吾人延續電腦簡易刑事判決技術的研究經驗，以有詞序的關鍵詞做為文件的主要特徵，以instance-based reasoning為核心，並結合其它的推論方法，建立一個混合型的案例式推論系統，來分類賭博以及竊盜的刑事案件。此系統以訓練用案件建立判例資料庫；以introspective learning處理機器學習過程中，對不相干和不正確特徵敏感的問題；以訓練過程中的紀錄，過濾判例資料庫中容易造成錯誤分類的instances；最後還導入專家知識建立法則，幫助案件的分類。實驗結果顯示，新的分類方法在竊盜案件上有良好的表現。 為了幫助未來其它的案件之處理工作，本論文還提出一個自動標記賭博案件語意段落的方法，以朝結構化案件的目標前進。該方法根據關鍵詞特徵建立每種段落的模型，包括起始句與結尾句的規則，再根據段落模型自動標記出段落。實驗結果顯示，語意段落的自動標記值得以其它案由的案件進行嘗試。

我們以機器學習(Machine Learning)的方法，建立rule-based與case-based的instances，再藉由這些 instances來判斷起訴書的案由和法條，其最好的正確率只比人工建立的rules與cases所判斷的結果低7%而已。由於在我們最基本的方法中，一個判例就會被建立成一個instance，如此，我們將需要大量的空間來儲存instances，針對這個問題，我們也提出了instances clustering與刪除部份較不重要詞這兩個方法，來降低instances所佔的空間，經過簡化的系統的正確率不但與原本未刪減instances時差不多，還可以減少將近一半左右的儲存空間；而且如果我們將這兩個刪減instances的方法混合使用，甚致可以找到一個更好的解，不但能些微提升正確率，還可以把儲存instances所需的空間，降低為原本的四分之一左右。 / I apply machine learning techniques to constructing rule-based and case-based reasoning systems. These systems determine the prosecution reasons and applicable articles of lawsuits, and may achieve an accuracy that is just 7% lower than that achieved by a manually-built system. The baseline method constructs one instance for each prior lawsuit, so it takes much space to store all instances. To reduce the storage space, I propose two methods – clustering instance and removing some less important words in instances. The effects of these methods not only maintain the original accuracy, but also reduce the storage space by half. When I integrated all proposed methods, I can even improve the accuracy slightly and reduce the storage space by three quarters.