From Graph to Word Bag: Introducing Domain Knowledge to Confusing Charge Prediction
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；GuangHua Law School, Zhejiang University（浙江大学光华法学院）
本文提出FWGB方法，通过构建法律知识图谱形成词袋，并扩展注意力机制与引入新损失函数，有效解决易混淆罪名预测问题，在不平衡标签分布下表现卓越。
2024-03-24 cs.AI cs.CL
MILDSum: A Novel Benchmark Dataset for Multilingual Summarization of Indian Legal Case Judgments
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
本文提出首个面向印度法律判决的跨语言摘要基准数据集MILDSum，包含3,122份英语判决及英印双语摘要，并评测多种方法以推动法律领域跨语言摘要研究。
2023-10-28 cs.AI cs.CL
Named Entity Recognition in Indian court judgments
EkStep Foundation（EkStep基金会）；Thoughtworks Technologies India Pvt Ltd.（Thoughtworks技术印度私人有限公司）；Agami
从法律文本中识别命名实体是开发其他法律人工智能应用程序的重要组成部分。在法律文本中的命名实体略有不同，更细粒度比常用的命名实体，如人，组织，位置等，在本文中，我们介绍了一个新的语料库的46545标注的法律命名实体映射到14个法律实体类型。本文还提出了从判决文本中提取法律命名实体的基线模型。
2022-11-07 cs.AI cs.CL
Questioning Biases in Case Judgment Summaries: Legal Datasets or Large Language Models?
IIT Kharagpur（印度理工学院卡拉格普尔分校）
本文通过分析法律数据集和大语言模型生成的案件判决摘要，揭示其在性别、种族、涉女性犯罪、国家及宗教关键词上的偏见，为理解法律技术中的公平性问题提供证据。
2023-12-01 cs.AI cs.CL
Automatic Judgment Prediction via Legal Reading Comprehension
Peking University（北京大学）；Tsinghua University（清华大学）
判决结果自动预测是指根据案件材料对判决结果进行预测。几十年来，它主要由律师和法官研究，被认为是人工智能技术在法律领域的一种新颖而有前景的应用。大多数现有的方法遵循文本分类框架，它无法模拟互补的情况下材料之间的复杂的相互作用。为了解决这一问题，我们根据法律情景将任务形式化为法律阅读理解。LRC遵循人类法官的工作协议，基于三种类型的信息预测最终判决结果，包括事实描述，原告的请求和法律条款。此外，我们提出了一种新的LRC模型，AutoJudge，它捕获了事实，请求和法律之间的复杂语义交互。在实验中，我们构建了一个真实世界的民事案件数据集LRC。在该数据集上的实验结果表明，我们的模型比最先进的模型有了显着的改进。我们将在\urlgithub .com上发布所有源代码和数据集，以供进一步研究。
2018-09-18 cs.AI cs.CL
Advantages of Domain Knowledge Injection for Legal Document Summarization: A Case Study on Summarizing Indian Court Judgments in English and Hindi
Department of Mathematics（数学系）；Indian Institute of Technology Kharagpur（印度理工学院Khargpur分校）；Department of Computer Science and Engineering（计算机科学与工程系）
本研究通过注入领域知识提升印度法律文件摘要能力，生成英文和印地语摘要，验证方法有效性。
2026-02-07 cs.AI cs.CL
Legal Fact Prediction: The Missing Piece in Legal Judgment Prediction
Harbin Institute of Technology（哈尔滨理工大学）；The University of Osaka（大阪大学）；Zhejiang University（浙江大学）；Tsinghua University（清华大学）
本文提出法律事实预测（LFP）任务，以诉讼证据为输入预测法律事实，弥补法律判决预测在缺乏真实法律事实时无法应用的不足，并构建首个基准数据集LFPBench验证其有效性。
2025-11-06 cs.AI cs.CL cs.CY
AnnoCaseLaw: Legal Annotation Benchmark of Civil Negligence
University of Oxford（牛津大学）；Thomson Reuters Labs（汤森路透实验室）；Vienna University of Technology（维也纳工业大学）；University College London（伦敦大学学院）
