本文探讨了信任的罪名预测模型应该考虑法律理论，并提出了三个原则：敏感、选择性和推定无罪。作者设计了一个新的框架来评估现有的罪名预测模型是否学习了法律理论。结果表明，虽然现有的罪名预测模型在基准数据集上满足选择性原则，但它们大多数仍不够敏感，且不符合推定无罪的原则。

Oct, 2022

通过使用刑法条文的定义，基于刑法条款中的正式术语来解决不同罪案之间表达差异的问题，用于辅助法律助手系统中的罪案预测技术，并使用集成的句子和单词级别的注意机制来创建辅助事实表示。实验结果表明，我们的模型在类别数据有限的情况下，有望显著提高辅助系统的预测性能。

Nov, 2019

本文提出了一种名为 LADAN 的端到端模型，用于自动预测法律案例的判决结果，并通过图神经网络和注意机制来解决类似法律条款混淆的问题，实现在不同法律系统中的应用。

Apr, 2020

该研究通过提出一种基于标签的 Seq2Seq 模型，旨在从刑事案件的事实描述中生成法庭观点，以提高刑事指控预测系统的可解释性和帮助自动生成法律文件。

Feb, 2018

本文发布了一个新的英文司法判决预测数据集，通过使用各种神经模型对该数据集进行评估，建立了强大的基准线，并探索了模型是否会受到人口统计信息的偏见影响。作为一个附带产品，我们提出了 BERT 的分层版本，绕过 BERT 的长度限制。

Jun, 2019

利用 NLP、AI 和法律领域的结合，本研究利用 AI 分类器来预测巴西法律系统中二级谋杀案和主动贪污案的司法结果，并发现分层注意网络是最好的算法之一，可用于找出用于证明被告无罪或有罪的最重要单词。

Jul, 2022

本文提出了基于 MoCo 的有监督对比学习方法，通过预训练数值模型提取刑事金额以提高案件描述的表征，解决了刑事案件分类中的混淆问题和量刑预测问题。实验结果证明该方法在公共基准测试中具有新的领先水平。

Nov, 2022

该论文将欧洲人权法院的法律判决预测转化为一种基于文章的分类任务，并通过领域自适应方法提高零样本转移性能。实验表明这种基于文章的架构优于直接的事实分类，并发现领域自适应方法可以提高性能。

Feb, 2023

本文在考虑高风险决策领域如何利用深度学习解决实际问题的情况下，设计了一个法律引用预测任务，利用先例和立法规定为参考，引入用户反馈并且添加可解释性，最终达到了律师使用的决策参数，并建立在最先进的法律语言处理模型和实际社会影响的关键考虑上。

May, 2023

本文提出了一种基于多角度双向反馈网络和词语搭配注意力机制的法律判决预测方法，以拓扑结构作为多个子任务的依赖关系，通过充分利用它们之间的结果依赖关系来解决现有方法在多个子任务之间的效率低下和相似描述但不同刑罚的问题，并在所有预测任务上显著提高了模型效果。

May, 2019