Dec, 2023

用于基于理由支持的法律判决预测的日本侵权案例数据集

PDF
TL;DR该研究提出了用于日本法律判决预测的首个数据集，即日本侵权案例数据集（JTD），其中包含二个任务：侵权预测和相关性抽取。JTD 基于 41 名法律专家对 3477 个日本民法判决进行了标注，共获得 7978 个实例和 59697 个涉案方的主张。实验结果表明所提出的两个任务的可行性，并且通过法律专家的错误分析确定了错误来源并提出了未来的研究方向。
发现论文，激发创造
  • 论法律判决预测：数据集、评估指标、模型与挑战

    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

  • 一份关于保险纠纷的韩国法律判决预测数据集

    本文介绍了一个用于保险争议的韩国法律判决预测（LJP）数据集。通过在数据有限的情况下使用 SetFit 方法进行训练，我们实验证明该方法在性能上与韩国 LJP 基准模型相似，尽管数据规模较小。

    Jan, 2024

  • 民事诉讼中的法律论证任务

    本文介绍了一个新的自然语言处理任务和数据集，基于美国民事诉讼领域，旨在为评估现代法律语言模型提供具有挑战的任务。研究表明，fine-tuning 法律 transformer 模型相对于随机基线模型更有优势，但推理法律论点的实际能力仍是具有挑战性的开放性研究问题。

    Nov, 2022

  • 真实法庭环境下的多阶段案件表征学习法律判决预测

    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

  • CAIL2018：用于判决预测的大规模法律数据集

    本文介绍了 CAIL2018 挑战数据集，以及其中包含的中国法律判例数据，分析了现有文本分类方法在预测判决结果方面的挑战，特别是在刑期上的预测还有待改进。

    Jul, 2018

  • LegalDuet: 通过双视角法律线索推理学习有效的法律判断表示

    提出了一种名为 “LegalDuet” 的模型，通过预先训练语言模型，学习一个定制的嵌入空间，用于进行法律判断，并通过双视角的推理机制，从法官的判断经验和案例中提取法律线索来区分刑事案件。在 CAIL2018 数据集上，LegalDuet 表现优于基线模型，平均提高了约 4%。

    Jan, 2024

  • ClassActionPrediction：美国集体诉讼案件法律判断预测的一项具有挑战性的基准测试

    该研究发布了第一个针对美国集体诉讼案件的、基于法律自然语言处理的数据集，利用 Longformer 模型超越人类专家的精度，并明确表明 Longformer 模型比人类专家更好地调整。

    Nov, 2022

  • 韩国法律语言理解和判断预测的多任务基准测试

    本论文介绍了韩国法律 AI 数据集 LBOX OPEN，该数据集包含了韩国判例文本、案例分类、法规预测、判决预测和摘要生成等多种任务，并发布了第一个基于该数据集训练的韩国法律语言模型 LCUBE，旨在为全球法律研究的多语种发展做出贡献。

    Jun, 2022

  • 通过层次推理进行多被告法律判决预测

    提出了多被告行为描述的刑事判决预测任务，引入了分层推理链以及一种名为 HRN 的多被告刑事判决预测方法，同时构建了一个用于加速相关研究的真实世界多被告刑事判决预测数据集 MultiLJP。通过对 MultiLJP 的广泛实验验证了所提出的 HRN 方法的有效性。

    Dec, 2023

  • 基于任务依赖的序列多任务学习对于上诉判断的预测

    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