针对现有法律判决预测数据集不切实际且缺乏高质量标注的问题，提出包含471起美国上诉法院案件的AnnoCaseLaw数据集，提供专家标注并定义三个法律任务，利用LLMs建立基准，证明该任务仍具挑战性。
2026-10-22 cs.AI cs.CL
Japanese Tort-case Dataset for Rationale-supported Legal Judgment Prediction
Tokyo Institute of Technology（东京技术大学）；Nakamura, Tsunoda & Matsumoto；Hitotsubashi University（立命馆大学）
本文提出了首个日本 tort 案件数据集，用于基于理由的法律判断预测，包含 tort 预测和理由提取两个任务，并通过实验验证了其可行性。
2024-06-13 cs.AI cs.CL
GLARE: Agentic Reasoning for Legal Judgment Prediction
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院）
针对大语言模型在法律判决预测中因缺乏法律知识导致推理不足的问题，本文提出智能体式推理框架GLARE，通过动态调用模块获取法律知识以提升推理广度与深度，并在真实数据集上验证了有效性。
2025-08-22 cs.AI cs.CL cs.CY
ILDC for CJPE: Indian Legal Documents Corpus for Court Judgment Prediction and Explanation
Indian Institute of Technology Kanpur（坎普尔印度理工学院）；Indian Institute of Science Education and Research Kolkata（加尔各答印度科学教育与研究学院）；West Bengal National University of Juridical Sciences（西孟加拉国立法科大学）
一个能够协助法官预测案件结果的自动化系统将有助于加快司法程序。为了使这样一个系统具有实际的实用性，该系统的预测应该是可解释的。为了促进开发这样一个系统的研究，我们介绍了ILDC（印度法律文件语料库）。ILDC是一个大型语料库，包含35，000个印度最高法院案例，并附有原始法院判决。语料库的一部分（一个单独的测试集）由法律专家用黄金标准解释进行注释。在ILDC的基础上，我们提出了法院判决预测与解释（CJPE）的任务。这项任务需要一个自动化系统来预测一个案例的可解释结果。我们的实验与电池的基线模型的情况下预测，并提出了一个层次遮挡模型的可解释性。我们最好的预测模型的准确率为78%，而人类法律专家的准确率为94%，这表明了预测任务的复杂性。通过分析所提出的算法的解释揭示了算法和法律专家解释判决的观点的显着差异，指出了未来的研究范围。
2021-05-31 cs.AI cs.CL
JuDGE: Benchmarking Judgment Document Generation for Chinese Legal System
DCST, Tsinghua University（清华大学数据科学研究院）
本文提出JuDGE基准，用于评估中国法律系统中的判决书生成任务，通过构建真实案件数据集与外部法律语料库，并联合法律专家建立自动化评估框架，验证了少样本学习、微调及多源RAG方法，发现RAG有效但仍有改进空间。
2025-04-30 cs.AI cs.CL cs.IR
Legal Syllogism Prompting: Teaching Large Language Models for Legal Judgment Prediction
Peking University Law School（北京大学法学院）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；PKU-WUHAN Institute for Artificial Intelligence（北大-武汉人工智能研究院）
本文提出法律三段论提示LoT，通过让LLM按“法律—事实—判决”结构推理，在CAIL2018上零样本提升GPT-3判决预测性能并增强可解释性。
2023-07-17 cs.CL
Enabling Discriminative Reasoning in LLMs for Legal Judgment Prediction
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
针对LLM难以区分相似法律指控的问题，提出ADAPT判别式推理框架并结合多任务合成轨迹微调，在两个常用数据集上显著提升法律判决预测性能。
2024-08-06 cs.CL
AIDA: Legal Judgment Predictions for Non-Professional Fact Descriptions via Partial-and-Imbalanced Domain Adaptation
Hunan University（湖南大学）；University of Macau（澳门大学）
