ACLMay, 2023

基于原型的法律引用预测可解释性

PDF
TL;DR本文在考虑高风险决策领域如何利用深度学习解决实际问题的情况下，设计了一个法律引用预测任务，利用先例和立法规定为参考，引入用户反馈并且添加可解释性，最终达到了律师使用的决策参数，并建立在最先进的法律语言处理模型和实际社会影响的关键考虑上。
deep learninglegal citation predictioninterpretabilitylanguage processing modelshigh-stakes decision making
发现论文，激发创造
  • 可解释的低资源法律裁决

    该研究利用深度学习模型解决了商标法中的混淆风险问题，并介绍了一种模型无关的可解释中间层和弱监督学习策略，这对于高风险应用领域非常有效。

    Jan, 2022

  • 利用上下文相似性进行判决引用检索

    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

  • 往往可解释的法律结果预测模型

    本文提出了一种新颖的方法来识别法律结果预测模型使用的先例，并开发了法律先例的分类法，从而能够比较人类法官和我们的模型在依赖的不同类型的先例方面的差异。我们发现，虽然这些模型在预测结果方面表现良好，但它们对先例的使用与人类法官不同。

    Mar, 2024

  • 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

  • ILDC for CJPE: 用于法院判决预测和解释的印度法律文件语料库

    介绍了一个自动化系统 ILDC，该系统是印度最高法院案例的大型语料库，用于预测案件结果。该任务要求自动化系统预测出可解释的结果，通过基线模型和分层遮挡模型实验表明该任务的复杂性。

    May, 2021

  • 基于树估计器的依区域法类别对西班牙法律裁决的自动解释

    结合自然语言处理和机器学习的可解释法律文本分类系统，对决策的特征和决策路径进行分析并以自然语言形式呈现，实现模型决策的可理解性。该系统在法律类别上的实验结果表明，其分类性能具有竞争力，准确度值超过 90%，并且自动解释能够被非专业用户轻松理解。

    Mar, 2024

  • 深度学习用于可解释的自然语言处理

    利用原型学习方法和自然语言处理，我们提出了一种学习加权相似度度量的方法，增强了相似度计算，并提出了一个可提取预测相关单词的解释机制来改进预测性能和解释质量。

    Oct, 2023

  • 深度学习的拓扑可解释性

    本研究介绍了一种利用拓扑和几何数据分析技术来推断临床和非临床文本的两个深度学习分类模型中的突出特征的方法，并通过概率度量距离获取诊断模型决策信息的稳定性来证明这一方法的可行性。

    May, 2023

  • SLJP：基于语义提取的法律判决预测

    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

  • 提高瑞士判决预测的可解释性与公平性：在多语言数据集上进行基准测试

    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