On Wednesdays, We Ask Questions: Optimizing "Active Listening" in Automated Legal Triage and Referral
Suffolk University Law School(苏福克大学法学院)
本文通过专家律师和LLM评估FETCH分类器的追问问题方法,发现低成本LLM在分类任务中表现良好但生成高质量问题需高成本模型,并提出法律分诊问题评估标准。
2026-05-29 cs.AI cs.CL cs.CY
Automating Legal Interpretation with LLMs: Retrieval, Generation, and Evaluation
Wangxuan Institute of Computer Technology, Peking University(北京大学王轩计算机技术研究所);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究所);Peking University Law School(北京大学法学院)
本文提出ATRIE框架,利用大语言模型自动检索、解释和评估法律概念,无需法律专家参与,实验表明其解释质量与专家相当且全面性和可读性更优。
2025-05-31 cs.AI cs.CL
Weaving Pathways for Justice with GPT: LLM-driven automated drafting of interactive legal applications
Suffolk University Law School(萨福克大学法学院)
针对提升自助诉讼工具开发效率的需求,本文提出三种基于大语言模型的法庭文书自动填写方法,经实验验证混合约束起草加人工审核的模式效果最优。
2023-12-14 cs.AI cs.CV cs.CY
Automatic Legal Writing Evaluation of LLMs
Maritaca AI
针对法律写作评估基准稀缺的问题,提出基于巴西律师资格考试的oab-bench基准,评估四个LLM表现,并验证了前沿模型作为自动评估器的可靠性。
2025-04-29 cs.AI cs.CL
Expert Evaluation of LLM's Open-Ended Legal Reasoning on the Japanese Bar Exam Writing Task
Tohoku University(东大);Tokyo Metropolitan University(东京 Metropolitan 大学)
本文首次提出评估LLM在日本法律领域开放式法律推理能力的数据集,通过法律专家对模型输出的评估揭示了法律推理的局限性与挑战。
2026-04-26 cs.AI
Miko Team: Deep Learning Approach for Legal Question Answering in ALQAC 2022
Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学)
我们在自动法律问答竞赛(ALQAC 2022)中介绍了用于法律文档处理的高效的基于深度学习的方法,包括法律文档检索和法律问答任务。在这次比赛中,我们在第一个任务中获得了1个\textsuperscript{st}的位置,在第二个任务中获得了3个\textsuperscript{rd}的位置。我们的方法基于XLM-RoBERTa模型,该模型在微调到特定任务之前从大量未标记的语料库中进行预训练。实验结果表明,我们的方法在有限的标记数据的法律信息检索任务的效果很好。此外,该方法还可应用于其他低资源语言的信息检索任务。
2022-11-04 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
Using LLMs to Discover Legal Factors
Learning Research and Development Center(学习研究与发展中心);University of Pittsburgh(匹兹堡大学);Carnegie Mellon University(卡内基梅隆大学);Duquesne University(杜肯大学)
本文提出一种利用大型语言模型从原始法院意见中发现法律因素及相关定义的半自动化方法,实验证明该方法生成的因素表示能以中等成功率预测案件结果。
2024-10-10 cs.AI cs.CL
Magis-Bench: Evaluating LLMs on Magistrate-Level Legal Tasks
Maritaca AI;Jusbrasil;Campinas São Paulo Brazil(巴西坎皮纳斯圣保罗)
Magis-Bench评估大语言模型在法官级别法律任务上的能力,包含74道来自巴西司法职位竞争考试的问题,采用LLM-as-a-judge方法评估23种先进模型,结果显示法官级法律推理和写作仍具挑战性。
2026-05-08 cs.AI cs.CL
NeCo@ALQAC 2023: Legal Domain Knowledge Acquisition for Low-Resource Languages through Data Enrichment
