利用 LLM 与领域模型合作增强的法律判决预测
该论文通过分析 31 个 LJP 数据集、总结 14 个数据评估指标、回顾 12 个预训练模型以及挑选 8 个代表性数据集呈现状态,以帮助读者了解 LJP 的现状并促进 NLP 研究和法律专业人士的进一步合作。
Apr, 2022
本研究通过多任务学习将案件中的原告索赔、法庭辩论数据进行全面理解,以更准确地预测司法裁决。实验结果表明,该模型相较于强有力的基线算法,具备更好的判决质量和效率,被真实法官和法学生用于实践并证明其具有更好普适性和解释性。
Jul, 2021
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
研究了大型语言模型在法律领域的应用,通过设计基于大型语言模型的实用基准解决方案,并在法律判决预测任务上测试,发现类似案例和多项选择选项对大型语言模型的领域知识回忆至关重要,同时也揭示了信息检索系统在某些情况下超过了大型语言模型与信息检索系统的组合,从而使大型语言模型的角色变得多余。
Oct, 2023
本篇文章介绍了一个系统,利用深度学习和自然语言处理技术,通过阿拉伯案例脚本来预测判决结果,特别是在监护和婚姻废止案件中。该系统将协助法官和律师提高工作效率和时间效率,减少判决差异,同时帮助诉讼当事人、律师和法学生在庭审前分析任何给定案件的可能结果。实验结果表明,与五种基线方法相比,在监护案件和婚姻废止案件的判决预测中,利用词向量和 TF-IDF 的 SVM 模型和利用 TF-IDF 的 LR 模型分别达到了 88% 和 78% 的最高准确率。此外,利用词向量的 LR 和 SVM 以及利用 TF-IDF 的 BiLSTM 模型在预测监护案件和婚姻废止案件的结果概率方面达到了 88% 和 69% 的最高准确率。
Sep, 2023
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
本文提出了一种基于多角度双向反馈网络和词语搭配注意力机制的法律判决预测方法,以拓扑结构作为多个子任务的依赖关系,通过充分利用它们之间的结果依赖关系来解决现有方法在多个子任务之间的效率低下和相似描述但不同刑罚的问题,并在所有预测任务上显著提高了模型效果。
May, 2019
提出了一种增强早期现有法律判决预测系统鲁棒性的方法,并在三个法律数据集上进行了广泛实验,结果显示我们的方法在处理对抗性攻击方面明显优于最先进的法律判决预测系统。据我们所知,我们是第一个提高早期现有法律判决预测系统鲁棒性的研究。
Jul, 2023
本文提出了一个带任务依赖的顺序多任务学习框架 (SMAJudge),它是用来解决上诉判决预测 (AJP) 的两个主要挑战:如何适当地建模上诉判决过程和如何提高预测结果的可解释性。SMAJudge 采用了两个顺序组件来对来自于一审到二审的整个过程进行建模,并使用注意机制使预测结果更加可解释。最后,实验结果表明 SMAJudge 的有效性和优异性。
Mar, 2022
该研究论文以发展基于图神经网络的模型来解决法律判决预测问题为中心,将司法案例的内在图结构作为二进制节点分类问题,使用各种嵌入作为模型特征,并考虑了性别和姓名偏见等公平性分析,旨在优化裁判过程,提高司法效率,促进更公平的法律环境,并减轻不断积累的案件积压带来的压力。最佳模型使用 XLNet 预训练嵌入作为特征,在法律判决预测任务中获得 75% 的宏 F1 分数,对于链接预测,相同的特征集在 ROC 上表现最佳,超过 80%。
Oct, 2023