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
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
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
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
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
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
Exploiting Contrastive Learning and Numerical Evidence for Confusing Legal Judgment Prediction
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；University of Massachusetts at Amherst（马萨诸塞大学阿默斯特分校）；Nanyang Technological University（南洋理工大学）；Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Institute for Advanced Study of Zhejiang University（浙江大学上海高等研究院）
针对易混淆法律案件判决预测中分类错误难以区分和忽略数字信息的问题，提出基于MoCo的有监督对比学习方法和利用预训练数值模型编码犯罪金额的增强表示方法，在公开基准上取得了新的最先进结果。
2023-10-21 cs.AI cs.CL
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
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
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
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
LegalReasoner: Step-wised Verification-Correction for Legal Judgment Reasoning
The Hong Kong University of Science and Technology（香港科技大学）；Peking University（北京大学）；Zhejiang Normal University（浙江师范大学）；Soochow University（苏州大学）
本文提出 LegalReasoner，通过争议点分解、逐步推理及过程验证与纠错提升法律判决预测可靠性，并构建含 58,130 件案件的 LegalHK 数据集，显著提高 LLAMA-3.1-70B 的判决一致性。
2025-06-09 cs.AI
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
Fact-based Court Judgment Prediction
Indian Institute of Technology（印度理工学院）
本研究聚焦印度法律文献中基于事实的判决预测，引入仅基于事实及结合下级法院裁决的两种变体，旨在增强早期案件结果预测，但实验表明其DELSumm算法及transformer模型表现均劣于原ILDC for CJPE研究的最先进结果。
2023-11-22 cs.AI cs.CL cs.IR
A Survey on Legal Judgment Prediction: Datasets, Metrics, Models and Challenges
Saarland Informatics Campus（萨尔兰信息学园区）；Northwestern Polytechnical University（西北工业大学）
法律判决预测是运用自然语言处理技术，根据事实描述自动预测判决结果。最近，大规模的公共数据集和NLP研究的进展导致了对LJP的兴趣越来越大。尽管机器和人类的表现之间存在明显的差距，但在各种基准数据集中取得了令人印象深刻的结果。本文针对目前缺乏对现有LJP任务、数据集、模型和评价的全面综述的现状，（1）分析了6种语言的31个LJP数据集，给出了它们的构造过程，定义了3种不同属性的LJP分类方法;（2）针对LJP任务的不同输出，总结了4类14个评价指标;（3）我们回顾了3种语言的12个法律领域预训练模型，并强调了LJP的3个主要研究方向;（4）我们展示了来自不同法院案件的8个代表性数据集的最新结果，并讨论了开放的挑战。本文可以提供最新的和全面的评论，以帮助读者了解LJP的地位。我们希望能促进NLP研究者和法律专业人士在这个问题上的进一步共同努力。
2022-04-11 cs.CL cs.LG
Corpus for Automatic Structuring of Legal Documents
EkStep Foundation（EkStep基金会）；Thoughtworks Technologies India Pvt Ltd.（印度思特沃克技术私人有限公司）；Agami；Indian Institute of Technology Kanpur (IIT-K)（印度理工学院坎普尔分校（IIT-K））
在人口众多的国家，待决法律案件呈指数级增长。有必要开发处理和组织法律文件的技术。在本文中，我们介绍了一个新的语料库结构的法律文件。特别是，我们介绍了一个语料库的英语法律判决文件被分割成主题和连贯的部分。这些部分中的每一个都用来自预定义的修辞角色列表的标签来注释。我们开发了基于标注语料库的自动预测法律文档中修辞角色的基线模型。此外，我们展示了修辞角色的应用，以提高总结和法律判断预测任务的性能。我们发布的语料库和基线模型的代码随着论文。