本文研究了从一个不平衡的源域到一个部分目标域的合法领域自适应问题。该任务旨在改善非专业事实描述的法律判断预测。我们制定这个任务作为一个部分和不平衡的领域自适应问题。虽然深度领域自适应在许多无监督的领域自适应任务中已经取得了前沿的性能。然而，由于非共享类中样本的负迁移，现有的领域自适应模型难以解决部分和不平衡迁移问题。在这项工作中，我们探索大规模的非共享，但相关的类数据在源域与层次加权适应，以解决这一限制。本文提出在深度学习模型中嵌入一种新的局部不平衡领域自适应技术（AIDA），该技术可以将非共享类的兄弟类知识联合借用到源领域的共享类，并将共享类知识从源领域转移到目标领域。实验结果表明，我们的模型优于国家的最先进的算法。
2023-02-12 cs.AI cs.CL
Legal Area Classification: A Comparative Study of Text Classifiers on Singapore Supreme Court Judgments
Singapore Management University（新加坡管理大学）；Attorney-General’s Chambers, Singapore（新加坡总检察署）
本文对各种机器学习（"ML“）方法用于将判决分类到法律领域的性能进行了比较研究。使用一个包含6，227份新加坡最高法院判决的新数据集，我们研究了最先进的NLP方法在应用于包含少量但冗长文档的法律语料库时与传统统计模型的比较。所有测试的方法，包括主题模型，词嵌入，和基于语言模型的分类器，表现良好，只有几百个判断。然而，还需要做更多的工作，以优化法律领域的最新方法。
2019-04-13 cs.CL
An Empirical Study on Cross-X Transfer for Legal Judgment Prediction
University of Bern（伯尔尼大学）；University of Copenhagen（哥本哈根大学）；Cognitiv+
跨语言迁移学习已被证明在各种自然语言处理（NLP）任务中非常有用，但它在法律NLP的背景下研究不足，而在法律判断预测（LJP）中根本没有。我们使用三种语言的Swiss-Judgment-Prediction数据集探索LJP上的迁移学习技术，包括用三种语言编写的案例。我们发现，跨语言迁移提高了跨语言的整体结果，特别是当我们使用基于适配器的微调。最后，我们通过使用3倍大的训练语料库，用原始文档的机器翻译版本来增强训练数据集，从而进一步提高模型的性能。在此基础上，我们分析了跨领域和跨地区转移的影响，即，训练跨域（法律领域）或区域的模型。我们发现，在这两种情况下（法律领域，原产地），所有群体训练的模型整体表现更好，同时在最坏情况下也有更好的结果。最后，我们报告了当我们雄心勃勃地应用跨司法管辖区转移时的改进结果，在那里我们进一步用印度的法律案件来增加我们的数据集。
2022-09-25 cs.AI cs.CL cs.LG
SEMDR: A Semantic-Aware Dual Encoder Model for Legal Judgment Prediction with Legal Clue Tracing
College of Science, Northeastern University（东北大学理学院）；School of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程学院）；Department of Computer Science, University of Reading（雷丁大学计算机科学系）
针对法律判决预测中易混淆案件难区分的问题，提出带三层法律线索追踪机制的语义感知双编码器模型SEMDR，在CAIL2018数据集达SOTA，少样本场景表现优异，可提升预测准确性并降低模型不确定性。
2024-08-19 cs.CL
Swiss-Judgment-Prediction: A Multilingual Legal Judgment Prediction Benchmark
University of Bern（伯尔尼大学）；University of Copenhagen（哥本哈根大学）
在许多法域，法院工作量过大导致大量拖延。合适的人工智能预测模型可以帮助法律专业人员开展工作，从而增强和加快这一过程。到目前为止，法律判决预测（LJP）数据集已经以英语，法语和中文发布。我们公开发布了瑞士联邦最高法院（FSCS）的85，000个案例的多语言（德语，法语和意大利语）历时（2000-2020）语料库。我们评估了最先进的基于BERT的方法，包括克服BERT输入（文本）长度限制（最多512个令牌）的BERT的两个变体。分层BERT具有最好的性能（约68-70% Macro-F1-Score（德语和法语）。此外，我们还研究了几个因素（原产地，出版年份，文本长度，法律区域）如何影响性能。我们发布了基准数据集和代码，以加速未来的研究并确保可重复性。
2021-10-02 cs.CL
OBJECTION! Lawyer Agents Mitigate Guilty Bias in Legal Judgment Prediction
Seoul National University（首尔大学）；Korean National Police Agency（韩国警察厅）
本文提出整合对抗性律师智能体的OBJECTION推理流水线，结合含3400个真实案例的新“自然无罪”数据集，大幅降低法律判决预测模型的假有罪率，缓解有罪偏见，推进法律AI符合无罪推定原则。
2026-09-03 cs.AI cs.CL
Equality before the Law: Legal Judgment Consistency Analysis for Fairness
