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

通过自动化流程从法律决策文本中发现相关主题，方法包括使用主题模型生成特征，并通过惩罚回归和后选择显著性检验进行评估；实验证明该方法在域名争议和欧洲人权法院侵权案例数据集上识别出与结果显著相关的案例主题、可以手动解释的主题 - 词分布以及可以用于找出每个主题的代表性案例的案例 - 主题权重；该方法产生的主题与两个领域的法律原则一致，可在其他相关法律分析任务中发挥作用。

Jan, 2024

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

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

使用法律专家与大型语言模型（LLM）的协作框架进行主题分析和归纳编码相关研究，对刑事法院意见中的案件描述进行分析，发现典型盗窃案的类别，并证明 LLM 能有效产生初步编码、提高编码质量以及自动分类案件描述主题，为法律研究人员在整合 LLM 到他们的主题分析项目中提供指导。

Oct, 2023

印度司法体系中，针对印度语言的法律文件进行自动摘要是一个重要的问题，本研究以英语为源语言，尝试将印度的法律文件进行跨语言的英汉自动摘要。研究使用了 3122 例高质量的印度法院的判决案件，并展示了在法律领域跨语言摘要研究的必要性。

Oct, 2023

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

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