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

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

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

提出了多被告行为描述的刑事判决预测任务，引入了分层推理链以及一种名为 HRN 的多被告刑事判决预测方法，同时构建了一个用于加速相关研究的真实世界多被告刑事判决预测数据集 MultiLJP。通过对 MultiLJP 的广泛实验验证了所提出的 HRN 方法的有效性。

Dec, 2023

基于语义提取的法律判决预测（SLJP）模型通过使用预训练转换器来理解复杂的非结构化法律案例文档并生成嵌入向量，从而在印度的法律系统中提供技术辅助，解决了多年来在各个法院积压的数亿案件的问题。

Dec, 2023

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

该研究论文以发展基于图神经网络的模型来解决法律判决预测问题为中心，将司法案例的内在图结构作为二进制节点分类问题，使用各种嵌入作为模型特征，并考虑了性别和姓名偏见等公平性分析，旨在优化裁判过程，提高司法效率，促进更公平的法律环境，并减轻不断积累的案件积压带来的压力。最佳模型使用 XLNet 预训练嵌入作为特征，在法律判决预测任务中获得 75% 的宏 F1 分数，对于链接预测，相同的特征集在 ROC 上表现最佳，超过 80%。

Oct, 2023

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

提出了一种增强早期现有法律判决预测系统鲁棒性的方法，并在三个法律数据集上进行了广泛实验，结果显示我们的方法在处理对抗性攻击方面明显优于最先进的法律判决预测系统。据我们所知，我们是第一个提高早期现有法律判决预测系统鲁棒性的研究。

Jul, 2023

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