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

该研究发布了第一个针对美国集体诉讼案件的、基于法律自然语言处理的数据集，利用 Longformer 模型超越人类专家的精度，并明确表明 Longformer 模型比人类专家更好地调整。

Nov, 2022

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

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

本文提出了一种基于多角度双向反馈网络和词语搭配注意力机制的法律判决预测方法，以拓扑结构作为多个子任务的依赖关系，通过充分利用它们之间的结果依赖关系来解决现有方法在多个子任务之间的效率低下和相似描述但不同刑罚的问题，并在所有预测任务上显著提高了模型效果。

May, 2019

利用先例加强的 LJP 框架（PLJP）结合了大型语言模型和领域模型的优势，能够有效地预测案件的判决结果，并展示了 LLM 和领域模型协作的有希望的方向。

Oct, 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