и вывод суда. Затем между ними выстраиваются связи, превращая длинный текст судебного решения в формальную модель, пригодную для машинного анализа. Авторы специально отказались от слишком сложных юридических моделей. По словам докладчика, многие проекты Legal AI становятся настолько детализированными, что перестают работать на больших массивах судебных решений. Поэтому их задача состояла не в том, чтобы описать право «идеально», а в том, чтобы найти минимальную, но устойчивую модель юридического рассуждения. Но главным результатом исследования стали не сами алгоритмы, а сотрудничество между юристами и специалистами по компьютерным наукам. Как признался докладчик, только совместная работа позволила понять, какие элементы судебного решения действительно имеют юридическое значение, а какие важны лишь с точки зрения обработки текста. ➡️ А дальше команда решила проверить, можно ли перенести эту модель на практику Европейского суда по правам человека. И именно здесь начались настоящие сложности… #ESELS2026 #EmpiricalLegalStudies #LegalAI #KnowledgeGraphs #LEADLab

📍 Начинаем рассказывать о секционных докладах конференции European Society for Empirical Legal Studies. Именно на панелях часто появляются самые свежие идеи, ещё не вошедшие в учебники и обзорные статьи. Одним из последних докладов конференции стало исследование Живко Таушанова, который попытался ответить на вопрос: можно ли заранее предсказать, какие решения Европейского суда по правам человека станут прецедентными? Для анализа была собрана впечатляющая база данных. Исследователи взяли решения ЕСПЧ, извлекли из них около 267 тысяч судебных цитирований и проследили, как менялась их судьба спустя десять лет. Затем они сопоставили это с тем, какие дела сам Суд впоследствии обозначил как Key Cases. Авторы выяснили, что некоторые признаки действительно связаны с будущей значимостью дела. Наиболее вероятно стать «ключевыми» у решений Большой палаты, дел с отдельными мнениями судей, устными слушаниями и активным участием третьих лиц. Однако всё это становится известно уже во время рассмотрения дела, а не в момент поступления жалобы в Суд. Гораздо интереснее получились результаты, когда исследователи попытались предсказать будущую значимость, используя только информацию, которая известна на момент подачи жалобы: государство-ответчик, статьи Конвенции, категория нарушенного права и другие характеристики. Оказалось таких данных недостаточно. Модель объясняет лишь небольшую часть будущей «важности» дела. Иными словами, судебная значимость не заложена в жалобе заранее. Она во многом формируется уже в процессе судебного разбирательства — благодаря тому, что происходит внутри самого Суда. И ещё один любопытный вывод. Наиболее часто «ключевыми» становились дела о свободе выражения мнения, политических правах и дискриминации. А вот, например, дела о праве на справедливое судебное разбирательство значительно реже попадали в число наиболее влиятельных решений. Во время обсуждения прозвучал и вопрос из зала (и снова от коллеги нашей Ходжаевой, которая собственно с такими адвокатами, делающими case law в ЕСПЧ давно дружит): а не стоит ли искать объяснение не только в характеристиках самих дел, но и в стратегиях адвокатов, которые последовательно формируют практику ЕСПЧ? Докладчик признал, что это одно из самых перспективных направлений дальнейшей работы. Пока модель почти ничего не знает о людях, которые стоят за делами, хотя именно профессиональные сообщества юристов могут играть важную роль в появлении будущих «ключевых» решений. #ESELS2026 #EmpiricalLegalStudies #ECHR #LEADLab

📍 Завершаем серию репортажей о пленарных сессиях конференции European Society for Empirical Legal Studies. Финальная пленарная дискуссия была посвящена будущему эмпирического правоведения. На сцене собрались исследователи из Европы, США, Бразилии, Израиля и Японии. И хотя разговор начинался с искусственного интеллекта, больших данных и новых методов, довольно быстро стало понятно: не это сегодня главный вопрос. Почти все участники панели говорили об одном и том же. Эмпирическое правоведение переживает период методологической зрелости. Мы научились работать с большими данными, машинным обучением, экспериментами, интервью и смешанными методами. Но одновременно возникает новый риск — мы начинаем оценивать исследования по сложности метода, а не по значимости юридического вопроса, на который этот метод помогает ответить. Очень точно это сформулировала представительница Бразилии. По её словам, раньше исследователи спрашивали: «Что социальные науки могут рассказать нам о праве?» Сегодня вопрос звучит иначе: «На каких доказательствах должно строиться само право?» Именно этот переход — от демонстрации методов к поиску действительно важных юридических вопросов — многие участники назвали главным вызовом следующего десятилетия. Для нас это, пожалуй, главный вывод всей конференции. Эмпирические методы перестают быть самоцелью. Их ценность определяется не тем, насколько они сложны, а тем, помогают ли они лучше понимать право. Ещё один важный сюжет прозвучал в выступлении представителя Японии. По его словам, в японских университетах эмпирическими исследованиями права всё чаще занимаются не юристы, а молодые специалисты по computer science и обработке естественного языка. Для них право становится новым полем применения вычислительных методов. Но именно поэтому международное сотрудничество приобретает особое значение: компьютерные специалисты приносят новые инструменты, а юристы — понимание правовых институтов и исследовательских вопросов. Такой союз, по мнению докладчика, становится необходимым условием развития empirical legal studies в ближайшие годы. Про работу этой японской команды будет продолжение! #ESELS2026 #EmpiricalLegalStudies #LEADLab

