La disputa laboral es una de las disputas civiles más comunes. Puede resolverse en el orden de los siguientes pasos, que incluyen mediación en arbitraje, laudo arbitral, mediación de primera instancia, sentencia de primera instancia y sentencia de segunda instancia. El proceso puede detenerse en cualquier paso cuando se resuelve con éxito. En los últimos años, debido al creciente conocimiento de los derechos de los empleados, el número de disputas laborales ha aumentado anualmente. Sin embargo, resolver disputas laborales es un proceso que consume tiempo y recursos, lo que supone una carga pesada para los empleados e instituciones de resolución de disputas. Utilizar algoritmos de inteligencia artificial para identificar y predecir el camino crítico de resolución de disputas laborales es útil para ahorrar recursos, mejorar la eficiencia y reducir el costo de la resolución de disputas. En este estudio, se aplica un enfoque de aprendizaje automático basado en Explicaciones Aditivas de Shapley (SHAP) y una estrategia de votación suave para predecir el camino crítico de resolución de disputas laborales. Llamamos a nuestro enfoque LDMLSV (que significa Aprendizaje Automático de Disputas Laborales basado en Explicaciones Aditivas de Shapley y Votación). Este enfoque emplea tres modelos de aprendizaje automático (Random Forest, Extra Trees y CatBoost) y luego los integra utilizando una estrategia de votación suave. Además, SHAP se utiliza para explicar el modelo y analizar la contribución de las características. Basándonos en la clasificación de la importancia de las características obtenida de SHAP y un método de selección de características incremental, obtuvimos un subconjunto óptimo de características que comprende 33 características. LDMLSV logra una precisión del 0.90 en este subconjunto óptimo de características. Por lo tanto, el enfoque propuesto es un método altamente efectivo para predecir el camino crítico de resolución de disputas laborales.