VNU University of Engineering and Technology(越南国立大学工程技术大学);National Institute of Informatics(国立情报学研究所)
本文提出NeCo团队在ALQAC 2023越南语法律问答任务中的解决方案,通过结合相似度排序、深度学习模型及自适应技术进行数据增强,在法律文档检索和答案提取任务上取得出色结果,验证了低资源语言法律问答系统的有效性。
2023-09-11 cs.AI cs.CL
Retrieval Augmented Generation Framework for the Nepali Legal Domain Question Answering
Dublin City University(都柏林城市大学)
提出首个基于检索增强生成的尼泊尔法律问答模型,利用BM25和E5模型检索案例法,实现91%的top-1精度和74%的生成答案可信度。
2026-04-20 cs.AI cs.CL
NLP at UC Santa Cruz at SemEval-2024 Task 5: Legal Answer Validation using Few-Shot Multi-Choice QA
Baskin School of Engineering(巴斯金工程学院);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
本文针对SemEval-2024法律答案验证任务,提出微调BERT领域模型和GPT少样本多项选择问答重构两种方法,最佳模型在20队中排名第7。
2024-04-04 cs.AI cs.CL
Using Argumentation Schemes to Model Legal Reasoning
University of Liverpool(利物浦大学)
我们提出了论证方案模型推理与法律案件。我们为事实确立后发生的三个阶段中的每一个阶段提供方案:因素归属,问题解决和结果确定。该计划说明了从一个特定的法律域,美国商业秘密法的例子,这些计划的更广泛的适用性进行了讨论。
2022-10-01 cs.AI
Evaluating Legal Reasoning Traces with Legal Issue Tree Rubrics
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);LBOX;Stanford(斯坦福);Yale(耶鲁)
本文提出 LEGIT 数据集,用于评估 LLM 在法律领域推理轨迹的质量,发现法律问题覆盖度和正确性影响 LLM 推理能力,RAG 和带准则的 RL 分别提升整体能力与正确性。
2026-05-01 cs.AI cs.CL
Natural Language Processing for the Legal Domain: A Survey of Tasks, Datasets, Models, and Challenges
The University of Queensland(昆士兰大学)
本文综述了法律领域NLP的任务、数据集、模型及挑战,探讨了法律文本处理的独特性与现存问题,并提出了十六项开放研究挑战。
2025-07-30 cs.AI cs.CL
Legal Compliance Evaluation of Smart Contracts Generated By Large Language Models
School of Computing Technologies, RMIT University(RMIT大学计算机技术学院);CSIRO’s Data61(CSIRO数据61研究中心);University of Technology, Sydney(悉尼技术大学)
本文研究大语言模型生成合法合规智能合约的能力,提出一套通过将法律合约与智能合约建模为流程并比较行为来量化法律合规性的度量标准,实验表明大模型合规性更高且该度量标准为自动化开发奠定基础。
2025-06-01 cs.AI cs.SE
Assessing the Reliability of Large Language Models in the Bengali Legal Context: A Comparative Evaluation Using LLM-as-Judge and Legal Experts
Chittagong University of Engineering and Technology(奇坦冈工程与技术大学);ResearchBuddy AI
该研究通过250个孟加拉国真实法律问题,结合LLM-as-Judge、法律专家评估和自动指标,比较四种大语言模型的法律回答质量,发现其虽能生成高质量回答但存在严重不实信息,强调部署前需严格专家验证与保障。
2025-11-07 cs.AI cs.CY
Dispute resolution in legal mediation with quantitative argumentation
Zhejiang University(浙江大学)
针对法律调解中未充分考量规范与事实及现有论点更新方法低效的问题,本文提出了整合多方知识与法律规范的QuAM框架,并开发了新的形式化方法以建模目标论点可接受性与变量值之间的关系。
2024-09-25 cs.AI
NOWJ1@ALQAC 2023: Enhancing Legal Task Performance with Classic Statistical Models and Pre-trained Language Models