📍 После пленарной лекции Петера Грайцля было живое обсуждение. Один из вопросов из зала: «Если мы видим, что какая-то юридическая тема со временем почти исчезает из судебных решений, означает ли это, что она потеряла значение?» Ответ Грайцля внезапно был «Совсем наоборот». Он предложил представить распространение юридических идей как распространение эпидемии. Когда появляется новая идея — например, обязательность судебного прецедента или новые принципы финансового права, — судьи начинают активно ее обсуждать. Частота соответствующих тем в судебных решениях быстро растет. Но затем происходит переломный момент. Идея становится настолько привычной, что перестает нуждаться в объяснении. Она превращается в само собой разумеющееся правило. После этого число упоминаний начинает снижаться. То есть падение частоты вовсе не означает исчезновение идеи. Напротив, оно может означать ее полную победу. Именно эта мысль, по словам Грайцля, заставила его команду полностью изменить интерпретацию результатов машинного анализа текстов. Вместо того чтобы считать частоту упоминаний показателем важности темы, исследователи начали рассматривать ее как показатель жизненного цикла юридической идеи. Это сразу привело к нескольким открытиям. Например, анализ показал, что многие институты английского финансового права начали активно развиваться еще до Славной революции 1688 года, хотя классическая литература обычно связывает финансовую революцию именно с этим политическим событием. Другой пример касается судебного прецедента. Благодаря анализу огромного корпуса судебных решений исследователи смогли количественно показать, когда именно идея обязательности прецедента перестала быть предметом обсуждения и стала естественной частью английского права. #ESELS2026 #EmpiricalLegalStudies #LegalHistory #MachineLearning #LEADLab

📍 Продолжаем репортажи с конференции European Society for Empirical Legal Studies в Любляне. Если в предыдущем посте речь шла о том, как юридическое мышление Фрэнсиса Бэкона и Эдварда Кока могло повлиять на становление европейского эмпиризма, то дальше Петер Грайцль перешел к главному вопросу своего доклада: что именно большие языковые модели меняют в исследовании истории права? До недавнего времени юридическая история была, по сути, историей отдельных «великих дел». Не потому, что историки не хотели изучать больше, а потому что это было физически невозможно. Корпус английской судебной практики XVI–XIX веков насчитывает около 120 тысяч судебных решений — более 170 миллионов слов. Ни один исследователь не способен прочитать такой массив. По мнению Грайцля, именно здесь начинается настоящая исследовательская революция. Машинное обучение и большие языковые модели позволяют работать не с отдельными прецедентами, а со всей историей судебной практики одновременно. Судебные решения становятся не просто текстами, а данными, из которых можно увидеть, как рождаются новые юридические идеи, как они распространяются, меняют язык права и постепенно становятся настолько привычными, что перестают даже обсуждаться. Искусственный интеллект меняет не только инструменты, но и саму логику исследования. Вместо привычной схемы «сначала теория — потом проверка гипотезы» появляется возможность двигаться наоборот: сначала анализировать огромный корпус текстов, обнаруживать неожиданные закономерности с помощью машинного обучения и уже затем формулировать новые исследовательские вопросы и объяснения. По сути, речь идет о возвращении к индуктивному способу производства знания — но уже на совершенно новом технологическом уровне. Пожалуй, главный вывод доклада можно сформулировать так: большие языковые модели нужны не для того, чтобы писать статьи вместо исследователей. Они позволяют увидеть закономерности, которые раньше были просто скрыты масштабом материала. И в этом смысле искусственный интеллект становится не инструментом автоматизации науки, а инструментом научного открытия. #ESELS2026 #EmpiricalLegalStudies #LegalHistory #AI #LEADLab

📍 Продолжаем репортажи с конференции European Society for Empirical Legal Studies в Любляне. Второй пленарный доклад оказался еще более неожиданным и супервеселым. Он был не о современных алгоритмах и даже не о праве, а о том, как большие языковые модели меняют наше понимание истории права. Экономист Петер Грайцль начал с двух фигур, без которых невозможно представить английскую правовую традицию: Фрэнсиса Бэкона и Эдварда Кока (Edward Coke). Бэкон известен как отец современного эмпиризма. Именно ему приписывают идею, что знание должно строиться на наблюдении и опыте, а не только на логических рассуждениях. Кок — один из самых влиятельных английских юристов, сформировавший основы общего права. Традиционно считается, что именно Бэкон изменил европейское мышление и стал родоначальником новой научной культуры. Но Грайцль предложил посмотреть на эту историю иначе. Вместо того чтобы читать отдельные произведения, его команда с помощью методов машинного обучения проанализировала весь корпус текстов Бэкона и Кока. Оказалось, что размышления Бэкона о научном познании гораздо теснее связаны с его юридическими текстами, чем принято считать. Более того, и Бэкон, и Кок рассуждали удивительно похожим образом: они двигались от частных случаев к общим правилам. То есть использовали индукцию задолго до того, как она стала основой современной науки. Получается красивая гипотеза: возможно, английская философия эмпирического знания выросла не только из науки, но и из повседневной практики английских судов. И если это так, то история права оказывается гораздо важнее для понимания развития современной науки, чем принято думать. #ESELS2026 #EmpiricalLegalStudies #LegalHistory #LEADLab

Какое отношение к истории права имеют бекон и кола (по-американски coke)?

