随着司法体制的深化改革在国家政策层面铺展开来,运用机器学习、人工智能技术的司法判决预测（Legal Judgment Prediction,LJP）逐渐成为实现司法智能化的重要环节。从全国司法系统来看,各地纷纷出现的自助判案系统与云法官系统等智慧司法技术慢慢的被纳入司法审判活动中,先进技术与司法实践活动的紧密结合,不仅对智能技术的迭代更新、发展引领具有推动作用,而且将大大减轻司法实践活动中案件数量与专业法律人士实际数量不足之间的矛盾冲突;同时对司法活动各阶段实现智能化,体现司法审判活动客观公正的价值追求极具意义。但在实际应用中,司法判决预测往往会存在以下问题:1)文本数据集不均衡导致预测效果差;2)案情描述文本长,导致长距离依赖问题;3)忽视了在判决结果中的事实认定信息,对于机器而言会导致误判;4)提出的模型缺乏可解释性,没有说服力。基于上述问题,本文首先以机器学习模型为技术支撑,面向司法大数据,针对法律判决预测中罪名预测、法条预测、刑期预测三项子任务,提出了一种基于多任务联合的判决预测模型Law MIT,该模型通过将罪名预测、法条预测以及刑期预测三个子任务联合在一起作为文本分类任务进行研究。在该模型中以词嵌入法实现文本嵌入,以文本卷积实现信息预编码,以Transformer和DAN作为主编码器分别进行编码,对编码后的向量基于注意力权重进行计算,然后通过Attention机制对计算后的向量进行信息分离,从而获得包含差异信息的三个子任务向量;为了进一步提高模型的预测效率,针对智能司法三项预测子任务,分别对相关联的法条、罪名以及刑期关键信息进行编码,并将编码后的向量与子任务对应向量相加,最后输入分类器进行最终预测。通过在CAIL2018-small数据上的实验结果,表明Law MIT多任务联合模型在法条、罪名、刑期预测上准确率分别为90.3%、94.9%、58.1%,预测准确率较目前常见的司法判决预测模型均有一定的提高,证明了Law MIT模型在智能司法判案场景下应用的可行性。其次,为了进一步提升判决预测模型Law MIT的有效性与可行度,本文针对目前机器学习模型普遍存在的“黑盒效应”展开可解释性研究。本文调研了目前常见的可解释性方法,综合考虑之后采取从事后解释的角度出发,以Law MIT在数据集CAIL2018-small中的预测结果进行分析,采用LIME的事后可解释性方法,通过在模型输入数据上进行轻微的扰动,以获取新的扰动数据集,然后以扰动数据集去探测黑盒模型的输出发生何种变化,并通过可解释的稀疏线性模型去模拟黑盒模型的决策,从而实现智能司法判决预测中单个案例的解释说明。同时,为了保证随机扰动在法律案例数据集产生一致的效果,本文在LIME上设置了初始随机值,这样即使模型在面对同一输入的情况下,其生成的扰动效果也是相同的,从而形成相应的数据集,避免了LIME对于判决预测模型解释结果的不可复现性。最后,文中以可视化的方式展示了随机实例中文本特征对于样本预测结果的影响,并针对单个实例对实验结果进行了探讨与分析,进一步增强了模型的可信度。