-
题名基于提示增强的少样本法律判决预测方法
- 1
-
-
作者
杨涵天
周景
-
机构
华北电力大学控制与计算机工程学院
-
出处
《计算机应用》
北大核心
2025年第S1期49-55,共7页
-
文摘
法律判决预测(LJP)是法律人工智能的关键,旨在从案件中辨别法律依据,并辅助决策的制定。目前的相关研究存在可解释性差的问题,特别是在少样本场景下,预测效果普遍不佳,而传统的神经网络难以处理冗长的法律文本。因此,提出一种基于提示增强的少样本LJP方法。所提方法使用互信息与左右信息熵结合的关键信息抽取算法,综合考虑词元的内外部特征和熵值设计输入模板,并构建基于Lawformer的提示增强模型处理法律长文件。实验结果表明,在低资源、少样本的情况下,所提方法能达到很好的效果,并在2018中国人工智能和法律挑战数据集(CAIL2018)上验证了所提方法的优越性,所提方法在评价指标和模型解释性上均优于LEGAL-BERT,具体地,在精确率、召回率、F1值和准确率上分别提高了29.0、11.3、20.6和18.2个百分点。
-
关键词
法律判决预测
法律人工智能
提示学习
少样本学习
预训练语言模型
-
Keywords
legal judgement prediction(ljp)
legal artificial intelligence
prompt learning
few-shot learning
pre-trained language model
-
分类号
TP182
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于大语言模型的刑事案件智能判决研究
被引量：1
- 2
-
-
作者
丛颖男
韩林睿
马佳羽
朱金清
-
机构
中国政法大学商学院
教育部哲学社会科学实验室——中国政法大学数据法治实验室
中国政法大学数据法治研究院
清华大学法学院
北京字节跳动网络技术有限公司
-
出处
《计算机科学》
北大核心
2025年第5期248-259,共12页
-
基金
2025年中国政法大学青年教师学术创新团队支持计划(25CXTD04)
2022年国家重点研发计划“社会治理与智慧社会科技支撑”重点专项(2022YFC3303000)
教育部人文社会科学研究一般项目(22YJC190003)。
-
文摘
刑事案件判决的智能化一直是数字法院建设中的研究热点。传统方法基于自然语言处理技术,由模型依据案件事实直接预测判决结果,但应对复杂刑事案件案情时,模型难以发现法律要件之间的逻辑依赖关系,也难以清晰表达法律推理过程。文中提出一种基于大语言模型的刑事案件智能判决方法,该方法以“标记案件语料-预训练大模型-强化判决逻辑”为思路,首先通过自动化标注与人工校正相结合的方式,标注案情中的主体、客体、主观要件和客观要件等法律要素,构建结构化的推理数据集;其次基于GLM预训练框架,选取ChatGLM3-6b-32k作为基座大语言模型进行增量预训练;最后采用LoRA参数高效微调策略与大模型检索增强技术对模型进行参数调优与法律知识扩展,实现判决逻辑的强化。实验结果表明,与Qwen-7B-Chat和Baichuan2-7B-Chat相比,ChatGLM3-6b-32k模型在指令监督微调后性能更优。引入司法三段论显著增强了判决文本的逻辑性,使其更贴近人类法官的裁判说理。在罪名预测和刑期预测任务中,所提模型准确率相较于MTL-Fusion,Lawformer和BERT模型均有显著提升。此外,与基于欧美法律文本训练的Legal-BERT和CaseLawBERT相比,所提模型更适应中国刑事案件的判决逻辑,在处理长文本任务上展现出更强的能力。该研究不仅探索了大语言模型在刑事案件智能判决中的应用,还为司法领域大模型研究的范式提供了有益参考。
-
关键词
数字法院
法律判决预测
司法三段论
大语言模型
参数高效微调
-
Keywords
Digital court
legal judgement prediction
Judicial syllogism
Large language model
Parameter-efficient fine-tuning
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于过程监督的序列多任务法律判决预测方法
被引量：4
- 3
-
-
作者
张春云
曲浩
崔超然
孙皓亮
尹义龙
-
机构
山东财经大学计算机科学与技术学院
山东大学软件学院
-
出处
《计算机科学》
CSCD
北大核心
2021年第3期227-232,共6页
-
基金
国家自然科学基金项目(61703234)
国家重点研发计划(2018YFC0830102)。
-
文摘
法律判决预测是人工智能技术在法律领域的应用,因此对法律判决预测方法的研究对于实现智慧司法具有重要的理论价值和实际意义。传统的法律判决预测方法大都是只进行单一任务的预测或仅基于参数共享的多任务预测,并未考虑各子任务之间的序列依存关系,因此预测性能难以得到进一步的提升。文中提出了一个端到端的基于过程监督的序列多任务法律判决预测模型,在建模各子任务之间的依存关系时,通过引入过程监督来确保依赖信息的准确性,从而提升序列子任务的预测性能。将所提模型应用到CAIL2018数据集上,取得了较好的分类效果,平均分类准确率比现有的state-of-the-art方法的准确率提升了2%。
-
关键词
法律判决预测
多任务学习
过程监督
深度学习
-
Keywords
legal judgement prediction
Multi-task learning
Process supervision
Deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的司法判决预测算法研究
- 4
-
-
作者
周法国
刘文
葛逸凡
李夷进
-
机构
中国矿业大学(北京)机电与信息工程学院
-
出处
《科学技术与工程》
北大核心
2022年第36期16133-16140,共8页
-
基金
国家自然科学基金(62072008)。
-
文摘
司法判决预测任务指的是根据真实的案情描述文本来预测案件的判决结果,有助于司法专业人士高效的工作,在智能司法方面具有广阔的应用前景。在实践中,易混淆罪名和少样本罪名的判别问题是目前的两大难点,普通模型很容易在上述问题上出现误判。为使易混淆罪名得到更好的区分,结合BERT(bidirectional encoder representations from transformer)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)深度学习网络,提出BGAAT(BERT BiGRU attribute self-attention)网络模型。该模型引入具有区分性的罪名属性标签,通过注意力机制分别抽取属性特征与上下文特征,使用注意力分布对可解释性进行描述。为使少样本罪名更好地被识别,引入罪名分类权重,使模型在少样本罪名分类取得了更高的F1值。最后在真实的司法判决数据集上进行了实验,证明了所提出模型在该任务上有良好表现。
-
关键词
司法判决预测
深度学习
易混淆罪名
少样本罪名
可解释性
-
Keywords
legal judgement prediction
deep learning
confusing charge
few-sample charge
interpretable
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于有序多任务学习的司法二审判决预测方法
被引量：1
- 5
-
-
作者
韩晓晖
王文同
宋连欣
刘广起
崔超然
尹义龙
-
机构
齐鲁工业大学(山东省科学院)山东省计算中心(国家超级计算济南中心)
山东省计算机网络重点实验室
山东大学软件学院
山东财经大学计算机科学与技术学院
-
出处
《中文信息学报》
CSCD
北大核心
2022年第3期162-172,共11页
-
基金
国家重点研发计划(2018YFC0830100,2018YFC0830102)
国家自然科学基金(61602281)
山东省重点研发计划(2019JZZY010132)。
-
文摘
司法二审判决预测任务旨在基于一审判决、新发现事实、上诉理由等文本材料预测二审程序的判决结果,其难点在于如何捕捉两审法院对案件事实的认知异同来生成可解释的预测。针对上述难点,该文提出一种基于有序多任务学习的二审判决预测方法SIJP-SML,该方法通过两个时序依赖的多任务学习部分对一审到二审的完整审判逻辑进行建模,以提取并融合一、二审法院对案件事实的认知表示来预测二审判决。同时,SIJP-SML在多任务学习中引入法院观点生成任务来输出具有一定可读性的判决理据,以增强预测的可解释性。在6万余份二审裁判文书数据上的实验结果证明了SIJP-SML的有效性和合理性,其综合性能优于所有基线方法。
-
关键词
判决预测
多任务学习
司法二审
-
Keywords
legal judgement prediction
multi-task learning
second instance
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合法律文本结构信息的刑事案件判决预测
被引量：6
- 6
-
-
作者
张晗
郑伟昊
窦志成
文继荣
-
机构
中国人民大学信息学院
大数据管理与分析方法研究北京市重点实验室
中国人民大学高瓴人工智能学院
数据工程与知识工程教育部重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第3期253-263,共11页
-
基金
国家自然科学基金(61872370,61832017)
北京高校卓越青年科学家计划(BJJWZYJH012019100020098)。
-
文摘
近年来,法律领域的智能化引起了学界的广泛关注。选取法律领域中十分重要的法律判决预测任务作为研究重点,法律判决预测包含推荐相关法条、定罪和刑期预测等三个子任务。随着深度学习在各个领域的广泛应用,一些研究者将深度学习方法引入法律判决预测任务并取得了较好的效果。现有基于深度学习的法律判决预测方法通常是通过构建案情描述和法条之间的注意力来提升模型预测能力,或者利用三个法律判决预测子任务间的关系来提升整体的性能。但是这些工作未考虑法律文本中的多层层次化信息,如刑法第三百九十七条包含职务侵占罪和玩忽职守罪,其法条大类是渎职罪,并且每个罪行有不同的刑期。针对该问题,考虑引入法律文本的多层层次化信息用于法律判决预测任务。具体来说,对法律文本的多层结构信息进行预处理,并利用协同注意力机制将法条的多层信息融入到案情描述中,得到每个子任务的融合不同层次的法律信息的案情描述表示,从而提升司法判决预测任务的性能。在真实的法律判决预测任务公开的数据集上进行了实验,结果显示提出的融合法律文本多层结构信息的模型在法律判决预测任务上优于当前最好的模型。对法律智能化的未来和发展进行了展望。
-
关键词
法律判决预测
法律多层结构信息
深度学习
-
Keywords
legal judgement prediction
multi-layer structure information of law
deep learning
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