Tsinghua University（清华大学）；Beijing Powerlaw Intelligent Technology Co., Ltd.（北京幂律智能科技有限公司）
在一个法律体系中，判决的一致性被认为是公平的最重要表现之一。然而，由于在现实世界中影响量刑的事实因素的复杂性，很少有工作已经做了定量测量的判断一致性对现实世界的数据。在本文中，我们提出了一个判断不一致性的评估指标，法律不一致系数（LInCo），旨在评估按特定特征划分的数据组之间的不一致性（例如，性别、地区、种族）。我们建议模拟法官从不同的群体与法律判断预测（LJP）模型和测量的司法不一致性的判决结果的分歧LJP模型训练在不同的群体。合成数据的实验结果验证了LInCo的有效性。我们进一步使用LInCo来探讨真实案例中的不一致性，并得出以下结论：（1）法律制度中存在区域和性别不一致，但性别不一致性远远小于区域不一致性;（2）区域不一致性的水平在不同时期变化不大;（3）总体而言，司法不一致性与刑事指控的严重程度呈负相关。此外，我们使用LInCo来评估几种去偏置方法的性能，如对抗学习，发现这些机制可以有效地帮助LJP模型避免遭受数据偏差。
2021-03-25 cs.AI cs.CL cs.LG
Knowledge is Power: Understanding Causality Makes Legal judgment Prediction Models More Generalizable and Robust
Fudan University（复旦大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Tsinghua University（清华大学）
本文通过因果结构模型分析法律判决预测模型依赖非因果信息的问题，提出数据层面的CIESAM和模型层面的CASAM两种因果增强方法，在三个法律数据集上取得SOTA性能，证明因果关系是提升模型鲁棒性与泛化性的关键。
2023-04-18 cs.AI cs.CL
AR-BENCH: Benchmarking Legal Reasoning with Judgment Error Detection, Classification and Correction
SKLCCSE Beihang University（北京航空航天大学软件学院）；SCCE University of Science and Technology Beijing（北京科技大学计算机学院）；Sino-French Engineer School Beihang University（北京航空航天大学中法工程师学院）；People’s Procuratorate of Beijing Municipality（北京市人民检察院）
AR-BENCH通过构建基准数据集和评估14个大语言模型，揭示现有模型在法律判决错误识别上的局限性，旨在提升法律推理的诊断能力和可靠性。
2026-01-30 cs.CL
ReGal: A First Look at PPO-based Legal AI for Judgment Prediction and Summarization in India
ReGal通过PPO结合多任务指令微调与强化学习，探索法律AI在印度判决预测和摘要中的应用，揭示了强化学习在法律文本中的挑战与潜力。
2025-12-19 cs.AI cs.CL cs.LG
Legal Judgment Reimagined: PredEx and the Rise of Intelligent AI Interpretation in Indian Courts
Symbiosis Law School（symbiosis 法学院）；IISER Kolkata（印度科学教育与研究学院加尔各答分校）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）；Manipal University Jaipur（斋浦尔马尼帕尔大学）
本文提出印度法律领域最大的专家标注数据集 PredEx，通过指令微调大语言模型提升法律判决预测的准确性与可解释性，为法律界和 NLP 社区建立了有价值的基准。
2024-06-06 cs.AI cs.CL cs.LG
LegalDuet: Learning Fine-grained Representations for Legal Judgment Prediction via a Dual-View Contrastive Learning
Northeastern University, Shenyang, Liaoning, China（东北大学）；Tsinghua University, Beijing, China（清华大学）；Microsoft Research Asia, Beijing, China（微软亚洲研究院）；Beijing Language and Culture University, Beijing, China（北京语言大学）
本文提出LegalDuet，一种通过法律案件聚类和法律决策匹配双视图对比学习机制持续预训练语言模型的方法，有效提升了法律判决预测中区分易混淆刑事指控的能力。
2025-05-01 cs.CL
CAIL2018: A Large-Scale Legal Dataset for Judgment Prediction
