非常规任务:参与式设计在法律 AI 中的应用
法律研究是法律实践中至关重要的任务,该研究论文探讨了在法律文本分析中,结合人类专业知识提高大型语言模型(LLMs)性能的潜力,并介绍了一种新的数据集和基于人类输入的复合人工智能系统。
Mar, 2024
通过综合技术设计、政治理论和社会科学的文献,以及对 12 位人工智能研究员和从业者的半结构化访谈,本文试图通过将现有理论文献与经验调查和批判相结合,为感兴趣采取参与式方法的人工智能设计和开发的研究人员和从业者提供一个概念框架,以评估参与式人工智能设计的方法。此外,我们通过分析最近发表的研究结果和半结构化访谈的方式,表达了关于目前参与实践状况的实证发现,以进一步提供指导,以更好地协调参与目标和方法,以考虑实际约束。
Oct, 2023
本文研究了商业人工智能实验室对参与式人工智能方法的理解和实施所面临的障碍,并提供了有关在此背景下使用参与式方法的挑战的新颖经验研究。
Jun, 2023
该论文探讨了 Legal NLP 领域的研究,分析了 SemEval 举办的 LegalEval 任务的三个子任务:语言角色标注,法律实体识别和法院判例预测,并总结了 26 个团队的研究成果。
Apr, 2023
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
AI 对法律职业的重新定义缺乏支持性证据,本文研究了 AI 在三类法律任务中的日益普及的角色:信息处理、涉及创造力、推理或判断的任务,以及对未来的预测。我们发现,根据鉴别正确答案的难易程度和与任务相关的信息的可观察性来评估法律应用的易用性存在很大差异。对法律职业将造成最重大变革的任务也最容易过于乐观地评估 AI 的能力,因为它们难以评估。我们提出了在法律背景下更好地评估和应用 AI 的建议。
Jan, 2024
本文介绍了 Legal Artificial Intelligence 的历史,现状和未来方向,并从法律专业人员和自然语言处理研究人员的角度说明了任务,展示了几个代表性的应用程序,在现有工作的优缺点方面进行了深入的分析,探索了可能的未来方向。
Apr, 2020
本研究评估了通用人工智能在法律问答任务中的表现,突出了对法律专业人员和客户存在的重大风险。研究建议利用基础模型并加强领域专业知识以克服这些问题,并提倡创建开源法律人工智能系统以提高准确性、透明度和叙述多样性,从而解决通用人工智能在法律背景下的缺点。
Apr, 2024