本文介绍了利用人工智能技术，从司法判决中提取法律指标，通过构建律师和判决的网络图和排名律师的指标来缩小信息不对称和提高公正性，同时还探讨了基于社区特征来表示案件困难程度的度量方式。

Jun, 2020

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

该研究提出了一种用于法律案例文件和相关法律的知识图构建方法，旨在高效组织法律信息并增强各种下游任务。通过数据爬取、信息提取和知识图部署三个主要步骤，利用自然语言处理技术从非结构化文本中提取法院、案例、领域和法律等实体及其关系，建立异构图，为律师、法官和学者等用户提供有效的法律信息表达。该方法基于无监督学习方法构建了基线模型，并通过整合知识图，实现了对给定法律案例的相关法律的识别，为法律案例分析、法律建议和决策支持等领域的各种应用提供了机会。

Sep, 2023

该论文介绍了使用法律知识图谱构建的案例图采用预测相似节点来解决节点相似性选择节点类型和特征的挑战等问题，并提出了一种解决方案。

Jul, 2021

我们提出了一种结合自然语言处理和机器学习技术的方法，通过创建文本嵌入来增强法律案例描述的组织和利用，实现无监督聚类和有监督引文检索，以自动化提取引文的过程，从而实现更高效、节省时间、便捷的法律研究和论证。

May, 2024

利用 NLP、AI 和法律领域的结合，本研究利用 AI 分类器来预测巴西法律系统中二级谋杀案和主动贪污案的司法结果，并发现分层注意网络是最好的算法之一，可用于找出用于证明被告无罪或有罪的最重要单词。

Jul, 2022

本研究介绍了一个从法律案例中检索、处理和提取目标信息的端到端方法，并进行了在加拿大难民法律领域的案例研究。通过使用最先进的神经命名实体识别技术，从不同的神经网络模型中选择最佳方法来提取有用的信息。模型可以在 5 个目标类别上实现高于 90% 的 F1 分数，并在其他 4 个类别上实现超过 80% 的分数。

May, 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

提出了一种增强学习模型的方案，即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识，并采用基于卷积的模型来减少关注空间，从而大大提高了文本分类和自然语言推理任务的性能。

Feb, 2018

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