COLINGFeb, 2024

提高瑞士判决预测的可解释性与公平性：在多语言数据集上进行基准测试

PDF
TL;DR对法律判决预测系统中可解释性的评估至关重要，该研究利用瑞士判决预测数据集 (Swiss Judgement Prediction) 研究了多语言 LJP 模型的可解释能力和公平性，并通过全面的支持和反对判决的理由，评估了基于 BERT 的单语言和多语言 LJP 模型的解释性能和预测性能改进的技术。研究结果表明，预测性能的提高并不一定对应于解释性能的增强，强调了从可解释性的角度评估模型的重要性。此外，还引入了一种新的评估框架，即底层法院插入 (Lower Court Insertion)，用于量化底层法院信息对模型预测的影响，揭示了当前模型的偏见。
explainabilitylegal judgement predictionfairnessswiss judgement predictionexplanation
发现论文，激发创造
  • Swiss-Judgment-Prediction: 多语言法律判决预测基准

    通过多语言的法律案例数据集，使用 BERT 模型，成功预测了瑞士联邦最高法院的裁决案例，提高了司法工作效率。

    Oct, 2021

  • 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

  • ALJP：基于机器学习模型的个人状态案件的阿拉伯语法律判决预测

    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

  • SLJP：基于语义提取的法律判决预测

    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

  • 关于法律判定预测中的跨 X 迁移的实证研究

    本文利用三种语言的瑞士判例数据集，探讨了交叉语言转移学习在法律判决预测任务上的应用，结果表明使用适配器微调技术可以显著提高模型性能，并且在跨领域和跨地区转移的情况下，训练数据集的扩充和印度法律案例的加入都有助于提高模型的性能。

    Sep, 2022

  • 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

  • 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

  • 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

  • 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

  • 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