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

为了解决多个司法管辖区缺乏数据集的问题，我们提出了 CLSum，这是用于总结多司法管辖区普通法法院判决文件的第一个数据集。此外，本文还首次采用基于大型语言模型（LLM）的数据增强、摘要生成和评估方法来进行法院判决摘要研究，实验证明 LLM 方法在少样本和零样本设置下能够表现良好，同时本文还进行了全面的对比实验，找到能够提高摘要性能的关键模型组成部分和设置。

Mar, 2024

通过研究法律数据集和大型语言模型产生的案件判决摘要中存在的偏见，分析其对法律决策的影响，揭示大型语言模型和预训练的摘要模型生成结果中存在的有趣偏见，并探讨这些偏见背后的原因。

Dec, 2023

利用大型语言模型进行相关判决的准确性研究，提出了一种适用于法律案例相关判决的新型工作流程，并通过与人工专家判断的比较，证明了该工作流程可以获得可靠的相关判决，并通过大型语言模型生成的数据综合增强现有的法律案例检索模型的能力。

Mar, 2024

本文探讨了使用统计分析、机器学习、深度学习、零样本学习等基于自然语言处理技术的方法，以有效地分析来自香港法院系统的法律判决，并提供了五种方法，从而能够从个人以及一组判决中提取关键见解和极性 sentiment，以便快速提取洞见并使香港判决的整体分析更少烦琐、更自动化。

May, 2023

本文研究比较了各种机器学习方法，用于将判决分为不同的法律领域，结果表明包括主题模型、词向量和语言模型分类器在内的所有方法都表现良好，但还需要进一步优化这些先进的方法以适应法律领域。

Apr, 2019

本文探讨了使用抽象式摘要模型生成司法判决结果的可行性，通过对印度法院判决结果运用数个领域专用和通用语言模型进行检验，发现在标准摘要质量度量标准中抽象式摘要模型略优于抽取式模型，然而生成的抽象式摘要信息通常不一致或产生幻象，因此，目前介入人员进行检查和校对更为合适。

Jun, 2023

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

通过数字技术，特别是 AI，在大规模的意大利项目 PRODIGIT 中，我们成功地生成法官决定的摘要，并提取了相关信息，如法律问题的识别和决策标准的提取。我们采用了不同的工具和方法进行提取和概括，其中包括了 GPT4 和 LLMs，得到了满意的结果。基于此，我们正在构建一个原型应用，将向公众提供。

Aug, 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