2022-09-19 cs.AI cs.CL cs.LG
JusticeAxis: Benchmarking Legal Judgment between Rigid Rule Application and Ungrounded Discretion
The Chinese University of Hong Kong（香港中文大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Oxford（牛津大学）；York University（约克大学）
JusticeAxis基准与JusticeAgent框架将法律判决形式化为参考锚定任务，通过技能蒸馏和贝叶斯验证，在256个多模态真实刑事案件中平衡刚性法条与具体情况，提升开放权重模型至商业水平。
2026-10-23 cs.AI
A Korean Legal Judgment Prediction Dataset for Insurance Disputes
The University of Arizona（亚利桑那大学）；Hana TI（韩亚科技）；Sungkyunkwan University（成均馆大学）
本文构建了韩国保险纠纷法律判决预测数据集，针对低资源场景数据稀缺问题，验证了SetFit微调方法在数据有限时可达到与基准模型相近的性能。
2024-01-26 cs.CL cs.LG
Thunder-DeID: Accurate and Efficient De-identification Framework for Korean Court Judgments
Seoul National University（首尔大学）
针对韩国法院判决书去标识化需求，提出Thunder-DeID框架，包含首个韩国法律数据集、系统化PII分类及端到端DNN流水线，实现最先进性能。
2025-10-16 cs.CL
LegalViz: Legal Text Visualization by Text To Diagram Generation
RIKEN AIP（理化学研究所人工智能项目）；The University of Tokyo（东京大学）；Institute of Science Tokyo（东京科学大学）；National Institution of Informatics（国立信息学研究所）；ATR（ATR公司）；NII（日本信息学研究所）
针对非专家理解法律文件需专业知识的问题，提出LegalViz数据集（23种语言、7010对法律文件与可视化案例），用DOT语言生成图表可视化法律文本，还提出新评估指标，实证显示其训练模型优于GPTs等现有模型。
2025-02-13 cs.CL
Multi-Legal-Bench: When the Answer Is in the Input. Label Leakage in Legal Benchmarks Built from Court Registries
SecondLayer
提出Multi-Legal-Bench，首个跨司法管辖区法律基准，在6个国家、4个语系和1.34亿份法院判决上评估LLM，发现少样本效果跨辖区复制、无单一模型主导所有语言、跨语言迁移不遵循语言邻近性、分词器效率不显著预测跨语言准确率。
2026-09-29 cs.AI cs.CL
Exploring Semi-supervised Hierarchical Stacked Encoder for Legal Judgement Prediction
IRIT（图卢兹计算机研究所）
提出一种结合监督与无监督的两级分类机制，利用领域特定预训练BERT和Transformer编码器提取句子嵌入，并通过聚类获取隐藏标签，在ILDC数据集上实现法律判决预测性能提升。
2023-11-14 cs.AI cs.CL cs.IR
Analyzing Bias in Swiss Federal Supreme Court Judgments Using Facebook's Holistic Bias Dataset: Implications for Language Model Training
Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）；Leibniz Institute for Educational Media | Georg Eckert Institute（莱布尼茨教育媒体研究所（格奥尔格·埃克特研究所））
本研究借助 Holistic Bias 社会偏见描述符与注意力可视化分析 SJP-Dataset，揭示法律判决预测数据中的偏见及其对模型行为的影响。
2025-01-06 cs.AI cs.CL
LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；International Innovation Center of Tsinghua University（清华大学国际创新中心）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）；Beijing Powerlaw Intelligent Technology Co., Ltd.（北京幂律智能科技有限责任公司）
事实识别是判断的最基本步骤，因此检测法律文档中的事件对于法律案例分析任务非常重要。然而，现有的法律事件检测（Legal Event Detection，LED）数据集只关注不全面的事件类型，标注数据有限，限制了LED方法及其下游应用的发展。为了缓解这些问题，我们提出了一个大规模的中文LEgal eVENT检测数据集，其中包含8，116份法律文件和108种事件类型中的150，977个人工注释事件。不仅是收费相关的事件，LEVEN还涵盖了一般事件，这些事件对于法律案件的理解至关重要，但在现有的LED数据集中被忽略了。据我们所知，LEVEN是最大的LED数据集，其数据规模是其他数据集的数十倍，这将大大促进LED方法的培训和评估。大量的实验结果表明，LED是具有挑战性的，需要进一步的努力。此外，我们只是利用法律事件作为辅助信息来促进下游应用。该方法在低资源判断预测中平均精度提高了2.2分，在无监督案例检索中平均精度提高了1.5分，体现了LED的重要性。源代码和数据集可以从https://github.com/thunlp/LEVEN获得。
