走向可解释的裁决方差：通过门控多任务学习量化司法自由裁量权

法律结果预测必须将客观案件事实与判决背景分开。择优裁决依赖于事实证据，而技术处置可能取决于司法自由裁量权。我们提出了一种法官感知门控多任务学习架构，明确地模拟了这种区别。我们引入了细粒度的结果分类法来监督编码器，强制执行结构正则化，以解开不同的语义路径。这种精细的法律课程使我们的门控融合机制能够动态调节对法官身份的依赖。我们根据英国就业法庭的 13,937 项裁决评估了我们的方法。我们将我们的设计与 Gemma-4 26B-A4B 主干的监督 微调 (SFT) 进行基准测试，其中判断身份和分类法作为提示标记或自回归输出目标注入。当被迫通过单个自回归通道时，这两个上下文信号仅微弱地组合。相比之下，将适应 LoRA 的 Gemma-4 编码器与我们的门控架构相结合，定义了该基准的新技术水平，同时需要比生成 SFT 基线少一个数量级的可训练参数，增益集中在最模糊和最罕见的结果类别上。除了准确性之外，该架构还具有可解释性；学习的法官嵌入和校准配置文件定位了判决上下文驱动预测的案例。这些结果表明，对于法律结果的身份条件分类，条件接口的选择在规模上占主导地位：可微分的结构化组合比基于提示的组合在更大的主干上产生更准确、参数更有效的模型。