EMNLPOct, 2021

自动从希伯来语法庭案例中提取判决决定

PDF
TL;DR本文提出了自动制裁提取（APE）的任务，旨在从希伯来语刑事法庭案件中提取制裁决定。我们通过制定规则和监督模型来完成这个任务，并发现在 APE 任务上，规则型方法优于监督模型。我们分析了模型常见的错误，并针对将来的工作提出了建议，如区分缓刑和实际监禁惩罚。
automated punishment extractionsentencing decisionslegal nlp applicationshebrewrule-based and supervised models
发现论文，激发创造
  • 自动后编辑的实证研究

    该研究针对自动后编辑（APE）中数据稀缺的情况，通过数据增强的方式来生成大规模人工语料库构建人工数据域，以提高模型性能，报告表明高质量的人工语料库与生成的训练数据可以改善模型性能，同时在不同 MT 系统中 APE 的难度不同，模型在语法和语义添加问题上的表现良好，但容易出现实体和语义省略错误。

    Sep, 2022

  • 带自然语言先验的主动示范编程

    APEL 是一种基于自然语言表述的新型框架，用于间接注释可执行的含义表达式，如 SQL 程序，其中包含由群众智慧注释产生的程序候选列表和输入数据库合成方法。

    May, 2022

  • 自我监督的自动后编辑数据生成工具

    开发了自我监督的数据生成工具，可以用于多种语言对的自动后编辑（APE）数据建设，以支持基于数据的 APE 研究，解决目前由于数据不足而无法进行的语言对研究问题。

    Nov, 2021

  • 法庭表现：自动化处理和可视化法国上诉法院判决

    本文介绍了利用人工智能技术，从司法判决中提取法律指标，通过构建律师和判决的网络图和排名律师的指标来缩小信息不对称和提高公正性，同时还探讨了基于社区特征来表示案件困难程度的度量方式。

    Jun, 2020

  • 自动后编辑高质量机器翻译中句法对称的重要性

    本文探讨自动后编辑 (APE) 的问题，提出了一种基于对称自注意和语言学正则化的方法，旨在提高 APE 模型对目标语言的理解能力，并取得了实验结果的显著提升。

    May, 2023

  • 自动后编辑的复制学习

    该研究提出了一种新的模拟自动后期编辑过程中的复制机制的方法，通过在源句子和系统输出之间交互学习来更好地识别翻译错误，并在 WMT 数据集上的实验中进行验证，表现优于以往最佳结果。

    Nov, 2019

  • 自动后编辑能否改进 NMT？

    本研究旨在探讨自动后编辑技术在神经机器翻译系统上的实用性。通过构建英德短语翻译的人工编辑语料库，我们证明了在大规模语料库和人工编辑数据的监督下，最新的神经网络后编辑技术可以显著提高神经机器翻译系统的翻译质量，并挑战了当前领域的理解。

    Sep, 2020

  • 可解释的人工智能用于新西兰攻击句预测

    本研究旨在通过可解释的人工智能预测新西兰法院中攻击案件的监禁判决，证实了该模型的准确性，并进一步分析了判决长度预测中最具影响力的短语及其未来利益和风险。

    Aug, 2022

  • 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

  • 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