2022-03-16 cs.AI cs.CL
JUSTICE: A Benchmark Dataset for Supreme Court's Judgment Prediction
University of Southern California（南加州大学）
最近，人工智能被用于许多领域，法律系统也不例外。然而，就目前而言，与美国最高法院（SCOTUS）的法律文件有关的注释良好的数据集数量非常有限，可供公众使用。尽管最高法院的裁决是公共领域的知识，但由于每次都需要从头开始手动收集和处理这些数据，因此尝试使用它们进行有意义的工作变得更加艰巨。因此，我们的目标是创建一个高质量的SCOTUS法院案件数据集，以便它们可以随时用于自然语言处理（NLP）研究和其他数据驱动的应用程序。此外，NLP的最新进展为我们提供了构建预测模型的工具，这些模型可用于揭示影响法院判决的模式。通过使用先进的NLP算法来分析以前的法院案件，经过训练的模型能够预测和分类法院的判决，因为案件的事实来自原告和被告的文本格式;换句话说，该模型通过生成最终判决来模拟人类陪审团。
2021-12-06 cs.AI cs.CL
MultiJustice: A Chinese Dataset for Multi-Party, Multi-Charge Legal Prediction
Saarland Informatics Campus, Saarland University, Saarland, Germany（萨尔兰州信息学院校区，萨尔兰州大学）；Vrije Universiteit Amsterdam, Amsterdam, Netherlands（阿姆斯特丹自由大学）；Wuhan University, Wuhan, China（武汉大学）；Nanyang Technical University, Singapore, Singapore（南洋技术大学）；University of Amsterdam, Amsterdam, Netherlands（阿姆斯特丹大学）；Eastern Institute of Technology, Ningbo, China（宁波工程技术学院）
该研究提出中文数据集MultiJustice，用于多被告多罪名法律预测，发现多被告多罪名场景最具挑战性，并公开数据集与代码。
2025-07-09 cs.AI cs.CL
EUROPA: A Legal Multilingual Keyphrase Generation Dataset
Université de Montréal（蒙特利尔大学）；RALI；DIRO
本文构建了源自欧盟法院判决书、覆盖24种欧盟官方语言的法律多语言关键词生成数据集 EUROPA，并通过多语言模型实验表明该领域任务仍具提升空间。
2024-06-14 cs.AI cs.CL cs.LG
IndianBailJudgments-1200: A Multi-Attribute Dataset for Legal NLP on Indian Bail Orders
Department of Computer Engineering, Datta Meghe College of Engineering（计算机工程系，达塔梅赫学院）
本文提出IndianBailJudgments-1200数据集，包含1200份印度保释判决及20余种标注属性，由GPT-4o流水线生成并验证，是首个面向印度保释司法的公开法律NLP基准资源。
2025-07-03 cs.AI cs.CL cs.LG
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
UK-PRBENCH: A Paragraph-Level Precedent Retrieval Benchmark for United Kingdom Case Law
Lancaster University（兰卡斯特大学）
针对现有先例检索以文档为单位、粒度粗糙的问题，构建了英国判例法段落级先例检索基准UK-PRBench，评估了先进检索模型，证明该任务仍有较大提升空间。
2026-09-22 cs.CL cs.IR
Improving Legal Judgement Prediction in Romanian with Long Text Encoders
University Politehnica of Bucharest（布加勒斯特理工大学）；BRD Groupe Societe Generale（BRD法国兴业银行集团）
针对法律领域长文档特性导致通用NLP模型难以直接应用的问题，本研究探索了专用模型与通用模型在罗马尼亚语法律判决预测任务上的表现，重点研究Transformer模型的序列长度扩展方法，通过4个不同规模的罗马尼亚语LJP数据集实验，验证了专用模型和长文本处理对性能提升的关键作用。
2024-03-04 cs.AI cs.CL
TransLaw: A Large-Scale Dataset and Multi-Agent Benchmark Simulating Professional Translation of Hong Kong Case Law
City University of Hong Kong, Hong Kong SAR, China（香港城市大学）
针对香港判例法英译中资源匮乏、法律术语和格式要求严格的问题，构建了首个大规模句对齐平行语料库HKCFA Judgment 97-22，并提出多智能体框架TransLaw，通过分解翻译任务、集成法律词汇库和检索增强生成，显著提升翻译质量，但仍未达到人类专家的风格自然度。
