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。

Feb, 2023

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

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 NLP 中的案件结果分类不仅需要准确性，还需要可信度和可解释性。我们提出了一个新的数据集 RAVE：欧洲人权法上的理由变异，收集了两位专家在国际人权法领域的评估，发现他们在评估案例事实上存在差异。我们建立了一个两层次的与任务无关的分类系统，并补充了与案例结果分类相关的子类别。我们定量评估了不同分类系统的性能，并发现观点分歧主要源于法律背景的不明确，这在案件结果分类的元数据中是有限的。我们进一步评估了最先进的案件结果分类模型在 RAVE 上的可解释性，并观察到模型与专家之间的一致性有限。总的来说，我们的案例研究揭示了在法律 NLP 中创建基准数据集所涉及的复杂性，重点是确定与案件结果相关的方面。

Oct, 2023

本文提出了基于 MoCo 的有监督对比学习方法，通过预训练数值模型提取刑事金额以提高案件描述的表征，解决了刑事案件分类中的混淆问题和量刑预测问题。实验结果证明该方法在公共基准测试中具有新的领先水平。

Nov, 2022

本研究旨在通过主题建模和引文网络的方法，使用欧洲人权公约第 8 条关于私人和家庭生活、住所和通信的欧洲人权法院案例，找到和组织相关案例，并证明该结合方法在提取和分析特定问题上的相关案例方面提供了最佳结果。

Jan, 2024

在危机情况中，用户生成的信息内容已成为重要的信息来源，然而，分类模型受到噪声和事件相关偏见的影响，这仍然是一个具有挑战性的任务，需要复杂的任务适应性。为了解决这些挑战，我们提出使用对比任务专用的句子编码器进行下游分类。我们在 CrisisLex、HumAID 和 TrecIS 信息类型分类任务上应用任务专用化，并且在 F1 分数方面显示出性能提升。此外，我们分析了两个德语事件相关性分类数据集的跨语料库和跨语言能力。

Dec, 2023

该论文研究了利用基于 BERT 模型的自动化抽取技术进行抗议新闻因果关系检测的方法，提出了利用自定义的交叉熵损失函数的方法，实验结果表明 BERT-based-uncased 在 Causal News Corpus 数据集上的 F1 分数达到了 0.8501。

Oct, 2022

利用 NLP、AI 和法律领域的结合，本研究利用 AI 分类器来预测巴西法律系统中二级谋杀案和主动贪污案的司法结果，并发现分层注意网络是最好的算法之一，可用于找出用于证明被告无罪或有罪的最重要单词。

Jul, 2022

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