本研究扩展了《ILDC for CJPE: Indian Legal Documents Corpus for Court Judgment Prediction and Explanation》中的研究，着重研究印度法律文件中基于事实的判决预测。我们引入了两种不同的问题变体：仅基于事实和将事实与下级法院裁决相结合。我们的研究旨在提高早期案件结果预测的准确性，为法律专业人士和公众带来重要的益处。然而，结果表明，即使在我们的 DELSumm 算法中实施了各种权重方案，性能仍然下降。此外，仅使用不同的 Transformer 模型进行法律判决预测的结果也不及《ILDC for CJPE》研究中报道的最新成果。

Nov, 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

对法律判决预测系统中可解释性的评估至关重要，该研究利用瑞士判决预测数据集 (Swiss Judgement Prediction) 研究了多语言 LJP 模型的可解释能力和公平性，并通过全面的支持和反对判决的理由，评估了基于 BERT 的单语言和多语言 LJP 模型的解释性能和预测性能改进的技术。研究结果表明，预测性能的提高并不一定对应于解释性能的增强，强调了从可解释性的角度评估模型的重要性。此外，还引入了一种新的评估框架，即底层法院插入 (Lower Court Insertion)，用于量化底层法院信息对模型预测的影响，揭示了当前模型的偏见。

Feb, 2024

本文介绍了一个 Hindi Legal Documents Corpus (HLDC) 的语料库，它包含了超过 900K 的清理和结构化的印地语法律文件。通过使用该语料库，我们引入了保释预测的任务，并使用了多任务学习（MTL）模型作为主要任务，用作概括任务的辅助任务。最后，我们释放了此论文的语料库和模型实现代码。

Apr, 2022

在大型语言模型（LLMs）时代，提供了一个在印度背景下针对法律判决进行预测和解释的最大专家标注数据集（PredEx），该数据集具有超过 15,000 个注释。通过使用调整指令来提高 LLMs 的预测准确性和解释深度，我们表明这一方法显著提升了此类模型在法律判决上的预测准确性和解释深度，并且我们的模型通过严格的词法、语义和专家评估，有效地利用 PredEx 来提供精确的预测和有意义的解释，将其确定为法律专业和自然语言处理社区的有价值的基准。

Jun, 2024

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

本文中，作者通过领域专家调整、采用对抗式训练以及解释性分析等手段，对司法判决预测系统的表层信号干扰问题进行了研究，在使用现有的基准数据集进行实验时，取得了比仅用于预测的基准模型更好的预测准确率。同时，作者贡献了一组专家注释结果。

Oct, 2022

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

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

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