2026-06-19 cs.CL cs.HC cs.MA
AppealCase: A Dataset and Benchmark for Civil Case Appeal Scenarios
Zhejiang University（浙江大学）；Worcester Polytechnic Institute（沃斯通理工学院）；Alibaba Group（阿里巴巴集团）
针对 LegalAI 忽视上诉场景的问题，我们构建了包含 10,000 对民事一审二审文书及五维标注的 AppealCase 数据集，提出五个新任务，评估 20 个模型，发现判决撤销预测 F1 均低于 50%，以推动上诉分析研究。
2025-05-25 cs.CL
JUDGEBERT: Assessing Legal Meaning Preservation Between Sentences
Université Laval（拉瓦尔大学）；Computer Science Department（计算机科学系）；Faculty of Law（法学院）
本文提出FrJUDGE数据集和JUDGEBERT评估指标，用于评估法语法律文本简化中的法律含义保留，实验表明其与人类判断相关性优于现有指标，并通过了相同句子得100%、无关句子得0%的健全性检查。
2025-08-23 cs.CL
LegalRikai: Open Benchmark -- Benchmark for Complex Japanese Corporate Legal Tasks
LegalOn Technologies, Inc.（LegalOn技术公司）；Kyoto University（京都大学）
LegalRikai基准通过四个复杂任务评估日本企业法律实践，揭示模型在文档编辑中的不足，并提出数据集评估框架以推动法律领域实践研究。
2025-12-15 cs.CL
BriefMe: A Legal NLP Benchmark for Assisting with Legal Briefs
NYU School of Law（纽约大学法学院）；University of Utah（犹他大学）；Columbia University（哥伦比亚大学）
本文提出BRIEFME，一个面向法律文书撰写的NLP基准，包含论点摘要、补全和案例检索三项任务，发现现有LLM在摘要和引导补全上表现优异，但在现实补全和案例检索上欠佳。
2025-06-19 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
JurisCTC: Enhancing Legal Judgment Prediction via Cross-Domain Transfer and Contrastive Learning
Peking University（北京大学）；Nanyang Technological University（南洋理工大学）；Jilin University（吉林大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出JurisCTC模型，通过跨民事与刑事法律领域的知识迁移和对比学习，在有限标注数据下提升法律判决预测准确性，最高准确率达78.83%。
2025-04-24 cs.AI cs.CL cs.CY
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
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
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
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
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
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
Distinguish Confusing Law Articles for Legal Judgment Prediction
Shanghai Jiao Tong University（上海交通大学）
法律判决预测（Legal Judgment Prediction，LJP）是在给定描述案件事实的文本的情况下，自动预测案件判决结果的任务，在司法协助系统中具有良好的应用前景，为公众提供便捷的服务。在实践中，混淆罪名的情况时有发生，因为适用相似法条的案件容易发生误判。现有的方法在解决这一问题时严重依赖于领域专家，这阻碍了其在不同法系的适用。在本文中，我们提出了一个端到端的模型，LADAN，解决LJP的任务。为了区分易混淆的指控，我们提出了一种新的图神经网络，自动学习混淆法律文章之间的细微差异，并设计了一种新的注意力机制，充分利用学习到的差异，从事实描述中提取引人注目的区别特征。在真实数据集上进行的实验证明了我们的LADAN的优越性。
2020-04-23 cs.AI cs.CL
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
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
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
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
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
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
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
