本研究使用文本分类和机器学习方法，研究法律专业人员的支持应用。通过实验研究法国最高法院的判决和案件所属法律领域的高准确度预测，发现判决作出的时间对案例描述的形式和数据蒙版的使用会有影响，研究了多个支持向量机分类器的平均概率集成系统，平均 F1 值为 98％，预测案例判决，96％ F1 值用于预测案件的法律领域，对于估计判决日期的 F1 值为 87.07％。

Oct, 2017

本文研究了如何将文本分类方法应用于法国最高法院判决案件的法律领域和判决预测，并调查了判决描述的文本形式在时间段上对判决的影响以及模拟真实世界测试情景需要遮盖法官动机的程度。我们使用基于词汇特征训练的线性支持向量机分类器报告了 96％的案件判决预测 f1 得分，90％的法律领域预测 f1 得分和 75.9％的发布判决时间跨度估计 f1 得分。

Aug, 2017

本文使用自然语言处理技术，比较了基于关键词和逻辑运算符的传统方法与基于 Claude 2 大型语言模型的创新方法，在英国法院裁决案例的大语料库中提取总结性判决案例。结果表明，大语言模型的加权 F1 得分为 0.94，而关键词法的得分仅为 0.78，说明大语言模型在捕捉法律语言中的细微差别方面更加有效。本文展示了先进自然语言处理技术在核心法律研究任务中的应用，并且阐明了这些技术如何填补系统性差距并提升法律信息的可获取性。同时，我们分享了提取的数据集度量，以支持进一步的总结性判决研究。

Mar, 2024

结合自然语言处理和机器学习的可解释法律文本分类系统，对决策的特征和决策路径进行分析并以自然语言形式呈现，实现模型决策的可理解性。该系统在法律类别上的实验结果表明，其分类性能具有竞争力，准确度值超过 90%，并且自动解释能够被非专业用户轻松理解。

Mar, 2024

寻找最佳的自动分类方法来对一组复杂的法律文件进行分类，研究使用经过微调的大型语言模型是否能够达到定制训练模型的准确性，并确定所需的微调量。

Dec, 2023

本文探讨了使用统计分析、机器学习、深度学习、零样本学习等基于自然语言处理技术的方法，以有效地分析来自香港法院系统的法律判决，并提供了五种方法，从而能够从个人以及一组判决中提取关键见解和极性 sentiment，以便快速提取洞见并使香港判决的整体分析更少烦琐、更自动化。

May, 2023

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

提出了一个将人工智能、机器学习、自然语言处理与深度法律推理结合的混合系统，用于法律判决的多标签分类和解释，通过提供自然语言解释来减轻法律专家的重复劳动密集型法律分类任务。

May, 2024

通过开发和应用新的法律分析分类法，本文对英国的判决摘要案例进行主题建模。研究发现法律大数据模型在正确分类主题上的准确率为 87.10%。该分析揭示了在不同法律领域中适用判决摘要的独特模式，为英国法律提供了一种新的分类法。这项工作的意义在于为后续研究和政策讨论提供基础，推动司法管理和计算法律研究方法的发展。

May, 2024

本研究使用多种自然语言处理模型进行司法文书的预测和摘要，最终得出六种基于自我注意力的转换器模型在四种激活函数下的对比分析结果，准确率高达 99%。

Apr, 2023