Déterminer si une demande juridique est acceptée à l'aide d'arguments énoncés par un juge est une tâche importante dans l'analyse de décisions de justice. L'application de techniques modernes d'apprentissage automatique peut toutefois s'avérer inappropriée pour résoudre ce type de problème car dans le domaine juridique, les jeux de données étiquetés sont le plus souvent de très petite taille, rares, et coûteux à construire. Cet article présente un modèle d'apprentissage profond et une méthodologie pour résoudre des tâches de classification en traitement du langage avec peu d'exemples étiquetés. Nous montrons en particulier que le fait de combiner un apprentissage one-shot avec des réseaux de neurones récurrents et un mécanisme d'attention permet d'obtenir des modèles performants. Les résultats présentés portent sur le traitement de plusieurs catégories de réclamations devant les tribunaux français et par le biais de différents processus de vectorisation pour la représentation des phrases.