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

使用深度学习方法实现在 COLIEE 2020 中自动的法律检索和法律问题解答系统，该方法通过在大量数据上进行预训练并进行微调，克服了数据稀缺性并取得了良好的性能，在信息检索和法律决策支持等领域具有相关应用价值。此外，这种方法也可以用于解决其他领域特定的问题。

Nov, 2020

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

本研究总结了 2023 年 COLIEE 中冠军团队 THUIR 的方法，其中使用结构感知的预训练语言模型来加强对法律案例的理解，借助启发式预处理和后处理方法减少不相关信息的影响，并利用学习排序的方法来合并具有不同维度的特征，实验证明了该方法的优越性。

May, 2023

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

THUIR 在 COLIEE 2023 Legal Case Entailment 任务中尝试了传统词汇匹配方法和不同规模的预训练语言模型，使用学习排序方法进一步提高性能，但学习排序在此任务上不够强大，实验结果表明更多参数和法律知识有助于实现，最终在 COLIEE 2023 中获得第三名。

May, 2023

本文提出了一种基于语言模型和机器学习方法，结合多种词汇和形态特征，用于解决法律问题和提供正确答案的 Legal Information Extraction/Entailment 问题，且无需大量训练数据和专业知识即可与最先进的法律信息检索和问题回答方式相竞争，并在比赛中获得了显著成果。

Sep, 2016

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