VNU University of Engineering and Technology(越南国立大学工程技术大学);National Institute of Informatics(国立信息学研究所)
本文提出NOWJ1团队在ALQAC 2023中的方法,通过结合经典统计模型与预训练语言模型,并采用学习排序和子任务拆分策略,有效提升了法律文档检索与问答任务的性能。
2023-09-16 cs.AI cs.CL
On the Suitability of pre-trained foundational LLMs for Analysis in German Legal Education
Universität Passau(帕绍大学);Institut für Rechtsdidaktik, Universität Passau(帕绍大学法律教学法研究所)
本文评估了预训练基础LLM在德国法律教育分析中的适用性,发现其在特定任务和复杂语境下表现不佳,为此引入基于RAG的提示示例选择方法显著提升预测,并证实其在低标注数据场景下优于基线。
2024-12-20 cs.AI cs.CL
Automatic coherence-driven inference on arguments
Steve Huntsman(独立研究者)
针对法律等领域普遍的论证不一致问题,提出结合大型语言模型(LLMs)提取命题与组合优化实现连贯性驱动推理(CDI)的神经符号架构,为立法政策分析和法律推理提供论证连贯性判断支持。
2025-09-23 cs.AI cs.CY
KRAG Framework for Enhancing LLMs in the Legal Domain
Center for Juris-Informatics, ROIS-DS(法信息学中心,研究组织信息与数据科学研究中心);Research and Development Center for Large Language Models, NII(国立信息学研究所大语言模型研发中心)
本文提出知识表示增强生成(KRAG)框架及其法律实现模型Soft PROLEG,通过推理图辅助LLMs提供结构化法律推理,显著提升模型在法律领域的理解与处理能力。
2024-10-10 cs.AI cs.CL
AF-XRAY: Visual Explanation and Resolution of Ambiguity in Legal Argumentation Frameworks
Gonzaga University, Spokane, WA(Gonzaga大学)
本文提出开源工具包AF-XRAY,通过分层可视化、攻击边分类、语义叠加和关键攻击集识别,解决法律论证框架中的歧义问题,帮助非专家理解论证可接受性并支持目的论法律推理。
2025-07-14 cs.AI
Toward Robust Legal Text Formalization into Defeasible Deontic Logic using LLMs
TU Wien(维也纳技术大学);AIT Austrian Institute of Technology(奥地利技术研究所);School of Engineering and Technology(工程与技术学院);Artificial Intelligence and Cyber Futures Institute(人工智能与未来网络研究院)
本文提出利用LLMs将法律文本形式化为可撤销规范逻辑,通过结构化管道和改进的评估方法,提升形式化的一致性和完整性。
2025-12-31 cs.AI cs.CL cs.CY
Automated Creation of the Legal Knowledge Graph Addressing Legislation on Violence Against Women: Resource, Methodology and Lessons Learned
Computer Science Department, University of Bari Aldo Moro(巴里阿尔多·莫罗大学计算机科学系)
本文提出两种互补的自动化法律知识图谱构建方法(系统性自下而上方法与基于大型语言模型的新方案),整合结构化数据提取、本体开发与语义丰富化,针对欧洲法院针对妇女暴力案件构建并验证了法律知识图谱,显著提升了法律信息的可访问性并支持预测性司法的机器学习应用。
2025-08-08 cs.AI
Dealing with Qualitative and Quantitative Features in Legal Domains
Inst. for Computer Science and Eng. (UNS-CONICET)(计算机科学与工程研究所(南方国立大学-阿根廷国家科学技术研究委员会));Universidad Nacional del Sur(南方国立大学);Universidad Nacional de Santiago del Estero(圣地亚哥德尔埃斯特罗国立大学);University of Bologna(博洛尼亚大学)
在这项工作中,我们丰富了论证的形式主义,包括一个正式的特征相关的知识,以捕捉适当的推理在法律领域。我们以标签的形式将元数据信息添加到参数中,这些标签表示关于参数的定量和定性数据。这些标签根据参数之间的支持、冲突和聚合关系通过论证图传播。
