本文研究比较了各种机器学习方法，用于将判决分为不同的法律领域，结果表明包括主题模型、词向量和语言模型分类器在内的所有方法都表现良好，但还需要进一步优化这些先进的方法以适应法律领域。

Apr, 2019

该研究介绍了推动法律领域数字化的制度，并尝试为法律领域提供一些数据集以支持人工智能的发展，同时也探究了如何为这些数据集进行标注。通过对专家标注和启发式标注的比对，说明启发式标注的可用性。

May, 2023

本文提出了一种参数高效的法律领域适应方法，该方法使用公共法律论坛的海量无监督法律数据进行法律预训练，成功地在各种法律任务上超过或匹配现有模型的低样本学习性能，同时只调整了约 0.1％的模型参数，达到与现有方法相当的校准效果。

Oct, 2022

利用自然语言处理工具增强专家精心策划的数据集，通过数据增强聚类策略有效提高了法律文本的机器学习分类性能。

Apr, 2024

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

本研究使用三种模型，分别基于向量空间表示法，将法律案例文档表示为不同的向量空间，并结合语义词度量和自然语言处理技术，展示了在信息检索过程中引入领域特定语义相似性测量的必要性，表明整合多种技术可显著提高信息检索的准确性，同时还展示了词相似度测量分布变化及文档向量维度变化对法律信息检索过程的影响，从而为信息检索提供了更好的方案。

May, 2018

本篇论文提出了以数据为中心的人工智能研究视角，着重于大型语言模型。我们首先观察到在 LLM 的发展阶段（如预训练和微调）和推理阶段（如上下文学习）中，数据起着重要作用，但却在研究社区中受到了不对称的关注。我们确定了四个以数据为中心的具体情景，涵盖数据中心的基准和数据策划、数据属性、知识传递以及推理上下文化。在每个情景中，我们强调了数据的重要性，突出了有前景的研究方向，并阐述了对研究社区和整个社会可能产生的影响。例如，我们提倡为 LLM 的规模和复杂性量身定制一套以数据为中心的基准。这些基准可用于开发新的数据策划方法、记录研究工作和结果，有助于促进人工智能和 LLM 研究的开放性和透明度。

Jun, 2024

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

该研究利用深度学习模型解决了商标法中的混淆风险问题，并介绍了一种模型无关的可解释中间层和弱监督学习策略，这对于高风险应用领域非常有效。

Jan, 2022

对于模拟法律推理和案例论证以支持决策的论文进行了回顾，揭示了传统符号逻辑与 AI 技术，并探讨了在法律自然语言处理方面的最新进展，提出融入专家知识以在符号逻辑和数据驱动方法中保持可拓展性和解释性的可能性，同时识别出挑战和现代自然语言处理模型和方法的潜力。

Jun, 2024