Aug, 2024

多源异构知识注入的法律指控预测提示学习方法

HTML
PDF
TL;DR本研究针对现有法律指控预测方法未能有效利用多源外部知识的不足，提出了一种基于提示学习框架的方法。该方法通过法律知识库、对话式大语言模型和相关法律文献，融合多种异构外部知识，显著提升了模型推理效果，并在当前最大法律指控预测数据集CAIL-2018上取得了最优实验结果，表现出较低的数据依赖性和强有力的可解释性。
发现论文，激发创造
  • 利用法律基础学习预测刑事案件的指控

    该研究提出了一种基于注意力机制的神经网络方法来共同模拟指控预测任务和相关法律条款提取任务，实验结果表明，相关条款可以清晰地改善指控预测结果，该模型可以有效地预测不同表达风格的案件指控。

    Jul, 2017

  • 刑事案件的可解释性指控预测：从事实描述中学习生成法院观点

    该研究通过提出一种基于标签的Seq2Seq模型，旨在从刑事案件的事实描述中生成法庭观点，以提高刑事指控预测系统的可解释性和帮助自动生成法律文件。

    Feb, 2018

  • 从罪行定义中创建辅助表示用于刑事指控预测

    通过使用刑法条文的定义，基于刑法条款中的正式术语来解决不同罪案之间表达差异的问题，用于辅助法律助手系统中的罪案预测技术，并使用集成的句子和单词级别的注意机制来创建辅助事实表示。实验结果表明，我们的模型在类别数据有限的情况下，有望显著提高辅助系统的预测性能。

    Nov, 2019

  • 真实法庭环境下的多阶段案件表征学习法律判决预测

    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

  • 利用任务依存性和对比学习进行欧洲人权法院案例结局分类

    该研究报道了一项关于欧洲人权法院案例结果分类的实验，使用层级对比损失用于提升分类性能。

    Feb, 2023

  • 非专业描述的少样本领域自适应充电预测

    该研究提出了一种新颖的少样本域自适应方法(DLCCP)，旨在改进非专业人士友好的指控预测模型。通过设计优化目标，将内容和样式空间解纠，同时提取和对齐元素级和实例级内容表示，该方法在开放数据集NCCP上的实验证明了其优越性。

    Sep, 2023

  • 从图到词袋：将领域知识引入混乱电荷预测

    在法律人工智能中，混淆罪名预测是一项具有挑战性的任务，本文介绍了一种从图形到词袋（FWGB）的新方法，通过引入组成要素的领域知识以指导模型对混淆罪名进行判断，从而提高预测性能。

    Mar, 2024

  • 借助知识注入和指导增强法院视图生成

    Knowledge Injection and Guidance (KIG) is a novel approach that combines Pretrained Language Models (PLMs) with domain knowledge to enhance Court View Generation (CVG), outperforming established baselines in the responsivity of claims by 11.87%.

    Mar, 2024

  • 大规模语言模型中的辨别性推理对法律判决预测的促进

    通过引入基于人类司法推理的问-辨-判 (ADAPT) 推理框架，将大型语言模型 (LLMs) 用于有效的法律判决预测，并通过多任务合成轨迹的微调来提高准确性和效率，本论文在两个广泛使用的数据集上进行了详尽的实验证明了我们的框架在法律判决预测方面的优越性，尤其是对于复杂和混乱的指控。

    Jul, 2024

  • 大型语言模型能否理解法律理论？通过多智能体协作提升法律推理能力

    本研究旨在解决大型语言模型（LLMs）在法律理论理解和复杂法律推理任务中的不足。我们提出了一种新颖的多智能体框架（MALR），该框架利用非参数学习方式，有效地分解复杂的法律任务以模仿人类的学习过程，从而提升LLMs的法律推理能力。实验证明，该框架能够有效应对现实场景中的复杂推理问题，对于法律领域的应用具有重要影响。

    Oct, 2024