通过层次推理进行多被告法律判决预测

EMNLPDec, 2023

通过层次推理进行多被告法律判决预测

Multi-Defendant Legal Judgment Prediction via Hierarchical Reasoning

Yougang Lyu, Jitai Hao, Zihan Wang, Kai Zhao, Shen Gao...

TL;DR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。

Abstract

Multiple defendants in a criminal fact description generally exhibit complex interactions, and cannot be well handled by existing legal judgment prediction (LJP) methods which focus on predicting judgment results (e.g., law articles, charges, and terms of penalty) for single-defendant

multi-defendant ljp legal judgment prediction hierarchical reasoning chains hrn multiljp

发现论文，激发创造

基于多角度双反馈网络的法律判决预测

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

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

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

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

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

利用对比学习和数量证据提升混淆法律判断预测

本文提出了基于 MoCo 的有监督对比学习方法，通过预训练数值模型提取刑事金额以提高案件描述的表征，解决了刑事案件分类中的混淆问题和量刑预测问题。实验结果证明该方法在公共基准测试中具有新的领先水平。

Nov, 2022

对抗性鲁棒神经法律判断系统

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

法律判决预测中区分混淆法条

本文提出了一种名为 LADAN 的端到端模型，用于自动预测法律案例的判决结果，并通过图神经网络和注意机制来解决类似法律条款混淆的问题，实现在不同法律系统中的应用。

Apr, 2020

大规模语言模型中的辨别性推理对法律判决预测的促进

通过引入基于人类司法推理的问 - 辨 - 判 (ADAPT) 推理框架，将大型语言模型 (LLMs) 用于有效的法律判决预测，并通过多任务合成轨迹的微调来提高准确性和效率，本论文在两个广泛使用的数据集上进行了详尽的实验证明了我们的框架在法律判决预测方面的优越性，尤其是对于复杂和混乱的指控。

Jul, 2024

探索图神经网络在印度法律判决预测中的应用

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