Tsinghua University（清华大学）；Peking University（北京大学）；Chinese Academy of Sciences（中国科学院）；China Justice Big Data Institute（中国司法大数据研究院）；Supreme People’s Court（最高人民法院）
在本文中，我们介绍了\textbf{C}中文\textbf{AI}和\textbf{L}法律挑战数据集（CAIL 2018），这是第一个用于判决预测的大规模中文法律数据集。\dataset包含中国最高人民法院发布的超过$2.6$万个刑事案件，是现有判决预测工作中其他数据集的数倍。而且，判决结果的注释更加详细、丰富。它包括适用的法律条款、罪名和刑期，这些都是根据案件的事实描述来推断的。为了比较，我们实现了几个传统的文本分类基线的判决预测和实验结果表明，它仍然是一个挑战，目前的模型预测的判决结果的法律案件，特别是在监狱的刑期。为了帮助研究人员改进法律判断预测，\dataset和基线都将在CAIL竞赛\footnote{http://cail.cipsc.org.cn/}后发布。
2018-07-04 cs.CL
ALJP: An Arabic Legal Judgment Prediction in Personal Status Cases Using Machine Learning Models
King Abdulaziz University（阿卜杜勒阿齐兹国王大学）
本文提出一个基于机器学习和深度学习模型的阿拉伯语法律判决预测系统，在监护权和婚姻无效案件中分别达到88%和78%的最高准确率，旨在辅助法官、律师和诉讼当事人。
2023-09-01 cs.AI cs.CL
Adversarially Robust Neural Legal Judgement Systems
Indian Institute of Science（印度科学学院）
针对现有法律判决预测（LJP）系统无法抵御对抗攻击的问题，提出一种构建鲁棒LJP系统的方法，在三个法律数据集上显著提升了对抗攻击下的性能，是首个提升早期LJP系统鲁棒性的研究。
2023-07-31 cs.AI cs.CL
Legal Judgment Prediction with Multi-Stage CaseRepresentation Learning in the Real Court Setting
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；Indiana University Bloomington（印第安纳大学伯明顿分校）
法律判断预测是法律人工智能的一项重要任务。以往的方法都是在虚拟环境下，以法官总结的案件叙述作为输入来预测判决结果，而忽略了真实法庭环境下关键的案件生命周期信息，可能会影响案件逻辑表达质量和预测正确性。在本文中，我们引入了一个新的具有挑战性的数据集，从真实的法庭，以合理的预测方式预测法律判决，通过利用案件的真实输入-原告的索赔和法庭辩论数据，通过全面理解法庭辩论的多角色对话，自动识别案件的事实，然后通过多任务学习，学习判别索赔，从而达到最终判断。一组广泛的实验与大型民事审判数据集表明，所提出的模型可以更准确地描述之间的相互作用的索赔，事实和辩论的法律判决预测，实现了显着的改进，强大的国家的最先进的基线。此外，对真实法官和法学院学生进行的用户研究表明，神经预测也可以解释和易于观察，从而提高审判效率和审判质量。
2021-07-12 cs.CL
Beyond Guilt: Legal Judgment Prediction with Trichotomous Reasoning
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；University of International Business and Economics（对外经济贸易大学）
针对法律大模型缺乏三阶层推理能力的问题，构建首个含无罪判决的基准数据集LJPIV，提出融合三阶层推理的策略，显著提升判决预测准确率。
2025-02-22 cs.CL
Vichara: Appellate Judgment Prediction and Explanation for the Indian Judicial System
Vichara通过结构化方法预测和解释印度司法系统中的上诉判决，利用大型语言模型在两个数据集上取得优异表现，尤其在可解释性方面表现突出。
2026-02-20 cs.AI cs.CL
NyayaMind- A Framework for Transparent Legal Reasoning and Judgment Prediction in the Indian Legal System
IIT Kanpur, India（印度理工学院坎普尔分校）；IIT Kharagpur, India（印度理工学院克勒格布尔分校）；Symbiosis Law School Pune, India（印度共生法学院浦那分校）；Dattam Labs, India（印度Dattam实验室）；University of Birmingham, Dubai, United Arab Emirates（英国伯明翰大学迪拜校区）
NyayaMind通过整合检索、推理和验证机制，提升印度司法系统中判决预测与解释的透明度和准确性，为可信的人工智能辅助法律决策提供新方向。
2026-04-10 cs.AI cs.CL cs.LG