2019-03-05 cs.AI
Automated legal reasoning with discretion to act using s(LAW)
CETINIA, Universidad Rey Juan Carlos(胡安卡洛斯国王大学 CETINIA)
针对现有自动化法律推理中模糊概念建模难、理由说明不足或不可扩展的问题,研究提出用s(CASP)建模模糊概念,搭建s(LAW)框架,以马德里学生录取标准验证了其法律建模、推理与释明的有效性。
2024-01-25 cs.AI
The NAI Suite -- Drafting and Reasoning over Legal Texts
American University of Paris(巴黎美国大学);University of Luxembourg(卢森堡大学)
提出了一个基于法律文本的自动推理原型NAI。作为输入,NAI接受这些法律文本的形式化逻辑表示,这些法律文本可以使用集成的注释接口创建和管理。该原型支持自动推理在给定的文本表示和多个质量保证过程。NAI套件的语用学及其在实际应用中的可行性研究了苏格兰议会2016年禁止吸烟(机动车辆中的儿童)(苏格兰)法案的一个片段。
2019-10-15 cs.AI
Explainable Automated Reasoning in Law using Probabilistic Epistemic Argumentation
Technical University of Darmstadt(达姆施塔特工业大学);University of Stuttgart(斯图加特大学)
将自动推理工具应用于法律决策支持和分析,有可能使法院判决更加透明和客观。由于证据的准确性和相关性往往存在不确定性,因此需要采用非经典推理方法。在这里,我们调查概率认知论证作为自动推理有关法律案件的工具。我们介绍了一个一般的计划,以模拟法律案件的概率认知论证问题,解释如何可以模拟证据和素描如何解释法律决定可以自动生成。我们的框架是很容易解释的,可以处理循环结构和不精确的概率,并保证在最坏的情况下多项式时间的概率推理。
2020-09-12 cs.AI
LAR-ECHR: A New Legal Argument Reasoning Task and Dataset for Cases of the European Court of Human Rights
Athens University of Economics and Business(雅典经济与商业大学);Athena Research Center(雅典娜研究中心);Institute for Language and Speech Processing(语言与语音处理研究所)
本文提出法律论证推理任务LAR及基于欧洲人权法院案件的LAR-ECHR数据集,通过评估七个LLM发现其排名与LegalBench一致且区分度更高,最佳模型GPT-4o准确率仅75.8%,仍有较大提升空间。
2024-10-17 cs.AI cs.CL
Technical Report on the Learning of Case Relevance in Case-Based Reasoning with Abstract Argumentation
Imperial College London(伦敦帝国学院)
本文研究在法律案例推理中结合抽象论证与决策树自动学习案例相关性,实验表明该方法在两个法律数据集上具有竞争力,并能生成更紧凑、更易解释的表示。
2023-10-30 cs.AI
The Conflict Between People's Urge to Punish AI and Legal Systems
School of Computing, KAIST(韩国科学技术院计算学院);Data Science Group, Institute for Basic Science(基础科学研究院数据科学组);Graduate School of Science and Technology Policy, KAIST(韩国科学技术院科技政策研究生院);School of Law, Korea University(高丽大学法学院)
鉴于人工智能(AI)在高风险场景中的部署,对其进行监管已成为必要。本文探讨了将法律人格扩展到人工智能和机器人的建议,这些建议尚未通过公众的视角进行审查。我们提出了两项研究(N = 3,559),以获得人们对电子法人与现有责任模型的看法。我们的研究揭示了人们的愿望,惩罚自动代理,即使这些实体不承认任何精神状态。此外,人们不相信自动代理人的惩罚会实现威慑或报复,也不愿意给予他们法律惩罚的先决条件,即身体独立和资产。总的来说,这些研究结果表明,惩罚自动代理的愿望和它的感知不切实际之间的冲突。最后,我们讨论了未来的设计和法律决定可能会影响公众对自动代理人的错误行为的反应。
2021-11-11 cs.AI cs.CY
Mitigating Manipulation and Enhancing Persuasion: A Reflective Multi-Agent Approach for Legal Argument Generation
