May, 2018

CLAUDETTE：在线服务条款中潜在不公平条款的自动检测器

PDF
TL;DR研究表明，采用机器学习技术来自动检测在线平台服务条款中存在可能不公平的条款，能为律师和消费者提供有价值的工具。
发现论文，激发创造
  • 不公平的服务条款：使用定制的 BERT 的自动化方法

    通过 Fine-tuning BERT 与 SVC 的集成，本研究论文展示了对 ToS 文件中不公平条款的最新技术结果，展示了 0.922 的不公平条款检测宏 F1 得分，并在每个标签的不公平条款分类中也表现出卓越的性能。同时，通过回答关于所使用的 Transformer 模型的研究问题进行了比较分析。

    Jan, 2024

  • 针对不公平 ToS 条款检测的攻击：一个使用通用对抗性触发器的案例研究

    本文研究证明基于 Transformer 的服务条款分析系统容易受到对抗攻击，微小的文本扰动可以显著降低检测性能。此外，人类评估研究表明触发器的自然性对欺骗读者至关重要。

    Nov, 2022

  • 不同意见

    介绍了一种机器学习技术，用于自动解析和总结用户友好的方式中的重要信息，以便用户在提交协议之前考虑。

    Sep, 2023

  • 条款与条件合同中相关条款的注释与分类

    该研究使用新的注释方案，将条款与条件合同中的不同类型从句子进行分类，旨在帮助法律专家快速识别和评估此类型法律文件中的问题。研究结果表明，通过在多语言 T5 和两种意大利 BERT 模型上进行少样本预训练，可以实现对分类的自动化，精度在 0.79 到 0.95 之间。

    Feb, 2024

  • 揭开晦涩法律用语的面纱：自动化方法用于隐私政策和服务条款的摘要和重叠分析

    我们的研究致力于通过开发语言模型来为合同和政策文件提供自动化、易于理解的摘要和分数，以增强用户理解，促进知情决策。我们在数据集上比较了基于 Transformer 和传统模型，RoBERTa 整体表现更好，达到了 0.74 的 F1 分数。利用我们表现最佳的模型 RoBERTa，我们通过识别 GDPR 文件的重叠部分突出了冗余和潜在的指导方针违规情况，强调了对更严格 GDPR 合规性的必要性。

    Apr, 2024

  • 合同的简明英文概述

    该研究旨在以简单易懂的语言对单方面合同，如使用条款等，进行摘要，以帮助用户更好地理解他们正在接受的条款，并呼吁资源和技术的开发以简化和转换法律语言。

    Jun, 2019

  • 从非法务利益相关者的角度来减轻合同中的感知不公平

    通过对不同利益相关方的观点进行实证研究，本文使用基于 BERT 的微调方法来识别合同句子中的不公平性，取得了 84% 的准确率，相比于 Vicuna-13B 的思维链推导方法，提高了 9% 的性能。

    Dec, 2023

  • 公平约束：公平分类的机制

    该研究引入了一种灵活的机制，以设计公平的分类器，其中利用了一种新颖的、直观的决策边界（不）公平度量，并结合实际的数据表明，该机制在维持准确度的小代价下，允许对公平度进行微调。

    Jul, 2015

  • 隐私政策中模糊词汇和句子的自动检测

    该论文旨在使用构建的第一个含人类标注的模糊词汇和句子的语料库，对隐私政策的模糊内容进行自动检测，研究上下文敏感和上下文不敏感模型以及辅助分类生成性对抗网络来表征句子模糊性，研究结果表明所提出的方法有效，并提出解决模糊性和提高隐私政策可用性的建议。

    Aug, 2018

  • 公平性概念及相关紧张关系综述

    本文旨在调查研究自动化决策系统中机器学习算法存在的偏差及其与公平、隐私和分类准确性之间的关系，并综述了处理公平 - 准确性权衡的不同方法。作者通过实验分析了公平度量和准确度在现实世界场景中的关系。

    Sep, 2022