本文介绍了基于深度学习的法律文件处理方法，包括自动法律问答竞赛（ALQAC 2022）的法律文件检索和法律问答任务。使用 XLM-RoBERTa 模型在有限的标记数据下表现良好，在低资源语言的其他信息检索任务中也可以应用。

Nov, 2022

该论文提出了 NOWJ1 团队在 2023 年自动法律问答竞赛中的方法，通过整合经典统计模型和预训练语言模型来提高法律任务性能。该方法使用了预处理步骤以克服输入的限制，并应用学习排序方法来整合来自不同模型的特征。问答任务被分为两个子任务：句子分类和答案抽取。我们将最先进的模型用于开发每个子任务的不同系统，并利用经典统计模型和预训练语言模型。实验结果表明该方法在竞赛中具有良好的潜力。

Sep, 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

该论文介绍了 NeCo 团队在 2023 年自动化法律问题回答竞赛（ALQAC 2023）中针对越南文本处理任务提供的解决方案，重点是通过数据丰富来实现对低资源语言的法律领域知识获取。我们的法律文档检索任务方法结合了相似性排名和深度学习模型，而对于第二个任务，要求根据问题从相关的法律文章中提取答案，我们提出了一系列适应性技术来处理不同类型的问题。我们的方法在竞赛的两个任务中都取得了出色的成绩，展示了法律领域中问答系统特别是对于低资源语言的潜在优势和有效性。

Sep, 2023

利用自然语言处理为法律文盲提供自动法律援助系统，该系统通过一种检索然后阅读的流程以生成对任何法定法律问题的长篇回答。

Sep, 2023

该论文介绍了在 COLIEE 2023 竞赛中处理 Task 2、Task 3 和 Task 4 的策略，使用了先进的深度学习方法、基于领域特征观察的设计方法，以及严谨的工程实践和方法论，在这些任务中取得了优秀的成绩，并在 Task 2 和 Task 3 中获得了第一名，Task 4 中也有良好结果。源代码可在指定的 URL 获得。

Jan, 2024

本研究以 SemEval-2023 的 LegalEval 任务为基础，集中研究了法律命名实体识别、法院判决预测和带解释的法院判决预测等三个子任务，并通过各种实验详细展示了结果、数据统计和方法论。

Oct, 2023

本文概述了 CAIL2018 的法律判决预测比赛，该比赛旨在根据给定的事实描述预测判决结果。在比赛中，我们为参赛者提供了三个子任务，即预测相关法律条款、罪名和刑期。CAIL2018 吸引了数百个参赛者，本文提供了任务定义、相关工作、优秀方法和比赛结果的详细概述。

Oct, 2018

本文介绍了我们在 SemEval 2024 任务 5 中提出的内容：民事诉讼中的法律争议推理任务。我们提出了解决法律答案验证问题的两种方法：首先，对预训练的 BERT 模型进行了微调，并发现基于领域知识训练的模型效果更好；其次，我们对 GPT 模型进行了少样本提示，发现将答案验证任务改为多项选择问题显著提高了模型的性能。我们的最佳模型是基于 BERT 的模型，在 20 个参赛作品中取得了第 7 名。

Apr, 2024

该研究旨在解决法律问答的问题，提供包括 14 个标准数据集和基于深度学习的法律问答模型在内的全面调查。该研究重点讨论了面临的挑战和不足，以及使用的不同方法和技术。

Apr, 2023