Intelligent Systems Program University of Pittsburgh Pittsburgh Pennsylvania USA;Intelligent Systems Program University of Pittsburgh
本文提出反思式多智能体方法,通过迭代精炼生成法律论证,有效缓解操纵、增强说服,提升弃权准确性与事实利用。
2025-10-23 cs.AI cs.CL cs.LG
STRONG -- Structure Controllable Legal Opinion Summary Generation
University of Pittsburgh(匹兹堡大学)
针对长篇法律意见摘要,本文提出利用预测论证角色引导模型遵循指定结构生成摘要的方法,并在法律意见数据集上于ROUGE、BERTScore和结构相似度上超越多个强基线。
2023-09-29 cs.AI cs.CL
Patentformer: A demonstration of AI-assisted automated patent drafting
Samsung Semiconductor, Inc.(三星半导体公司)
本文演示了Patentformer,一个AI驱动的自动化专利撰写平台,通过快速生成符合法律写作标准的高质量专利申请,解决传统专利撰写高度依赖律师专业经验的挑战。
2025-10-10 cs.AI cs.CY cs.LG
A Concept for Efficient Scalability of Automated Driving Allowing for Technical, Legal, Cultural, and Ethical Differences
本文提出两阶段微调概念,通过国家特定奖励模型和车辆特定迁移学习,使自动驾驶通用能力可跨技术、法律、文化与伦理差异高效扩展。
2025-07-24 cs.AI cs.CY
Integrating Legal and Logical Specifications in Perception, Prediction, and Planning for Automated Driving: A Survey of Methods
Department of Computer Science and Mathematics, Freie Universität Berlin(自由大学柏林计算机科学与数学系);Continental Automotive(大陆汽车);Computation, Information and Technology, Technical University of Munich(慕尼黑技术大学计算、信息与技术系)
该综述系统分析了自动驾驶感知、预测、规划模块整合法律与逻辑规范的现有方法,提出分类法梳理相关技术,指出交叉领域挑战并给出多学科见解,为合规自动驾驶系统发展提供指引。
2025-10-29 cs.AI cs.RO cs.SY
Modelling Value-oriented Legal Reasoning in LogiKEy
University of Bamberg(班贝格大学);Freie Universität Berlin(柏林自由大学);Université du Luxembourg(卢森堡大学)
逻辑多元LogiKEy知识工程方法和框架适用于法律平衡理论的建模,其中法律知识(案例和法律)是通过利用上下文相关的价值偏好编码。然后使用所获得的理论来形式化,自动评估,并重建说明性的财产法案件(涉及占用野生动物)的Isabelle证明助手系统内,说明如何LogiKEy可以利用交互式和自动化定理证明技术提供一个测试平台的发展和形式化验证的法律领域特定的语言和理论。在该框架中,我们建立了新的桥梁,最新的研究在知识表示和推理的非经典逻辑,自动化定理证明,并在法律推理中的应用。
2022-03-30 cs.AI cs.LO
What does it mean to solve the problem of discrimination in hiring? Social, technical and legal perspectives from the UK on automated hiring systems
Cardiff University(卡迪夫大学);University of Newcastle(纽卡斯尔大学)
获得和保持工作的能力是参与社会和维持生计的一个关键方面。然而,随着由数据驱动工具驱动的自动招聘系统(AHS)的出现和增长,关于谁有资格获得工作以及为什么有资格获得工作的决策方式正在迅速改变。对这类AHS的主要关切包括缺乏透明度和对特定职位的就业机会的潜在限制。然而,就后者而言,其中一些AHS声称能够发现和减轻针对受保护群体的歧视性做法,并促进工作中的多样性和包容性。然而,虽然这些工具在世界各地的用户群不断增长,但这种偏见缓解的主张很少受到审查和评估,并且在这样做时,几乎完全是从美国的社会法律角度出发。在本文中,我们通过批判性地研究在英国经常使用的三个突出的自动化招聘系统(AHS),HireVue,Pymetrics和Applied,了解并试图减轻偏见和歧视,来介绍美国以外的观点。我们使用公开文件描述了他们的工具是如何设计、验证和审计偏见的,强调了假设和限制,然后将其置于英国的社会法律背景中。英国与美国的法律背景非常不同,不仅在雇佣和平等法方面,而且在数据保护(DP)法方面。我们认为,这可能是重要的,以解决有关透明度的问题,并可能意味着一个挑战,建立偏见缓解到AHS最终能够满足欧盟的法律标准。这一点很重要,因为这些AHS,特别是美国制定的AHS,可能会掩盖而不是改善工作场所的系统性歧视。