Neural Legal Judgment Prediction in English
Athens University of Economics and Business（雅典经济与商业大学）；University of Sheffield（谢菲尔德大学）
法律判决预测是指在给定描述案件事实的文本的情况下，自动预测法院案件结果的任务。以前使用神经模型进行这项任务的工作主要集中在中文上;只有基于特征的模型（例如，使用词袋和主题）已经被考虑在英语中。我们发布了一个新的英国法律判决预测数据集，包含来自欧洲人权法院的案件。我们在新数据集上评估了各种各样的神经模型，在三个任务中建立了超越以前基于特征的模型的强大基线：（1）二进制违规分类;（2）多标签分类;（3）案例重要性预测。我们还探讨了模型是否通过数据匿名化偏向于人口统计信息。作为副产品，我们提出了一个分层版本的BERT，它绕过BERT的长度限制。
2019-06-05 cs.CL
Athena: Retrieval-augmented Legal Judgment Prediction with Large Language Models
State Key Lab Intelligent Vehicle Safty Technol（智能车辆安全技术国家重点实验室）；Chongqing Changan Automobile Co Ltd（重庆长安汽车股份有限公司）；Law School, Peking University（北京大学法学院）
针对法律判决预测中检索增强生成（RAG）研究不足的问题，提出Athena框架，通过构建指控知识库与向量化语义检索机制作为核心预处理组件，显著提升了LLMs在CAIL2018数据集上的性能，最高准确率达95%。
2024-10-15 cs.AI cs.CL
From Judgments to Issues: Structured Extraction of Legal Reasoning with Citation-Hallucination Control
Quantitative and Digital Law Laboratory（量化与数字法律实验室）；CIRSFID - Alma AI, Faculty of Law University of Bologna（CIRSFID - 阿尔玛AI，博洛尼亚大学法学院）；Robert Schuman Centre European University Institute（罗伯特·施曼中心欧洲大学研究所）
提出自动化流程，将意大利税务法庭判决分解为法律问题，基于IRAC框架和法律三段论提取结构化XML表示，用通用模型并结合幻觉检测过滤器处理大量判决，经专家验证，为下游应用提供起点。
2026-07-07 cs.AI cs.CL cs.IR
Guidelines for the Annotation and Visualization of Legal Argumentation Structures in Chinese Judicial Decisions
Law School, Nanjing University（南京大学法学院）
提出一个系统化、可操作的标注框架，用于表示司法判决中的法律论证结构，支持大规模司法推理分析和法律论证挖掘。
2026-06-17 cs.AI cs.CL
LegalSeg: Unlocking the Structure of Indian Legal Judgments Through Rhetorical Role Classification
IIT Kanpur（印度理工学院坎普尔分校）；IISER Kolkata（印度科学教育与研究学院加尔各答分校）；Symbiosis Law School Pune（共生法律学院浦那分校）
本文针对印度法律判决的语义分割任务提出LegalSeg大型标注数据集，评估多种先进模型后发现融合上下文等信息的模型性能更优，为法律NLP研究奠定基础。
2025-02-09 cs.AI cs.CL cs.IR
Distinguish Confusion in Legal Judgment Prediction via Revised Relation Knowledge
Shanghai Jiaotong University（上海交通大学）；Tsinghua University（清华大学）
针对法律判决预测中由先验相似及数据不平衡导致的后验相似法条混淆问题，提出融合图蒸馏与动量更新记忆机制的D-LADAN模型，在准确率和鲁棒性上显著优于现有最优方法。
2024-08-18 cs.AI cs.CL
HKJudge: A Legal Discourse-Annotated Corpus for Interpreting What Courts Find, How They Reason, and What They Rule
City University of Hong Kong（香港城市大学）；University of Chinese Academy of Sciences（中国科学院大学）
提出首个句子级专家标注的法律话语数据集HKJudge，包含香港各级法院刑事判决，设计双层话语模式（26种修辞角色和3种判刑要素），并基于BERT和LLM进行基准评估。
2026-06-04 cs.AI cs.CL cs.CY
Capturing Legal Reasoning Paths from Facts to Law in Court Judgments using Knowledge Graphs
