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

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

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

本文对不同类型的文本摘要模型（如抽取式与生成式模型）在法律文本中的表现进行分析，特别是将最近的基于 transformer 的生成式摘要模型应用于法律文本摘要时，由于法律文档非常长，必须考虑这些模型的限制。同时，本文还提供了在针对法律文档进行摘要系统评估方面的一些有用结论。

Oct, 2022

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

提出了一种基于领域知识的无监督算法 DELSumm 来实现自动化法律文书摘要，该算法在印度最高法院的案例文件上的实验表明，该算法在 ROUGE 分数方面优于多个强基线，包括基于通用算法和专业法律算法，尽管该算法没有监督学习，但胜过了多个训练了数千个文件摘要对的监督式算法模型。

Jun, 2021

本文提出了一种方法，利用大型预训练模型和多样的现有语料库，解决低资源抽象摘要化问题，在各种写作风格和形式的摘要语料库上实验证明，我们的方法仅使用 0.7％的可训练参数与以前的工作相比，在低资源情况下实现了 6 个语料库的最新技术水平。

Feb, 2021

该研究提出了一种在印度法律文本中标准化文本的方法，并测试了两种最先进的专业无关模型用于法律文本摘要。通过领域专家的评估和 ROUGE 指标的使用，结果表明所提出的文本标准化方法在专业无关模型中的效果很好。

Jun, 2022

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

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