2020-01-17 cs.AI cs.CY
No Argument Left Behind: Overlapping Chunks for Faster Processing of Arbitrarily Long Legal Texts
Escola Politécnica, Universidade de São Paulo (USP)(圣保罗大学工程学院(USP));Télécom Paris, Institut Polytechnique de Paris(巴黎综合理工学院电信学院)
针对巴西司法系统案件处理缓慢的危机,提出混合模型uBERT,结合Transformer与RNN架构,通过重叠分块处理任意长度法律文本,性能优于BERT+LSTM且速度显著快于ULMFiT。
2024-12-15 cs.AI cs.CL cs.CY
Transformer-based Approaches for Legal Text Processing
Japan Advanced Institute of Science and Technology(日本先进科学技术学院);Institute of Statistical Mathematics(统计数学研究所);University of Engineering and Technology, VNU(越南国立大学工程技术学院);National Institute of Informatics(日本国立信息学研究所)
在本文中,我们介绍了我们的方法,使用基于transformer的模型的不同问题的科利埃2021年自动法律文本处理的竞争。由于法律文件的特点以及数据量的限制,法律文件的自动处理是一项具有挑战性的任务。通过我们详细的实验,我们发现基于transformer的预训练语言模型可以很好地解决自动法律文本处理问题。我们详细描述了每个任务的处理步骤,如问题制定,数据处理和增强,预训练,微调。此外,我们还向社区介绍了两个预训练模型,它们利用了法律领域的并行翻译,NFSP和NMSP。其中,NFSP在比赛任务5中取得了最先进的成绩。虽然本文侧重于技术报告,但其方法的新颖性也可以成为使用基于transformer的模型进行自动化法律文档处理的有用参考。
2022-02-13 cs.AI cs.CL cs.NE
Adaptive Collaboration of Arena-Based Argumentative LLMs for Explainable and Contestable Legal Reasoning
ACAL通过自适应多智能体协作和 Arena 基础论证框架,提升法律推理的可解释性和可争议性,实验证明其在效率和透明度上的优势。
2026-02-21 cs.AI cs.MA cs.SC
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
Toward an Intelligent Tutoring System for Argument Mining in Legal Texts
Université de Montréal(蒙特利尔大学);Carnegie Mellon University(卡内基梅隆大学);Hofstra University(霍夫斯特拉大学);University of Pittsburgh(匹兹堡大学)
我们提出了一个自适应环境(CABINET),以支持判例法分析(确定关键参数元素)的基础上,仔细匹配各种机器学习(ML)的能力,以熟练的用户的一种新的认知计算框架。CABINET支持法律学生的学习以及专业人士的工作。我们的实验结果集中在所提出的框架的可行性是有前途的。我们表明,该系统能够以非常低的误报率(2.0-3.5%)识别分析中的潜在错误,以及预测关键参数元素类型(例如,问题或持有),具有合理的高F1分数(0.74)。
2022-10-24 cs.AI cs.CL cs.LG
ALARB: An Arabic Legal Argument Reasoning Benchmark
King Abdullah University of Science and Technology(卡塔尔国王阿卜杜勒阿齐兹科学与技术大学);THIQAH
本研究推出阿拉伯语法律推理基准ALARB,含1.3万余起沙特商业案件及多类推理任务,测试多款阿拉伯语LLM,且用其微调12B模型可达到与GPT-4o相当的法律推理性能。
2025-10-01 cs.AI cs.CL cs.IR
Neuro-Symbolic Compliance: Integrating LLMs and SMT Solvers for Automated Financial Legal Analysis
Department of Management Information Systems, National ChengChi University, Taipei, Taiwan(管理信息系,中华大学,台北,台湾);Department of Electrical Engineering, National Taiwan University, Taipei, Taiwan(电子工程系,台湾大学,台北,台湾)