Середина недели неплохое время для загадок: (ответ будет в пятницу)

📍 После пленарной лекции Джонатана Клика самым интересным оказалось обсуждение. Казалось бы, доклад был посвящен искусственному интеллекту. Но вопросы из зала довольно быстро ушли в другую сторону. По сути, аудитория пыталась понять: если ИИ действительно сможет выполнять большую часть технической работы, что тогда останется исследователю? Ответ Клика оказался неожиданным. Он сказал, что мы вообще слишком долго переоценивали значение техники. Еще двадцать лет назад хороший эмпирический исследователь был прежде всего человеком, который умел программировать, писать сложный код и запускать вычисления. Сегодня эти навыки становятся все дешевле. Но это вовсе не означает, что исследователь становится менее ценным. Просто ценность смещается в другое - а конкретно в методологию. Клик привел несколько классических примеров из современной эконометрики — инструментальные переменные, synthetic control, difference-in-differences — и показал, что ни один из самых популярных методов не избавляет исследователя от необходимости принимать решения. Статистические тесты помогают, но они никогда не отвечают на главный вопрос: действительно ли этот случай сопоставим с другим? Можно ли считать этот инструмент правдоподобным? Не является ли красивый результат следствием случайного совпадения? Именно поэтому, по его словам, не существует исследования без предположений. Каким бы совершенным ни был алгоритм, в какой-то момент исследователь все равно должен опираться на собственное понимание институтов, права и социального контекста. В этом смысле искусственный интеллект не отменяет исследовательское суждение — он лишь делает его более заметным. И, пожалуй, именно эта мысль вызвала наибольший отклик в зале. Вместо разговора о том, как ИИ заменит ученых, участники конференции обсуждали совсем другой вопрос: как изменится сама профессия исследователя, если технические навыки перестанут быть ее главным конкурентным преимуществом? #ESELS2026 #EmpiricalLegalStudies #AI #LEADLab #дискуссия

📍 Начинаем репортажи из Любляны. Через несколько недель после конференции Law & Society Association, в Любляне прошла ежегодная конференция European Society for Empirical Legal Studies (ESELS) — пожалуй, главная европейская площадка для исследователей, работающих с эмпирическими методами в праве. В программе этого года — более 120 докладов и исследователи со всего мира. Здесь не встретишь исключительно качественных исследований: конференция традиционно объединяет тех, кто использует количественные методы, эксперименты, вычислительные подходы и смешанный дизайн исследований. Открывал конференцию Джонатан Клик (University of Pennsylvania). И его пленарный доклад оказался вовсе не о праве. Он был о том, останется ли исследователь нужен в эпоху искусственного интеллекта. Клик начал с исторического экскурса. Он напомнил, что двадцать пять лет назад большая часть времени эмпирического исследователя уходила не на размышления о праве, а на техническую работу. Данные приходилось собирать и очищать вручную, модели — программировать практически с нуля, а результаты вычислений ждать часами или даже днями. Сегодня многое из этого стало автоматизированным, и очередной технологический скачок, связанный с ИИ, снова вызывает привычный страх: если машина умеет писать код, анализировать данные и строить модели, останется ли место для человека? Ответ Клика оказался неожиданно оптимистичным. Он напомнил, что подобные опасения сопровождали практически каждую технологическую революцию — от промышленной до компьютерной. Каждый раз машины забирали на себя рутинную работу, но это не делало людей менее востребованными. Напротив, освобождало время для более сложных задач. То же, по его мнению, происходит и сейчас. Если технические навыки постепенно становятся дешевле благодаря ИИ, то возрастает ценность того, что машина пока не умеет делать: понимать институты, замечать хорошие исследовательские вопросы, видеть причинные связи там, где их не видно из данных, и, наконец, выносить исследовательское суждение. Именно judgment, способность принимать обоснованные решения в условиях неопределенности, Клик назвал главным профессиональным навыком исследователя будущего. И, пожалуй, самая сильная мысль его выступления прозвучала в самом конце. Последние двадцать лет эмпирическая наука часто выбирала не самые важные вопросы, а те, на которые было проще ответить с помощью имеющихся данных и методов. Возможно, искусственный интеллект впервые дает исследователям шанс вернуться к действительно большим вопросам — потому что значительную часть технической работы теперь можно доверить машине.

Время отпусков и хочется некоторой легкости, но помните, что модный приговор может поджидать вас в неожиданном месте. https://t.me/pravo_a_la_russe/409