我们的项目旨在通过数据驱动的智能帮助和支持难民地位裁决的利益相关者，例如律师、法官、治理机构和申请人，从而使所有相关方做出更好的决策，并增加对难民申请过程的理解和透明度。我们的目标有两个：检索过去的案例和分析加拿大案例数据上的法律决策过程。本文介绍了我们工作的当前状态，包括已完成的第一部分实验和与第二部分相关的正在进行的工作。我们相信以自然语言处理为基础的解决方案非常适合应对这些挑战，因此我们调查了自动化所有涉及步骤的可行性。此外，我们引入了一个未来自然语言处理研究中难民法领域的新基准。我们的方法旨在包容所有最终用户和利益相关者，预期收益包括缩短决策时间、更公平和透明的结果以及提高决策质量。

Aug, 2023

探索认知智能在法律知识中的应用，聚焦于司法人工智能的发展。利用自然语言处理作为核心技术，自动构建司法案例知识图谱的方法，包括实体识别、关系抽取等多项任务，以及在一个交通事故责任纠纷案例研究中的显著优势。

Apr, 2024

本研究运用 BERT、GPT-2 和 RoBERTa 等 6 种转换器以及 21 万份法律诉讼专业化训练模型，通过将文件预处理十分相似的信息转化为向量、使用无监督学习方法聚类控制进行法律领域的词语判定，体现出转换器模型的优点。在这其中，RoBERTa 模型得到了进一步发展，成为了本研究的重要部分。

Apr, 2022

我们提出了一种结合自然语言处理和机器学习技术的方法，通过创建文本嵌入来增强法律案例描述的组织和利用，实现无监督聚类和有监督引文检索，以自动化提取引文的过程，从而实现更高效、节省时间、便捷的法律研究和论证。

May, 2024

本研究旨在在德国法律实践的基础上，以 NLP 文献为基础并补充法律实践声音来构建一个结构化的法律技术用例概述，其中包括七类法律领域的 NLP 技术，并通过对 22 个法律用例的对比研究，识别出 15 个道德、法律和社会方面的问题，揭示了数字化转型法律领域的潜在关切。

Apr, 2024

本文总结了 NLP 与法律领域的现状并关注最近的技术和实质性发展。通过构建并分析过去十年发表的超过六百篇与 NLP & 法律相关的论文，我们发现了一些主要趋势，并且我们相信这些趋势对于该领域的未来发展具有积极意义，但是仍有许多问题需要解决。

Feb, 2023

本文对传统词嵌入模型与 BERT 模型在人权法庭裁决文本的法条分析任务中的表现进行了比较，实验证明领域特定的 BERT 模型有很大的潜力，而传统的词嵌入模型在与神经网络层结合后也能表现出很强的性能。

Feb, 2022

该研究利用自然语言处理（NLP）流程来分析用于咨询的在线心理健康论坛的文本数据，以便快速识别需要紧急心理保健的人群。 通过分析论坛帖子，这些流程可以标记可能需要即时专业关注的用户。 本研究提出了两个模型：一个基于 BERT 的判别模型称为 CASE-BERT，根据论坛文本标记潜在的心理健康障碍；一个生成模型称为 CASE-Gemma，提取初步诊断的关键特征。 CASE-BERT 相较于现有方法表现出更好的性能，对抑郁症和焦虑症两种常见心理健康障碍的 f1 分数分别达到 0.91 和 0.88。CASE-Gemma 可以根据论坛文本生成诊断以达到 BERT 分数为 0.849。对 CASE-Gemma 的有效性进行了人工评估和定性方法评估，并得到了临床心理学家的合作。我们的代码可以在此 https URL 处获得。

Jun, 2024

利用神经网络和传统检索模型，我们参加了 COLIEE-2022 律师案例比赛的任务 1 和任务 2，结果在所有团队中排名第五。实验结果表明，传统的检索模型 BM25 仍然优于神经网络模型。

Apr, 2022

本文介绍了一种信息提取工具，可以自动处理大规模无结构文本数据，支持多语言文档的全文、元数据和实体的提取，重点支持三个主要因素以服务于跨国界新闻调查，最终实现了数据集的快速探索以及潜在故事的挖掘。

Sep, 2018