本研究整合大语言模型与SMT求解器,提出神经符号合规框架,用于自动化金融法律分析,实现形式可验证性和基于优化的合规修正。
2026-01-07 cs.AI cs.FL cs.LG
Advancing Legal Reasoning: The Integration of AI to Navigate Complexities and Biases in Global Jurisprudence with Semi-Automated Arbitration Processes (SAAPs)
University of Sunderland(桑德兰大学)
本文提出融合ALM与人机协作的半自动仲裁流程SAAP,利用SHIRLEY、SAM、SARA等应用检测并批判性评估跨国法院判决中的偏见与逻辑不一致。
2024-02-29 cs.AI cs.CY cs.HC
Performance in the Courtroom: Automated Processing and Visualization of Appeal Court Decisions in France
École Polytechnique(巴黎综合理工学院);HEC Paris(巴黎高等商学院)
人工智能技术在法律领域已经很受欢迎和重要。我们从司法判决中提取法律指标,以减少法律制度的信息不对称和接近司法的差距。我们使用NLP方法从判决中提取有趣的实体/数据,以构建律师和判决的网络。我们提出的指标排名律师的基础上,他们的经验,赢/输比和他们的网络中的律师的重要性。我们还执行社区发现的判断网络,并提出指标,以代表利用社区功能的情况下的困难。
2020-07-09 cs.AI cs.CL cs.IR
IITP@COLIEE 2019: Legal Information Retrieval using BM25 and BERT
Government College of Engineering and Textile Technology, Berhampore(贝汉布尔政府工程与纺织技术学院);Indian Institute of Technology, Patna(印度理工学院巴特那分校)
自然语言处理(NLP)和信息检索(IR)在司法领域是一项重要的工作。随着电子表格的特定领域数据的可用性和不同人工智能(AI)技术的帮助,自动化语言处理变得更加舒适,因此研究人员和开发人员可以为法律界提供各种自动化工具以减轻人类负担。与人工智能与法律国际会议(ICAIL)-2019联合举办的法律信息抽取/蕴涵竞赛(COLIEE-2019)提出了一些具有挑战性的任务。共享定义了四个子任务(即任务1,任务2,任务3和任务4),这将能够为司法系统提供一些自动化系统。本文介绍了我们的工作笔记的实验进行的一部分,我们参与的所有子任务中定义的共享任务。我们利用不同的信息检索(IR)和基于深度学习的方法来解决这些问题。我们在所有这四个子任务中取得了令人鼓舞的成果。
2021-06-24 cs.AI cs.CL cs.IR
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
AI-Assisted Moot Courts: Simulating Justice-Specific Questioning in Oral Arguments
Princeton University(普林斯顿大学);Stanford University(斯坦福大学)
本文研究AI能否有效模拟特定司法机关的提问以辅助模拟法庭训练,提出双层评估框架,发现模拟问题被人类标注者认为真实且能识别法律问题,但存在提问类型单一和奉承等问题。
2026-03-05 cs.AI cs.CL
LegalWiz: A Multi-Agent Generation Framework for Contradiction Detection in Legal Documents
Centific;Amazon(亚马逊)
提出LegalWiz多智能体框架,通过生成合成法律文档并注入六种结构化矛盾类型,为法律RAG管道提供首个矛盾感知评估基准,支持更可信的系统。
2025-10-10 cs.AI cs.MA
The Ethics of Automating Legal Actors
University of Cambridge(剑桥大学);ETH Zürich(苏黎世联邦理工学院)
本文从法官积极塑造法律的社会角色出发,论证当前法律NLP模型不具备自动化法官所需能力,且即使达到人类水平也仍存在固有伦理问题,因此不应将法官角色自动化。
2023-12-01 cs.AI cs.CL
Critical Sentence Identification in Legal Cases Using Multi-Class Classification
University of Moratuwa(莫拉图瓦大学)
从本质上讲,法律领域包含大量文本格式的数据。因此,它需要应用自然语言处理(NLP)来满足该领域的分析需求。NLP的进步正在以实际应用和学术研究的形式传播到各个领域,例如法律领域。在法律案件中识别关键句子,事实和论点对于法律专业人士来说是一项繁琐的任务。在本研究中,我们探讨使用句子嵌入的多类分类,以确定关键的句子在法律案件中,在案件中的主要当事人的角度。此外,一个特定于任务的损失函数的定义,以提高直接使用类别交叉熵损失的精度限制。
2021-11-14 cs.AI cs.CL cs.LG