Oct, 2018

CAIL2018: 法律判决预测竞赛概述

PDF
TL;DR本文概述了 CAIL2018 的法律判决预测比赛，该比赛旨在根据给定的事实描述预测判决结果。在比赛中，我们为参赛者提供了三个子任务，即预测相关法律条款、罪名和刑期。CAIL2018 吸引了数百个参赛者，本文提供了任务定义、相关工作、优秀方法和比赛结果的详细概述。
legal judgment predictioncail2018law articleschargesprison terms
发现论文，激发创造
  • CAIL2018：用于判决预测的大规模法律数据集

    本文介绍了 CAIL2018 挑战数据集，以及其中包含的中国法律判例数据，分析了现有文本分类方法在预测判决结果方面的挑战，特别是在刑期上的预测还有待改进。

    Jul, 2018

  • 论法律判决预测：数据集、评估指标、模型与挑战

    该论文通过分析 31 个 LJP 数据集、总结 14 个数据评估指标、回顾 12 个预训练模型以及挑选 8 个代表性数据集呈现状态，以帮助读者了解 LJP 的现状并促进 NLP 研究和法律专业人士的进一步合作。

    Apr, 2022

  • 真实法庭环境下的多阶段案件表征学习法律判决预测

    本研究通过多任务学习将案件中的原告索赔、法庭辩论数据进行全面理解，以更准确地预测司法裁决。实验结果表明，该模型相较于强有力的基线算法，具备更好的判决质量和效率，被真实法官和法学生用于实践并证明其具有更好普适性和解释性。

    Jul, 2021

  • 基于多角度双反馈网络的法律判决预测

    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

  • 基于任务依赖的序列多任务学习对于上诉判断的预测

    本文提出了一个带任务依赖的顺序多任务学习框架 (SMAJudge)，它是用来解决上诉判决预测 (AJP) 的两个主要挑战：如何适当地建模上诉判决过程和如何提高预测结果的可解释性。SMAJudge 采用了两个顺序组件来对来自于一审到二审的整个过程进行建模，并使用注意机制使预测结果更加可解释。最后，实验结果表明 SMAJudge 的有效性和优异性。

    Mar, 2022

  • 法律判决预测中区分混淆法条

    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

  • 基于法律阅读理解的自动判决预测

    本研究旨在基于案例材料预测司法结果，采用新颖先进的人工智能技术应用于法律领域，在现有方法的基础上，提出了一种法律阅读理解模型 AutoJudge，该模型在真实世界的民事案例数据集上显著优于现有模型。

    Sep, 2018

  • 英文下的神经网络法律判决预测

    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

  • ALJP：基于机器学习模型的个人状态案件的阿拉伯语法律判决预测

    本篇文章介绍了一个系统，利用深度学习和自然语言处理技术，通过阿拉伯案例脚本来预测判决结果，特别是在监护和婚姻废止案件中。该系统将协助法官和律师提高工作效率和时间效率，减少判决差异，同时帮助诉讼当事人、律师和法学生在庭审前分析任何给定案件的可能结果。实验结果表明，与五种基线方法相比，在监护案件和婚姻废止案件的判决预测中，利用词向量和 TF-IDF 的 SVM 模型和利用 TF-IDF 的 LR 模型分别达到了 88% 和 78% 的最高准确率。此外，利用词向量的 LR 和 SVM 以及利用 TF-IDF 的 BiLSTM 模型在预测监护案件和婚姻废止案件的结果概率方面达到了 88% 和 69% 的最高准确率。

    Sep, 2023

  • 利用对比学习和数量证据提升混淆法律判断预测

    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