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；The Canon Institute for Global Studies（Canon全球研究机构）；Graduate Schools for Law and Politics, The University of Tokyo（东京大学法学与政治学研究生院）；TKC Corporation（TKC公司）
本文通过从648份日本行政法院判决中构建法律知识图谱，利用基于提示的大型语言模型提取推理组件并链接事实、规范与法律应用，使隐式法律推理机器可读，在法律条款检索上优于大型语言模型基线与检索增强方法。
2025-08-24 cs.AI cs.CL cs.DB
LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction
School of Information Technology（信息科技学院）
本文提出一种结合大型语言模型与统计因果发现的框架，通过改进的因果结构辨析和因子提取方法，提升法律判决预测的准确性和鲁棒性。
2026-03-12 cs.CL
CALRK-Bench: Evaluating Context-Aware Legal Reasoning in Korean Law
KAIST AI（韩国科学技术院人工智能学院）；Law School, Ajou University（亚洲大学法学院）；Department of Artificial Intelligence, Ajou University（亚洲大学人工智能系）
本文提出CALRK-Bench，一个基于韩国法律体系的情境感知法律推理基准，评估模型对法律规范时效性、案件法律信息充分性及法律判断变化原因的理解能力，实验表明大语言模型在这些任务上表现不佳。
2026-03-27 cs.AI cs.CL
Automatic explanation of the classification of Spanish legal judgments in jurisdiction-dependent law categories with tree estimators
University of Vigo（维戈大学）
本文提出结合NLP、ML与可解释AI的法律文本分类系统，通过分析树模型决策特征和阈值并以自然语言解释，在西班牙法律判决分类中准确率超90%，且解释易于理解。
2024-03-30 cs.AI cs.CL cs.LG
JPO: Juris Policy Optimization for Structured Legal Reasoning in Criminal Judgment Prediction
Tencent（腾讯）；Peking University（北京大学）；Tsinghua University（清华大学）；City University of Hong Kong（香港城市大学）；University of California（加利福尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Zhejiang University（浙江大学）；University of Hong Kong（香港大学）
JPO是用于中国刑事判决预测的后训练框架，通过监督四步推理过程与带复合奖励的强化学习，提升判决预测及推理质量。
2026-10-06 cs.CL
Multimodal Multi-Agent Empowered Legal Judgment Prediction
Peking University（北京大学）；Chengdu Minto Tech（成都Minto科技）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Macau（澳门大学）；Tsinghua university（清华大学）；Zhejiang University（浙江大学）
本文提出JurisMMA框架，通过多模态多智能体技术提升法律判决预测的准确性，并构建了包含大量司法记录的JurisMM数据集，验证了其在法律领域应用的广泛有效性。
2026-02-19 cs.AI cs.CL cs.CY
LexChronos: An Agentic Framework for Structured Event Timeline Extraction in Indian Jurisprudence
LexChronos通过双代理架构提取印度最高法院判决中的结构化事件时间线，提升法律文本理解和推理能力。
2026-03-02 cs.AI cs.CL
Precedent-Enhanced Legal Judgment Prediction with LLM and Domain-Model Collaboration
Zhejiang University（浙江大学）；Worcester Polytechnic Institute（伍斯特理工学院）；Alibaba Group（阿里巴巴集团）
提出先例增强的LJP框架（PLJP），结合大语言模型与领域模型，利用先例提升法律判决预测的准确性和有效性。
2023-10-13 cs.CL
TathyaNyaya and FactLegalLlama: Advancing Factual Judgment Prediction and Explanation in the Indian Legal Context
