近年来,作为能够有效帮助法官提高工作效率、切实简化司法流程的自动化法律判决预测成为司法人工智能的重要研究方向。自动化法律判决预测旨在将自然语言处理技术应用于司法数据,根据输入案件的案情描述,自动预测被告人的罪名、刑期以及与本案相关的法条和类似案件等。不仅能为司法工作人员提供专业的法律建议,也能为非专业但有需要的人士提供高效廉价的法律咨询服务。关于自动化法律判决预测,以往多数研究不考虑任务之间的内在逻辑,将多个任务分开单独考察。由于忽略了任务间的相关性,与人为裁判过程大相径庭,导致同一案件预测出的判决结果是被割裂甚至是矛盾的,从而缺乏足够的可解释性,在实际应用中遇到了重重阻碍。考虑到这个缺陷,这些模型均不在本课题的研究之列。本课题以判决预测的多任务联合模型为研究对象,多任务联合模型以任务之间的相关关系为基础,在同一模型中考察判决预测的多个任务,模拟人为裁判过程。本文考察的法律判决预测任务包括:相关法条推荐、罪名预测和刑期预测,即根据给出的案情描述,相继预测相关法条、被告人的罪名与刑期。实验的研究数据仅限于刑事案件,且每个刑事案件仅有一个被告人和一个罪名。本课题以2018年中国法研杯(CAIL2018)的部分数据为测试数据,对比多种判决预测多任务联合模型的实验效果,并根据任务间的影响方向对多种模型进行分类研究。此外,结合2种模型优势,本文提出新模型——融入法条关键词的MPBFN-WCA模型。实验结果表明,双向反馈的多任务模型在3个判决任务上的多数指标优于单向反馈的多任务模型,新模型在法条推荐和罪名预测方面效果略优于原始MPBFN-WCA模型,在刑期预测上没有表现出显著的优势。