本研究提出了一种在法律决策摘要中提取摘要的技术，该技术利用有限的专家注释数据在低资源环境下操作。我们测试了一组使用顺序模型定位相关内容的模型，并利用最大边际相关性来处理冗余以组合摘要。我们还展示了一种隐式方法来帮助培训我们的建议模型生成更多有信息量的摘要。我们的多任务学习模型变体通过将修辞角色识别作为辅助任务来进一步提高摘要器的性能。我们对包含来自美国退伍军人委员会的法律裁决的数据集进行了广泛的实验，并对我们的模型进行了定量和专家排名评估。我们的结果表明，所提出的方法可以实现 ROUGE 得分与与专业提取的摘要相匹配的得分。

Oct, 2022

使用主题建模算法（如 Latent Dirichlet Allocation、非负矩阵分解和 Bertopic）对来自印度和英国的大量法律文件进行了案例注释，并对印度案例的时间线进行了分析，以识别不同司法管辖区中主要主题的演变。

May, 2024

通过使用无监督的基于图形的排名模型，并使用重新加权算法来利用法律判决文件结构的特性，本研究研究了使用不同方法计算文档结构的影响，结果在加拿大法律案例实验数据集上表明了我们提出的方法优于多个强基线。

Nov, 2022

通过开发和应用新的法律分析分类法，本文对英国的判决摘要案例进行主题建模。研究发现法律大数据模型在正确分类主题上的准确率为 87.10%。该分析揭示了在不同法律领域中适用判决摘要的独特模式，为英国法律提供了一种新的分类法。这项工作的意义在于为后续研究和政策讨论提供基础，推动司法管理和计算法律研究方法的发展。

May, 2024

本文使用自然语言处理技术，比较了基于关键词和逻辑运算符的传统方法与基于 Claude 2 大型语言模型的创新方法，在英国法院裁决案例的大语料库中提取总结性判决案例。结果表明，大语言模型的加权 F1 得分为 0.94，而关键词法的得分仅为 0.78，说明大语言模型在捕捉法律语言中的细微差别方面更加有效。本文展示了先进自然语言处理技术在核心法律研究任务中的应用，并且阐明了这些技术如何填补系统性差距并提升法律信息的可获取性。同时，我们分享了提取的数据集度量，以支持进一步的总结性判决研究。

Mar, 2024

本文研究了如何将文本分类方法应用于法国最高法院判决案件的法律领域和判决预测，并调查了判决描述的文本形式在时间段上对判决的影响以及模拟真实世界测试情景需要遮盖法官动机的程度。我们使用基于词汇特征训练的线性支持向量机分类器报告了 96％的案件判决预测 f1 得分，90％的法律领域预测 f1 得分和 75.9％的发布判决时间跨度估计 f1 得分。

Aug, 2017

针对从法律判决中提取相关段落的任务，本文构建了一个专门的数据集，并评估了当前检索模型的性能，同时还使用不同模型建立了微调基准。结果突显了微调和零 - shot 方法之间的显著差距，强调了处理法律领域中分布偏移的挑战。本文还探讨了各种参数高效微调方法，并在信息检索的背景下评估了它们的实用性，为不同预训练和模型架构选择参数高效微调方法提供了启示。

Mar, 2024

该研究提出了一种方法，通过对句子和文档的主题进行深入理解，不仅分析数据中的词频，而且可以检测包括非常见词或新词在内的潜在主题，还使用了基于语义空间的异类词和相似性度量等新的评价指标，并通过与人工识别相似性度量的相关系数，在文本挖掘方面展现出优秀的性能结果。

Mar, 2023

针对印度等人口密集的国家法律案件增长的问题，本论文提出了解决该问题的有效技术 ——SemEval-2023 任务 6：理解法律文本的系统，该系统利用 Legal-BERT-HSLN 模型和 Legal-LUKE 模型预测法律文件的修辞角色和识别法律实体，并表明模型优于基线模型，在领先的任务排行榜中取得显著成绩。

Mar, 2023

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