Indian Institute of Technology Kanpur（印度理工学院坎浦尔分校）；Symbiosis Law School Pune（辛博斯法学院浦那）；IISER Kolkata（印度科学研究所科希利）；University of Birmingham（伯明翰大学）
本文针对印度法律语境下的事实判断预测与解释任务，构建了最大标注数据集TathyaNyaya，并提出指令微调模型FactLegalLlama，结合Transformer实现准确预测与连贯解释，为该领域提供基础资源与基准。
2025-11-15 cs.AI cs.CL cs.IR
Low-Resource Court Judgment Summarization for Common Law Systems
The Hong Kong Polytechnic University（香港理工大学）；University of Technology Sydney（悉尼科技大学）
针对普通法系跨多司法管辖区判决摘要生成标注数据稀缺的问题，本研究提出首个多司法管辖区普通法判决摘要数据集CLSum，首次将大语言模型应用于该任务的数据增强、生成与评估，验证了相关方法的有效性。
2024-03-07 cs.AI cs.CL
NyayaAnumana & INLegalLlama: The Largest Indian Legal Judgment Prediction Dataset and Specialized Language Model for Enhanced Decision Analysis
IIT Kanpur（坎普尔印度理工学院）；Symbiosis Law School Pune（浦那共生法律学院）；IISER Kolkata（印度科学教育与研究学院 Kolkata）
针对印度司法案件积压问题，该研究推出最大规模印度法律判决预测数据集NyayaAnumana和领域专用大模型INLegalLlama，通过两阶段训练实现约90%的F1值，兼顾预测准确率与可解释性。
2024-12-11 cs.AI cs.CL cs.IR
Deconfounding Legal Judgment Prediction for European Court of Human Rights Cases Towards Better Alignment with Experts
Graduate Institute of International and Development Studies（日内瓦高级国际关系及发展学院）；Technical University of Munich（慕尼黑工业大学）
这项工作表明，法律判断预测系统没有专家知情的调整可能容易受到浅层，分散注意力的表面信号，产生语料库建设，案件分布和混杂因素。为了减轻这种情况，我们使用领域专业知识来战略性地识别统计预测但法律上不相关的信息。我们采用对抗训练来防止系统依赖它。我们通过使用可解释性技术和与专家注释进行比较来评估我们的去基础模型。定量实验和定性分析表明，我们的去基础模型始终比仅用于预测的基线更好地与专家理论保持一致。我们进一步贡献了一套参考专家注释的验证和测试分区的现有基准数据集的欧洲人权法院的案件。
2022-10-25 cs.CL
AppellateGen: A Benchmark for Appellate Legal Judgment Generation
Nanyang Technological University（南洋理工大学）；Ocean University of China（中国海洋大学）；The Hong Kong Polytechnic University（香港理工大学）；Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）；University of Science and Technology of China（中国科学技术大学）；Cornell University（康奈尔大学）
本文提出AppellateGen基准测试，包含7351个案例对，用于生成上诉阶段的法律判决，通过模拟司法流程验证模型在上诉推理中的逻辑一致性与挑战。
2026-03-29 cs.CL cs.CY cs.LG
ClassActionPrediction: A Challenging Benchmark for Legal Judgment Prediction of Class Action Cases in the US
Darrow AI Ltd.（达罗人工智能有限公司）
法律自然语言处理（NLP）是近年来的一个研究热点，其中法律判决预测（LJP）是其中研究最多的课题之一。到目前为止，大多数公开发布的LJP数据集来自大陆法系国家。在这项工作中，我们首次发布了一个具有挑战性的LJP数据集，专注于美国的集体诉讼案件。这是普通法制度中第一个专注于更困难和更现实的任务的数据集，涉及投诉作为输入，而不是法院经常使用的事实摘要。此外，我们通过收集专家的人类预测来研究任务的难度，结果表明，即使是人类专家在这个数据集上也只能达到53%的准确率。我们的Longformer模型明显优于人类基线（63%），尽管只考虑了前2，048个代币。此外，我们进行了详细的误差分析，发现Longformer模型的校准效果明显优于人类专家。最后，我们公开发布数据集和用于实验的代码。
2022-11-01 cs.AI cs.CL cs.LG
