L'intérêt en apprentissage machine pour étudier la causalité s'est considérablement accru ces dernières années. Cette approche est cependant encore peu répandue dans le domaine de l’intelligence artificielle (IA) et du droit. Elle devrait l'être. L'approche associative actuelle d’apprentissage machine révèle certaines limites que l'analyse causale peut surmonter. Cette thèse vise à découvrir si les modèles causaux peuvent être utilisés en IA et droit. Nous procédons à une brève revue sur le raisonnement et la causalité en science et en droit. Traditionnellement, les cadres normatifs du raisonnement étaient la logique et la rationalité, mais la théorie duale démontre que la prise de décision humaine dépend de nombreux facteurs qui défient la rationalité. À ce titre, des statistiques et des probabilités étaient nécessaires pour améliorer la prédiction des résultats décisionnels. En droit, les cadres de causalité ont été définis par des décisions historiques, mais la plupart des modèles d’aujourd’hui de l'IA et droit n'impliquent pas d'analyse causale. Nous fournissons un bref résumé de ces modèles, puis appliquons le langage structurel de Judea Pearl et les définitions Halpern-Pearl de la causalité pour modéliser quelques décisions juridiques canadiennes qui impliquent la causalité. Les résultats suggèrent qu'il est non seulement possible d'utiliser des modèles de causalité formels pour décrire les décisions juridiques, mais également utile car un schéma uniforme élimine l'ambiguïté. De plus, les cadres de causalité sont utiles pour promouvoir la responsabilisation et minimiser les biais. / The machine learning community’s interest in causality has significantly increased in recent years. This trend has not yet been made popular in AI & Law. It should be because the current associative ML approach reveals certain limitations that causal analysis may overcome. This research paper aims to discover whether formal causal frameworks can be used in AI & Law. We proceed with a brief account of scholarship on reasoning and causality in science and in law. Traditionally, normative frameworks for reasoning have been logic and rationality, but the dual theory has shown that human decision-making depends on many factors that defy rationality. As such, statistics and probability were called for to improve the prediction of decisional outcomes. In law, causal frameworks have been defined by landmark decisions but most of the AI & Law models today do not involve causal analysis. We provide a brief summary of these models and then attempt to apply Judea Pearl’s structural language and the Halpern-Pearl definitions of actual causality to model a few Canadian legal decisions that involve causality. Results suggest that it is not only possible to use formal causal models to describe legal decisions, but also useful because a uniform schema eliminates ambiguity. Also, causal frameworks are helpful in promoting accountability and minimizing biases.

L'intelligence artificielle est l'un des domaines les plus florissants et les plus passionnants de la recherche et de l'industrie. Au cours des dernières années, les approches utilisant l'apprentissage profond ont permis de nombreuses avancées dans divers domaines, notamment la vision par ordinateur, la traduction automatique, la reconnaissance et la génération d'images, ainsi que la compréhension et la génération de textes (tels que GPT-4). Dans cette thèse, je cherche à savoir si et comment l'intelligence artificielle peut être utilisée pour améliorer l'accès à la justice et à l'information juridique pour les justiciables. Le citoyen moyen est souvent dépassé et impuissant lorsqu'il est confronté à des problèmes juridiques. Il peut avoir du mal à comprendre comment la loi s'applique à sa situation et à utiliser le système juridique pour résoudre son problème, même s'il est conscient de ses droits. En conséquence, leurs problèmes restent irrésolus ou ils ne profitent pas des possibilités qui leur sont offertes. C'est pourquoi j'ai développé et mis en œuvre la méthodologie "JusticeBot", qui utilise l'IA pour aider les justiciables à résoudre leurs problèmes juridiques. Les outils qui en résultent utilisent une approche hybride de raisonnement basée sur des règles et des cas pour poser à l'utilisateur des questions pertinentes, analyser sa situation juridique et lui fournir des informations juridiques appropriées ainsi que des cas antérieurs similaires liés à son problème juridique particulier. L'utilisateur peut utiliser ces informations pour négocier une solution mutuellement acceptable ou pour naviguer dans le processus juridique ardu. JusticeBot est donc un outil d'intelligence augmentée, qui améliore le niveau de connaissance de l'utilisateur pour l'aider à résoudre ses problèmes juridiques. Je décris la méthodologie globale et la manière dont je l'ai mise en œuvre dans des outils logiciels, par exemple le "JusticeCreator", une interface permettant de créer et de mettre à jour les outils JusticeBot. Je présente également un outil JusticeBot déployé dans le domaine des litiges entre propriétaires et locataires, qui est accessible au public à l'adresse https://justicebot.ca. Cet outil a été utilisé plus de 17 000 fois et 86 % des utilisateurs ayant répondu à une enquête ont déclaré qu'ils recommanderaient le système à d'autres personnes. Je pense que JusticeBot peut contribuer à aider les individus à résoudre leurs problèmes juridiques, ainsi qu'à renforcer la confiance et l'identification aux institutions juridiques au niveau sociétal en améliorant l'accès à la justice et l'accès à l'information juridique pour le citoyen moyen. / Artificial intelligence is one of the most thriving and exciting areas in research and industry. Recently, approaches using deep learning have led to a number of breakthroughs in a range of areas, including computer vision, machine translation, image recognition and generation, and text understanding and generation (such as GPT-4). In this thesis, I investigate if and how artificial intelligence (AI) can be used to improve access to justice and access to legal information for laypeople, i.e. people without legal training. The average citizen is often overwhelmed and helpless when dealing with legal problems. They may struggle to understand how the law applies to their situation, and further have trouble using the judicial system to resolve their issue, even if they are aware of their rights. This results in their problems going unresolved or prevents them from benefiting from opportunities available to them. For this reason, I developed and implemented the “JusticeBot” methodology, which uses AI to support laypeople with their legal issues. The resulting tools use a hybrid rule-based and case-based reasoning approach to ask a user relevant questions, analyze their legal situation, and provide them with suitable legal information and similar previous cases related to their particular legal problem. They can use this information to negotiate a mutually agreeable solution, or to navigate the arduous legal process. Thus, JusticeBot is an augmented intelligence tool, enhancing the user’s knowledge level to help them solve their legal problems. I describe the overall methodology and how I implemented it into software tools, e.g. the “JusticeCreator”, an interface to create and update JusticeBot tools. I also elaborate on a deployed JusticeBot tool in the area of landlord-tenant disputes, which is accessible to the public at https://justicebot.ca. This tool has been used over 17k times, and 86% of users responding to a survey report that they would recommend the system to others. I believe that JusticeBot can contribute to helping individuals resolve their legal problems, as well as increasing trust in and identification with legal institutions on a societal level, by improving access to justice and access to legal information for the average citizen.