ACLFeb, 2023

基于文章的零样本法院裁决分类在欧洲人权法院案件中的迁移

PDF
TL;DR该论文将欧洲人权法院的法律判决预测转化为一种基于文章的分类任务，并通过领域自适应方法提高零样本转移性能。实验表明这种基于文章的架构优于直接的事实分类，并发现领域自适应方法可以提高性能。
legal judgment predictioneuropean court of human rightsarticle-aware classificationzero-shot transfer performancedomain adaptation methods
发现论文，激发创造
  • 利用任务依存性和对比学习进行欧洲人权法院案例结局分类

    该研究报道了一项关于欧洲人权法院案例结果分类的实验，使用层级对比损失用于提升分类性能。

    Feb, 2023

  • 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

  • 法律主题分类中实现逼真的零 - shot 跨语言转移

    本文讨论使用 MultiEURLEX 数据集进行零样本跨语言转移的法律主题分类，介绍了新版本的数据集和使用基于翻译的方法相对于之前最佳的跨语言预训练模型调参的方法的改进，同时提出了一种基于双语教师 - 学生的零样本转移方法。

    Jun, 2022

  • 针对欧洲人权法院案件进行法律判决预测的因素消除，以更好地与专家达成一致

    本文中，作者通过领域专家调整、采用对抗式训练以及解释性分析等手段，对司法判决预测系统的表层信号干扰问题进行了研究，在使用现有的基准数据集进行实验时，取得了比仅用于预测的基准模型更好的预测准确率。同时，作者贡献了一组专家注释结果。

    Oct, 2022

  • SemEval2024 任务 5：民事诉讼中的合法论证任务中的渴望学习者

    该研究通过比较不同方法，调查了零样本方法在使用三种大型语言模型、两种具有大输入标记尺寸的模型和两种预训练的法律数据模型进行数据分类方面的表现。我们的主要数据集来自美国民事诉讼领域，包括法律案例摘要、具体问题、潜在答案和详细解释，这些都是从一本针对法律学生的书中获取的。通过这些实验，我们的发现展示了大型语言模型的零样本方法如何有效理解复杂数据，我们在实验中取得了最高的 F1 得分，达到了 64%。

    Jun, 2024

  • 从法律判决中提取与查询相关的段落

    针对从法律判决中提取相关段落的任务，本文构建了一个专门的数据集，并评估了当前检索模型的性能，同时还使用不同模型建立了微调基准。结果突显了微调和零 - shot 方法之间的显著差距，强调了处理法律领域中分布偏移的挑战。本文还探讨了各种参数高效微调方法，并在信息检索的背景下评估了它们的实用性，为不同预训练和模型架构选择参数高效微调方法提供了启示。

    Mar, 2024

  • 利用法律基础学习预测刑事案件的指控

    该研究提出了一种基于注意力机制的神经网络方法来共同模拟指控预测任务和相关法律条款提取任务，实验结果表明，相关条款可以清晰地改善指控预测结果，该模型可以有效地预测不同表达风格的案件指控。

    Jul, 2017

  • 基于法律阅读理解的自动判决预测

    本研究旨在基于案例材料预测司法结果，采用新颖先进的人工智能技术应用于法律领域，在现有方法的基础上，提出了一种法律阅读理解模型 AutoJudge，该模型在真实世界的民事案例数据集上显著优于现有模型。

    Sep, 2018

  • 抽象而非内存：BERT 与英语文章系统

    本文通过比较以 a/an，the 和零三种形式设置的冠词预测任务中 Bert 模型和人类的表现，发现 Bert 模型对于检测零冠词的性能远远优于人类，并且在高一致性的情况下更容易与注释者达成一致，这表明 BERT 不是在记忆冠词使用情况，而是捕捉到了类似于人类的感性认知水平的高度概括性冠词使用规律。

    Jun, 2022

  • 调节还是不调节？零样本模型用于法律案例蕴含

    本研究通过参与 COLIEE 2021 的法律案例蕴含任务，考察了预训练语言模型在法律领域的迁移能力。实验结果表明，在有限标记数据的情况下，与适应目标任务的 Fine-tuning 模型相比，没有或只部分适应的模型对数据分布的更改更加稳健。

    Feb, 2022